aib-ouo

AI Bridge 🌉

纯净的 AI 模型桥接库 — 透明、原生 SDK、多厂商支持、无主观侵入。

AI Bridge (aib) 是一个统一的 Python 接口，用于调用各大主流 AI 厂商的原生能力。核心理念是 "透明桥接"：我们只做搬运工，不做任何加工，让用户直接获得大模型的原始返回和错误信息。

---

目录

• 核心特性
• 支持厂商
• 安装
• 快速开始
  • SDK 使用
  • CLI 命令行
• 配置指南
  • 配置文件
  • 环境变量
  • 配置优先级
• API 参考
  • AIBridge 类
  • Response 对象
  • Usage 对象
• 多模态与文件处理
• Batch API 批量处理
• 各厂商配置示例
• 错误处理
• 开发维护说明
  • Qwen 模型白名单维护
• 项目结构
• License

---

🌟 核心特性

透明桥接 (Transparent Bridge)

• 🛡️ 无主观处理 — 不拦截错误，不吞噬异常，不修改响应内容
• 📦 原生对象 — Response.raw 保留原始 SDK 响应对象，方便高级用户调试
• ⚡ 原生 SDK — 底层直接调用官方 SDK（google-genai、openai、dashscope），能力零损耗

强大的文件与多模态

• 📂 Native File API — 优先使用厂商原生 File API 上传文件（PDF/视频/音频），而非粗暴的 Base64 转换
• 🖼️ 多模态支持 — 完美支持视觉问答、文档分析等场景
• 🔄 智能路由 — 自动根据模型类型选择最佳的文件处理方式

独家功能

• 🚀 Batch API — 集成 Qwen 和 Gemini 的批量处理接口，成本降低 50%
• ⏱️ 超时控制 — 支持全局、厂商级、单次请求三级 Timeout 设置
• 🔌 中转站支持 — 完美支持自定义 base_url，适配各类 API 代理

---

🏢 支持厂商

---

📦 安装

基础安装

pip install ai2-Abridge

依赖说明

以下依赖会自动安装：

要求: Python >= 3.9

---

🚀 快速开始

1. SDK 使用

from aib import AIBridge

# 初始化 (自动读取环境变量或配置文件，也可以显式传入)
bridge = AIBridge(
    vendor="glm",
    api_key="YOUR_API_KEY",
    model="glm-4.5-air",
    timeout=60  # 可选：60 秒超时
)

# 简单对话
response = bridge.chat("你好，请介绍一下你自己")
print(response.content)       # 尽量返回 SDK 的文本视图；若 .text 不可用则回退为原始响应字符串
print(response.usage)         # Token 用量统计

# 带文件的多模态对话 (自动通过厂商 File API 上传)
response = bridge.chat(
    prompt="请总结这份文档主要讲了什么，并分析第二张图表",
    files=["./report.pdf", "./chart.png"]
)
print(response.content)

# 查看 Token 消耗
print(f"输入: {response.usage.prompt_tokens}")
print(f"输出: {response.usage.completion_tokens}")
print(f"总计: {response.usage.total_tokens}")

# 访问原始 SDK 响应 (高级用法)
print(response.raw)

2. CLI 命令行使用

AI Bridge 提供了命令行工具 ab，安装后即可直接使用。

# 简单对话 (默认使用配置中的 default_vendor)
ab chat "你好！"

# 指定厂商和模型
ab chat "写首诗" -v glm -m glm-4.5-air

# 带文件分析 (支持多个 -f)
ab chat "解释这段代码" -v gemini -f main.py
ab chat "对比这两张图" -v openai -f img1.png -f img2.jpg

# 指定 API Key (覆盖配置)
ab chat "Hello" -v openai -k "sk-your-key"

# 设置超时
ab chat "生成长文章..." -v qwen --timeout 120

# 设置采样温度和最大 Token
ab chat "创意写作" -v gemini -t 0.9 --max-tokens 2000

# 查看 Token 使用情况
ab chat "你好" -v gemini --usage

# 使用自定义中转站
ab chat "Hello" -v openai --base-url "https://api.proxy.com/v1"

CLI 完整参数一览

其他 CLI 命令

# 查看当前配置信息
ab config
ab config -p ./my-config.yaml    # 指定配置文件路径

# 查看版本
ab version

---

⚙️ 配置指南

支持 YAML 配置文件 和 环境变量 两种方式管理 API Key 和默认设置。

方式一：配置文件 (推荐)

创建 ~/.aib/config.yaml 或项目目录下的 config.yaml：

# 默认使用的厂商
default_vendor: gemini

# 可选：全局超时时间 (秒)，所有厂商生效
timeout: 60

vendors:
  gemini:
    api_key: "AIzaSy..."
    model: "gemini-2.5-flash"
    timeout: 120               # 厂商特定超时，覆盖全局
    # base_url: "https://custom-proxy.com"  # 可选：自定义代理

  glm:
    api_key: "YOUR_GLM_API_KEY"
    model: "glm-4.5-air"
    # base_url: "https://open.bigmodel.cn/api/paas/v4"  # 默认值
    # timeout: 60

  kimi:
    api_key: "sk-..."
    model: "moonshot-v1-auto"
    # base_url: "https://api.moonshot.cn/v1"  # 默认值

  qwen:
    api_key: "sk-..."
    model: "qwen-plus"
    # base_url: "https://dashscope.aliyuncs.com/compatible-mode/v1"  # 默认值

  openai:
    api_key: "sk-..."
    model: "gpt-4o"
    base_url: "https://api.openai.com/v1"  # 支持自定义代理地址

方式二：环境变量

# 默认厂商
export AIB_DEFAULT_VENDOR="gemini"

# API Key（各厂商）
export AIB_GEMINI_API_KEY="AIza..."
export AIB_GLM_API_KEY="your-glm-key"
export AIB_KIMI_API_KEY="sk-..."
export AIB_QWEN_API_KEY="sk-..."
export AIB_OPENAI_API_KEY="sk-..."

# 自定义模型
export AIB_GLM_MODEL="glm-4.5-air"
export AIB_GEMINI_MODEL="gemini-2.5-flash"
export AIB_OPENAI_MODEL="gpt-4o"

# 自定义 Base URL (中转站)
export AIB_GLM_BASE_URL="https://open.bigmodel.cn/api/paas/v4"
export AIB_OPENAI_BASE_URL="https://api.proxy.com/v1"

# 超时设置 (秒)
export AIB_GLM_TIMEOUT="60"
export AIB_GEMINI_TIMEOUT="120"

配置优先级

配置项按以下优先级生效（从高到低）：

1. 代码显式传入 — AIBridge(api_key="...", model="...", timeout=...)
2. 环境变量 — AIB_GEMINI_API_KEY、AIB_GEMINI_TIMEOUT 等
3. 首个命中的 YAML 配置文件（按以下顺序查找，命中后不再继续）
   • AIBridge(config_path="./my-config.yaml")
   • ~/.aib/config.yaml
   • ./config.yaml
4. 内置默认值

---

� API 参考

AIBridge 类

from aib import AIBridge

bridge = AIBridge(
    vendor="glm",           # 厂商名称: gemini / glm / kimi / qwen / openai
    api_key="YOUR_KEY",       # API 密钥 (可选，从配置/环境变量读取)
    model="gemini-2.5-flash", # 模型名称 (可选，使用厂商默认模型)
    base_url=None,            # 自定义 API 端点 (可选，用于中转站)
    timeout=60,               # 请求超时秒数 (可选)
    config_path=None,         # 配置文件路径 (可选)
    **kwargs                  # 其他厂商特定参数
)

bridge.chat(prompt, files=None, **kwargs) → Response

发送对话请求。

bridge.upload_file(file_path) → str

手动上传文件到厂商 File API。适用于需要在多次请求中引用同一文件的场景。

file_id = bridge.upload_file("./large_document.pdf")

bridge.adapter → VendorAdapter

获取底层厂商适配器实例，用于高级操作。

Response 对象

response = bridge.chat("Hello")

response.content            # str   - 尽量返回 SDK 的文本视图；某些 Gemini 场景会回退为原始响应字符串
response.usage              # Usage - Token 用量统计
response.usage.prompt_tokens       # int | None - 输入 Token 数
response.usage.completion_tokens   # int | None - 输出 Token 数
response.usage.total_tokens        # int | None - 总 Token 数
response.raw                # Any   - 原始 SDK 响应对象

str(response)               # 等同于 response.content

Usage 对象

Usage 会自动适配各厂商的不同命名：

• OpenAI / Kimi / GLM: prompt_tokens, completion_tokens, total_tokens
• Gemini: prompt_token_count, candidates_token_count
• Qwen: input_tokens, output_tokens, total_tokens

---

📂 多模态与文件处理

AI Bridge 根据厂商和模型自动选择最佳的文件处理方式：

# Gemini 多模态 - 分析 PDF 和图片
bridge = AIBridge(vendor="gemini")
response = bridge.chat(
    prompt="总结文档内容并描述图片",
    files=["report.pdf", "photo.jpg"]
)

# Qwen VL 模型 - 视觉问答
bridge = AIBridge(vendor="qwen", model="qwen-vl-plus")
response = bridge.chat(
    prompt="这张图片里有什么？",
    files=["scene.png"]
)

---

🚀 Batch API 批量处理

对于不着急（24 小时内完成）的大批量任务，使用 Batch API 可节省 50% 成本。

目前支持 Qwen 和 Gemini 两个厂商。

Qwen Batch

from aib.batch import QwenBatchManager

manager = QwenBatchManager(api_key="sk-...")

# 提交批量任务
job = manager.submit(
    requests=[
        {"prompt": "分析用户评论: 这个产品真好用！"},
        {"prompt": "翻译这段话: Hello World"},
        {"prompt": "总结文章要点: ...",  "files": ["article.txt"]},
        # ... 支持上千条请求
    ],
    model="qwen-plus"
)
print(f"任务已提交，ID: {job.id}, 状态: {job.status}")

# 查询状态
status = manager.get_status(job.id)
print(f"进度: {status.completed_requests}/{status.total_requests}")

# 获取结果 (任务完成后)
results = manager.get_results(job.id)
for request_id, content in results.items():
    print(f"{request_id}: {content}")

# 取消任务
manager.cancel(job.id)

Gemini Batch

from aib.batch import GeminiBatchManager

manager = GeminiBatchManager(api_key="AIza...")

job = manager.submit(
    requests=[
        {"prompt": "分析数据: ...", "files": ["data.csv"]},
        {"prompt": "翻译文本: ..."},
    ],
    model="gemini-2.5-flash"
)

# 查询 / 获取结果 / 取消 — 接口与 QwenBatchManager 完全一致

BatchJob 对象

job.id                  # str         - 任务 ID
job.vendor              # str         - 厂商名称
job.model               # str         - 使用的模型
job.status              # BatchStatus - 状态枚举
job.total_requests      # int         - 总请求数
job.completed_requests  # int         - 已完成请求数
job.output_file_id      # str | None  - 输出文件 ID
job.error               # str | None  - 错误信息

BatchStatus 枚举

---

🏢 各厂商配置示例

Google Gemini

bridge = AIBridge(
    vendor="gemini",
    api_key="AIzaSy...",
    model="gemini-2.5-flash",       # 或 gemini-2.5-pro 等
    timeout=120,
    # base_url="https://proxy.example.com"  # 可选：自定义代理
)

Moonshot Kimi

bridge = AIBridge(
    vendor="kimi",
    api_key="sk-...",
    model="moonshot-v1-auto",       # 或 moonshot-v1-8k / 32k / 128k
    # base_url="https://api.moonshot.cn/v1"  # 默认值
)

Aliyun Qwen

bridge = AIBridge(
    vendor="qwen",
    api_key="sk-...",
    model="qwen-plus",             # 或 qwen-turbo / qwen-max / qwen-vl-plus
    # base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"  # 默认值
)

OpenAI

bridge = AIBridge(
    vendor="openai",
    api_key="sk-...",
    model="gpt-4o",                # 或 gpt-4o-mini / gpt-3.5-turbo 等
    base_url="https://api.openai.com/v1",  # 支持自定义代理
)

---

❌ 错误处理

遵循透明桥接原则，API 调用失败时库会直接抛出厂商 SDK 的原始异常，而非通用的封装异常。这有助于根据具体错误码进行精确处理。

from aib import AIBridge

bridge = AIBridge(vendor="openai", api_key="sk-...")

try:
    response = bridge.chat("Hello")
except Exception as e:
    # e 是原始异常:
    #   OpenAI  → openai.APIError / openai.RateLimitError
    #   Gemini  → google.api_core.exceptions.GoogleAPICallError
    #   Qwen    → dashscope 原生异常
    #   Kimi    → openai.APIError (使用 OpenAI SDK)
    print(f"API 调用失败: {type(e).__name__}: {e}")

常见异常场景

---

🛠️ 开发维护说明

Qwen 模型白名单维护

Qwen 的 chat(prompt, files=...) 路由不再依赖过宽的模型名前缀推断，而是采用：

• 已验证模型白名单
• 保守命名规则补充
• 文件场景严格拒绝

这意味着：当 DashScope 后续新增 Qwen 模型时，需要人工确认它属于文本 chat、多模态 chat，还是根本不适用于当前 chat() 路由，然后同步更新 src/aib/vendors/qwen.py 和回归测试。

维护说明详见：

• Qwen-模型白名单维护说明.md

---

🗂️ 项目结构

aib_project/
├── pyproject.toml              # 项目配置与依赖
├── config.example.yaml         # 配置文件示例
├── README.md                   # 本文档
├── Qwen-模型白名单维护说明.md   # Qwen 新模型路由白名单维护说明
├── test_sdk.py                 # SDK 使用示例
└── src/aib/
    ├── __init__.py             # 包入口，导出 AIBridge / Response / VendorType
    ├── bridge.py               # AIBridge 门面类 (统一入口)
    ├── models.py               # 数据模型: Response / Usage / VendorType
    ├── config.py               # 配置加载 (YAML + 环境变量)
    ├── cli.py                  # CLI 命令行工具 (Typer)
    ├── vendors/                # 厂商适配器
    │   ├── base.py             # VendorAdapter 抽象基类
    │   ├── gemini.py           # Google Gemini 适配器
    │   ├── kimi.py             # Moonshot Kimi 适配器
    │   ├── openai.py           # OpenAI 适配器
    │   └── qwen.py             # Aliyun Qwen 适配器
    └── batch/                  # 批量处理
        ├── base.py             # BaseBatchManager 抽象基类
        ├── gemini.py           # Gemini Batch 管理器
        └── qwen.py             # Qwen Batch 管理器

---

📄 License

MIT License