企业官网建设流程全解析

OpenAI API 接入时，模型名和请求入口最好都放在配置层。这样同一套业务代码可以切换通用模型和编码模型，排查问题时也能快速确认究竟是模型能力、请求参数还是 endpoint 不匹配。

把模型和入口放进配置

通用问答、写作和分析可以使用 GPT 主线模型；仓库级代码修改和编码密集任务可以评估gpt-5.1-codex。模型对应的 endpoint 可能不同，不能只改模型名后直接复用所有请求方式。

import os from openai import OpenAI client = OpenAI( api_key=os.environ["API_KEY"], base_url="https://api.highwayapi.ai/openai", ) model = os.getenv("OPENAI_MODEL", "gpt-5.1") response = client.chat.completions.create( model=model, messages=[ {"role": "user", "content": "把这段需求整理成三条验收标准"} ], ) print(response.choices[0].message.content)

如果使用 jiekou.vip 等兼容入口，只需按照平台文档替换base_url、密钥和可用模型名。密钥应通过环境变量或密钥管理系统注入，不要直接写入代码。

先确认 endpoint

普通 GPT 模型常见的调用方式是 Chat Completions；Codex 等编码模型可能要求 Responses 接口。把模型名、endpoint 和 SDK 方法做成明确的配置，能避免收到 404 或参数不支持错误后才发现入口不对。

from openai import OpenAI client = OpenAI(api_key=os.environ["API_KEY"]) config = { "general": {"model": "gpt-5.1", "endpoint": "chat"}, "coding": {"model": "gpt-5.1-codex", "endpoint": "responses"}, } def selected_model(kind: str): return config["coding" if kind == "coding" else "general"]

具体字段和 SDK 调用方式应以当前接口文档为准，不要假设不同模型永远共享同一组参数。

用同一组任务做验证

模型对比要固定输入和验收标准，至少覆盖真实代码修复、长文档分析、结构化工具调用和批量分类。重点记录成功率、失败类型、响应延迟、输入输出 token 和重试次数。

import os model = os.getenv("OPENAI_MODEL", "gpt-5.1") print(f"evaluating {model}")

如果是高并发的抽取和分类任务，可以单独评估轻量模型；如果是仓库级修改，除了代码能否生成，还应检查补丁是否通过现有测试。

给请求层加有限重试

鉴权失败、参数错误和模型不存在不应反复重试；限流或临时网络故障才适合有限次数退避。重试次数必须有上限，最终错误要保留原始异常，便于定位。

import time def retry_call(call, attempts=3): for attempt in range(attempts): try: return call() except Exception: if attempt == attempts - 1: raise time.sleep(2 ** attempt)

生产环境应将Exception换成 SDK 提供的具体异常类型，并根据状态码区分可重试和不可重试情况。

小结

把模型 ID 和 endpoint 一起配置，先用固定任务集验证，再决定通用模型与编码模型的路由。切换模型后要重新检查请求参数、上下文限制和速率限制；模型目录与接口要求变化时，以当前平台文档为准。