背景

WorkBuddy的积分机制是按模型调用量来算的。你要是跑得比较勤，这个消耗确实肉疼。于是很多人在琢磨：有没有什么办法，能绕过积分体系，直接用自己手上的API Key来跑任务？

答案是肯定的：用AI网关就能搞定。比如这次要聊的ZenMux，挂上自己的Key，就彻底脱离了WorkBuddy的积分约束。

这篇文章就一步步演示一下，怎么在WorkBuddy里接入ZenMux——一个能让你用一套API Key调200多个模型的AI网关。

ZenMux是个什么东西？

简单说，ZenMux是一个企业级的AI API网关，核心看家本领有这么几条：

• 统一接口：支持OpenAI、Anthropic、Google Gemini四种协议。你只要熟悉其中一个SDK，就能调所有模型。
• 200+模型：OpenAI、Claude、Gemini、DeepSeek、Doubao、GLM……基本你能想到的，它都聚合了。
• 协议无关：你可以用OpenAI的SDK去调Claude，或者用Anthropic的SDK去调Gemini——想怎么混就怎么混。
• 完全兼容OpenAI格式：现有的代码基本不需要动。

第一步：拿ZenMux API Key

1. 访问 zenmux.ai/login，支持邮箱、GitHub、Google三种登录方式。
2. 登录后进到PAYG API页面。
3. 点「创建新的API Key」，复制保存——注意，这个Key只展示这一次。

套餐选型小建议：个人开发可以先走Builder Plan（$20/月），生产环境还是推荐Pay As You Go，按量计费更灵活。

第二步：选协议

ZenMux支持四种协议，各自的Base URL不一样：

协议	Base URL	适合场景
OpenAI Chat Completions	https://zenmux.ai/api/v1	最通用，推荐
OpenAI Responses	https://zenmux.ai/api/v1	OpenAI新API
Anthropic Messages	https://zenmux.ai/api/anthropic	原生Claude调用
Google Gemini	https://zenmux.ai/api/vertex-ai	原生Gemini调用

这次以OpenAI协议为例——兼容性最好，也最省事。

第三步：写Python代码接入

安装依赖

pip install openai python-dotenv

配置.env

ZENMUX_API_KEY=sk-ai-v1-你的Key
ZENMUX_BASE_URL=https://zenmux.ai/api/v1
ZENMUX_DEFAULT_MODEL=openai/gpt-4o-mini

封装客户端（zenmux_client.py）

import os
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()

def get_client() -> OpenAI:
    return OpenAI(
        base_url=os.getenv("ZENMUX_BASE_URL", "https://zenmux.ai/api/v1"),
        api_key=os.getenv("ZENMUX_API_KEY"),
    )

def chat(prompt: str, model: str = None) -> str:
    """非流式对话"""
    client = get_client()
    model = model or os.getenv("ZENMUX_DEFAULT_MODEL", "openai/gpt-4o-mini")
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
    )
    return resp.choices[0].message.content or ""

def stream_chat(prompt: str, model: str = None):
    """流式对话，逐token返回"""
    client = get_client()
    model = model or os.getenv("ZENMUX_DEFAULT_MODEL", "openai/gpt-4o-mini")
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        stream=True,
    )
    for chunk in response:
        if not chunk.choices:
            continue
        delta = chunk.choices[0].delta.content
        if delta:
            yield delta

调用示例

from zenmux_client import chat, stream_chat

# 非流式
print(chat("你好，介绍一下自己"))
print(chat("讲个笑话", model="anthropic/claude-3.5-sonnet"))

# 流式
for token in stream_chat("用一句话介绍 ZenMux"):
    print(token, end="", flush=True)

踩坑记录

实际操作中遇到几个问题，顺手记下来。

坑1：流式调用报 list index out of range

原因：某些模型在流式末尾会返回一个空的choices帧（用于返回usage统计），直接访问chunk.choices[0]自然就崩了。

解决：遍历chunk时先判断if not chunk.choices: continue，跳过就好。

坑2：模型名称的格式问题

ZenMux的模型名统一用provider/model-name格式，比如：

• openai/gpt-4o-mini
• anthropic/claude-sonnet-5
• google/gemini-3.1-pro-preview
• bytedance/doubao-seed-2.1-pro
• z-ai/glm-5.2

完整模型列表可以到 https://zenmux.ai/models 查看。

坑3：.env文件不要提交

API Key这东西是敏感信息，记得在.gitignore里加上：

.env
.env.local

效果验证

接入后实际跑了一下，结果比较干净：

共141个模型可用
非流式对话：正常返回
流式对话：正常返回（已修复空帧bug）

总结

方案	消耗	适合场景
纯用WorkBuddy	积分	快速原型、轻量任务
ZenMux + 自有Key	ZenMux额度	高频调用、成本控制
两者结合	灵活	日常用WorkBuddy，重度任务切ZenMux

最佳实践：把ZenMux接入当作WorkBuddy积分的补充方案。高频任务走自己的Key，想省钱就省钱，想灵活就灵活。

---

相关链接

• ZenMux官网：https://zenmux.ai
• ZenMux模型列表：https://zenmux.ai/models
• WorkBuddy积分说明：https://www.codebuddy.cn/docs/workbuddy/Credits