大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



blade-code 系列第 3 篇。本文基于 Blade 源码（2026年2月）探讨多模型 AI 系统的架构设计。

构建 AI 应用时，第一个问题往往是："用哪个模型？"

• OpenAI GPT-4.5？强大但贵
• Claude Opus 4？代码能力强但有速率限制
• DeepSeek V3？便宜但稳定
• 智谱 GLM-4.7？需配置

我的答案是：全都要。

blade-code 从第一天就设计为多模型架构，基于 Vercel AI SDK 构建统一接口，支持 80+ 主流模型无缝切换。

多模型架构能解决这些问题：

成本优化 — 简单任务用便宜模型，复杂任务用强大模型：

// 简单任务 const summary = await model.generate('总结这段文字', { model: 'deepseek-chat' // $0.28/M input }); // 复杂任务 const architecture = await model.generate('设计系统架构', { model: 'claude-opus-4' // $15/M input }); 

高可用 — 主模型挂了自动切换：

const response = await model.generate(prompt, { model: 'gpt-4.5', fallback: ['claude-sonnet-4', 'deepseek-chat'] }); 

架构概览

graph TB subgraph "Blade ModelManager" MM[ModelManager] MM --> |管理| P1[OpenAI Provider] MM --> |管理| P2[Anthropic Provider] MM --> |管理| P3[Google/Gemini Provider] MM --> |管理| P4[DeepSeek Provider] MM --> |管理| P5[Azure Provider] end subgraph "Vercel AI SDK" AI[AI SDK Core] AI --> |抽象| CP[createOpenAICompatible] AI --> |抽象| CA[createAnthropic] AI --> |抽象| CD[createDeepSeek] AI --> |抽象| CG[createGoogleGenerativeAI] end subgraph "统一接口" PI[IChatService Interface] PI --> |chat| GEN[生成响应] PI --> |streamChat| STR[流式响应] end P1 -.-> |实现| PI P2 -.-> |实现| PI P3 -.-> |实现| PI P4 -.-> |实现| PI 

IChatService 统一接口

所有模型提供商都实现统一的 IChatService 接口：

// packages/agent-sdk/src/services/ChatServiceInterface.ts export interface IChatService export interface ChatResponse { content: string; reasoningContent?: string; // Thinking 模型的推理过程 toolCalls?: ChatCompletionMessageToolCall[]; usage?: UsageInfo; } export interface UsageInfo { promptTokens: number; completionTokens: number; totalTokens: number; reasoningTokens?: number; cacheCreationInputTokens?: number; // Anthropic: 缓存创建 cacheReadInputTokens?: number; // Anthropic: 缓存读取 } 

Provider 工厂

基于 Vercel AI SDK 的 Provider 工厂：

// packages/agent-sdk/src/services/VercelAIChatService.ts private createModel(config: ChatConfig): LanguageModel { const { provider, apiKey, baseUrl, model } = config; switch (provider) { case 'anthropic': return createAnthropic({ apiKey, baseURL: baseUrl })(model); case 'gemini': return createGoogleGenerativeAI({ apiKey, baseURL: baseUrl })(model); case 'deepseek': return createDeepSeek({ apiKey, baseURL: baseUrl })(model); default: // OpenAI 兼容接口（覆盖 100+ 模型） return createOpenAICompatible({ name: 'custom', apiKey, baseURL: baseUrl })(model); } } 

ModelManager

// packages/agent-sdk/src/agent/ModelManager.ts export class ModelManager { private chatService!: IChatService; private currentModelId?: string; async initialize(modelId?: string): Promise<IChatService> { const modelConfig = this.resolveModelConfig(modelId); await this.applyModelConfig(modelConfig); return this.chatService; } async switchModelIfNeeded(modelId: string): Promise<boolean> } 

运行时切换

# 启动时指定模型 blade --model=claude-opus-4 "优化代码" # 运行时切换 > /model claude-sonnet-4 ✅ 已切换到 claude-sonnet-4 # 仅当前轮使用指定模型 > /model once deepseek-chat 总结这段代码 

Token 追踪

Blade 实时追踪每次请求的 Token 使用：

// packages/agent-sdk/src/services/ChatServiceInterface.ts export interface UsageInfo { promptTokens: number; completionTokens: number; totalTokens: number; reasoningTokens?: number; cacheCreationInputTokens?: number; cacheReadInputTokens?: number; } 

模型成本对比

Prompt Caching

Anthropic/DeepSeek 支持 prompt caching，缓存命中时成本降低 90%：

1. 抽象优于具体 — Vercel AI SDK 隔离具体实现
2. 组合优于继承 — 通过组合不同 Provider 实现多模型支持
3. 配置优于硬编码 — 模型选择、降级策略都可配置
4. 监控优于盲目 — 实时追踪 Token 使用和成本

• Blade 源码
• Vercel AI SDK
• Models.dev API

---

本文由 青雲 (echoVic) 撰写，基于 blade-code 的实践经验。 如有问题或建议，欢迎在 GitHub Issues 讨论。