GPT-Load

2025-07-27AI专业工具 / AI基础服务120 次浏览

综合介绍

GPT-Load是一个为企业和开发者设计的高性能AI接口代理服务。它使用Go语言开发，专门用来统一管理和调用多种AI大模型服务的接口，比如OpenAI的GPT系列、谷歌的Gemini以及Anthropic的Claude。这个工具的核心功能是作为“中间人”，开发者可以将所有对不同AI服务的请求都发送给它，它再根据设置好的规则，使用密钥池中的密钥去请求真正的AI服务。它支持智能的密钥管理，可以自动轮换、处理失效的密钥，还能将请求分发给多个服务器，实现负载均衡，确保服务稳定可靠。此外，它还提供了一个基于Vue 3的网页管理后台，让用户可以直观地查看请求日志、管理密钥和调整系统设置。

功能列表

透明代理：完全兼容OpenAI、Google Gemini和Anthropic Claude等多种AI服务的原生API格式，迁移应用时几乎不需改动代码。
智能密钥管理：支持将API密钥分组管理，可以设置多个密钥并自动轮流使用。当某个密钥失效时，系统会自动将其拉黑并换用其他可用密钥。
负载均衡：支持配置多个上游API服务端点，并按权重分配请求流量，提高服务的整体可用性。
动态配置：系统的大部分设置和密钥分组配置支持热重载，修改后无需重启服务即可生效。
企业级架构：支持分布式的主从节点部署模式，可以通过增加节点来水平扩展服务能力，保证高可用性。
Web管理界面：提供一个基于Vue 3开发的现代化Web管理后台，用户可以方便地查看实时统计、管理密钥、查询请求日志。
全面监控：内置实时的数据统计、服务健康检查和详细的请求日志记录功能。
高性能设计：后端采用Go语言开发，通过流式传输、连接池复用等技术优化性能，专为高并发的生产环境设计。

使用帮助

GPT-Load的设计目标是简化多AI服务接口的管理和调用流程。通过将所有API请求指向GPT-Load代理，开发者可以实现统一的密钥管理、负载均衡和故障切换。以下是详细的使用流程。

安装部署

推荐使用Docker Compose进行安装，这种方式最简单，也便于管理。

环境要求:

Docker

安装步骤:

创建并进入项目目录打开终端，输入以下命令来创建一个名为gpt-load的文件夹并进入该目录。
```
mkdir -p gpt-load && cd gpt-load
```

下载配置文件使用wget命令下载docker-compose.yml和.env配置文件。

wget https://raw.githubusercontent.com/tbphp/gpt-load/refs/heads/main/docker-compose.yml
wget -O .env https://raw.githubusercontent.com/tbphp/gpt-load/refs/heads/main/.env.example
```    `.env`文件包含了服务的默认配置，比如端口和初始管理员密钥。

启动服务执行以下命令，Docker Compose会自动拉取镜像并以后台模式启动服务。
```
docker compose up -d
```
默认配置下，服务会使用SQLite作为数据库，适合轻量级单机部署。如果需要连接MySQL或PostgreSQL，可以修改docker-compose.yml文件，将相应服务的注释取消，并在.env文件中配置好数据库连接信息后重新启动。
验证安装部署完成后，可以通过以下地址访问服务：
- Web管理界面: http://localhost:3001
- API代理地址: http://localhost:3001/proxy
打开浏览器访问Web管理界面，使用.env文件中AUTH_KEY配置的默认密钥sk-123456登录。

功能操作流程

登录Web管理界面后，核心操作是创建分组、添加密钥和调用代理接口。

第一步：创建分组

分组用于管理不同AI服务或不同业务场景的API密钥。

在左侧导航栏点击“密钥管理”。
点击“新增分组”按钮。
填写分组信息：
- 分组名称：一个易于识别的英文名，比如openai或gemini-marketing。这个名称将用在API的URL中。
- 上游端点：填写真实的AI服务API地址，多个地址用逗号隔开。例如，OpenAI的地址是https://api.openai.com。
- 备注：可选，用于描述分组用途。
点击“保存”，完成分组创建。

第二步：添加API密钥

为刚刚创建的分组添加真实的AI服务API密钥。

在“密钥管理”页面，找到目标分组，点击“管理”按钮。
点击“新增密钥”按钮。
将你的AI服务商提供的API Key粘贴到输入框中，支持批量添加（每行一个）。
点击“保存”。GPT-Load会将这些密钥保存在一个密钥池中，用于轮询调用。

第三步：配置代理密钥

为了安全，我们不直接使用原始密钥调用代理，而是设置一个新的“代理密钥”来访问GPT-Load。

在左侧导航栏点击“系统设置”。
找到“全局代理密钥”(proxy_keys)字段。
输入一个或多个自定义的密钥，例如my-secret-proxy-key-1，多个密钥用逗号分隔。
点击页面底部的“保存”按钮。这个密钥就是之后应用代码中用来调用GPT-Load代理的密钥。
你也可以在每个分组的配置中单独设置分组级别的代理密钥，其优先级高于全局代理密钥。

第四步：调用代理接口

现在，你可以在你的应用程序代码中，将原始的API请求地址和密钥替换为GPT-Load的代理地址和代理密钥。

以OpenAI Python SDK为例：

原始调用方式：

from openai import OpenAI
client = OpenAI(
api_key="sk-your-openai-key", # 你的OpenAI Key
)

使用GPT-Load代理的调用方式：假设你创建的分组名为openai，配置的代理密钥为my-secret-proxy-key-1。

from openai import OpenAI
client = OpenAI(
api_key="my-secret-proxy-key-1",  # 使用你在GPT-Load中设置的代理密钥
base_url="http://localhost:3001/proxy/openai" # 指向GPT-Load的代理地址，路径末尾加上分组名
)
# 后续代码保持不变
response = client.chat.completions.create(
model="gpt-4.1-mini",
messages=[{"role": "user", "content": "Hello"}]
)
print(response.choices[0].message.content)

通过以上步骤，你的应用请求就会先经过GPT-Load，由它负责从密钥池中选择一个有效的密钥去请求OpenAI，然后将结果返回给你的应用。你可以在Web界面的“请求日志”中看到详细的调用记录。

应用场景

多模型服务统一管理对于需要同时使用OpenAI、Gemini和Claude等多种大模型服务的应用，开发者无需在代码中管理多个SDK和密钥。只需将所有请求指向GPT-Load，即可通过不同的分组路径调用相应的模型，简化了应用的配置和代码复杂度。
API密钥的安全与成本控制企业可以将大量的API密钥存放在GPT-Load的密钥池中，并设置代理密钥给开发团队使用。这样可以避免原始密钥在代码中暴露，同时通过轮询和负载均衡，将请求分散到多个密钥上，避免单个密钥因超出速率限制或额度耗尽而导致服务中断。
提高服务可用性当某个API密钥或某个上游服务端点出现故障时，GPT-Load的智能故障处理机制会自动将该密钥或端点加入黑名单，并将后续请求无缝切换到其他可用的密钥或端点上，从而保证了服务的连续性和稳定性。
开发与生产环境隔离可以为开发、测试和生产环境部署不同的GPT-Load实例或设置不同的分组。例如，开发环境可以使用免费额度的密钥进行测试，而生产环境则使用付费的高额度密钥，切换环境时只需修改应用配置中的代理地址和密钥即可。

QA

GPT-Load和AI模型本身有关系吗？比如OpenAI的GPT？没有直接关系。GPT-Load是一个API代理和管理工具，它不提供任何AI计算能力。它名字中的“GPT”只是项目命名的一部分，其核心功能是管理和转发对OpenAI GPT、Google Gemini等各种AI服务的API请求。
如果我添加的某个API密钥失效了，会发生什么？GPT-Load在转发请求时，如果发现某个密钥连续多次请求失败（失败次数可配置），会暂时将该密钥放入“黑名单”，并在后续请求中自动跳过它，选用其他可用密钥。系统还会定期检查黑名单中的密钥是否恢复正常。
使用GPT-Load会影响API的响应速度吗？GPT-Load本身是使用高性能的Go语言开发的，并且采用了流式传输和连接池等优化手段，引入的延迟非常低。在绝大多数情况下，这点额外的网络开销对整体响应时间的影响可以忽略不计，但它带来的密钥管理和高可用性优势远超这点开销。
它支持哪些AI服务商？它采用透明代理模式，理论上可以支持任何提供与OpenAI、Google Gemini或Anthropic Claude API格式兼容的服务。这意味着除了官方服务，一些第三方的兼容API服务也可以通过GPT-Load进行代理。