Ejecuta apps de FastGPT en una base URL personalizada compatible con OpenAI.

Respuesta rápida: un canal en la página Model Providers.

Desde la v4.8.23, FastGPT incluye su propia capa de agregación de modelos (AI Proxy) y una interfaz de configuración de modelos, así que un endpoint personalizado ya no requiere un despliegue separado de OneAPI ni ediciones manuales de config.json. Abre Account, luego Model Providers, cambia a la pestaña Model Channels, y haz clic en Add Channel. Configura el tipo de protocolo como OpenAI, nombra el canal, pon https://api.apisrouter.com/v1 en el campo de dirección de proxy (la base URL, no la ruta completa de la petición), pega tu clave, y selecciona o escribe los ids de modelo que el canal debe servir. De vuelta en la pestaña de modelos, activa los ids que añadiste y ejecuta la prueba de conectividad integrada. A partir de ahí, cada app, base de conocimiento y workflow de FastGPT puede seleccionar esos modelos. La documentación es bilingüe y las etiquetas cambian entre versiones (doc.fastgpt.io es la entrada en inglés), así que trata el flujo, canal, protocolo, base URL, clave, modelos, como la parte estable en lugar de la redacción exacta.

Channel Name:   APIsRouter
Protocol Type:  OpenAI
Proxy URL:      https://api.apisrouter.com/v1
API Key:        sk-YOUR-APISROUTER-KEY
Models:         claude-sonnet-4-6, deepseek-v4-flash,
                glm-5.2, qwen3.7-plus, kimi-k2.6

then: enable the models + run the connection test

Cómo enruta FastGPT el tráfico de modelos.

FastGPT (labring en GitHub, unas 29K estrellas) es una plataforma de base de conocimiento y workflows de origen chino: datasets con extracción de QA y búsqueda vectorial, orquestación visual Flow, y apps publicadas con compartición y acceso a API. Todo eso se resuelve a modelos registrados en la capa de configuración. Un canal es una regla de enrutamiento: estos ids de modelo, esta base URL, esta clave. Las peticiones salen de FastGPT como chat completions estándar con el id del modelo como string simple, por lo que un gateway multi-proveedor encaja como un solo canal. La capa de canal también lleva características operativas que de otro modo tendrías que construir tú mismo: un modelo puede vivir en varios canales para balanceo de carga, y el mapeo de modelo permite que FastGPT exponga un nombre mientras envía al proveedor un string de id distinto. Para los autoalojadores en versiones anteriores, el cableado directo todavía existe: el par de entorno clásico de FastGPT apunta la plataforma a cualquier base compatible con OpenAI, OPENAI_BASE_URL y CHAT_API_KEY en el entorno de docker-compose, con modelos declarados en config.json bajo llmModels. Funciona, pero la ruta de la interfaz es hacia donde se ha movido el proyecto, y los despliegues nuevos deberían empezar ahí.

El ángulo de Asia: un saldo para ambos mundos de modelos.

La base de usuarios de FastGPT es mayoritariamente de habla china, y su despliegue típico mezcla modelos regionales con occidentales: GLM o Qwen para bases de conocimiento en chino, DeepSeek para volumen, Claude o GPT donde el pulido de la respuesta es el producto. Servido directamente, esa mezcla significa cuentas en Zhipu, Alibaba, DeepSeek, Anthropic y OpenAI, cada una con su propia facturación, algunas difíciles de pagar desde un lado del mundo o el otro. A través de un solo canal, la mezcla es solo una lista de modelos: glm-5.2, qwen3.7-plus, kimi-k2.6, deepseek-v4-flash y claude-haiku-4-5-20251001 lado a lado, un saldo prepago, sin tarjeta requerida, ids directos del catálogo. Los equipos en Asia obtienen Claude y GPT sin una tarjeta occidental; los equipos occidentales obtienen los modelos chinos sin registros regionales. La misma base de conocimiento puede responder consultas en chino con GLM y consultas en inglés con Claude, enrutado por app. Si en su lugar ejecutas el cableado de entorno heredado, el mismo endpoint se conecta directamente; la convención de base URL incluye el sufijo /v1, y FastGPT añade rutas como /chat/completions a él.

# docker-compose environment, pre-AI-Proxy versions
OPENAI_BASE_URL=https://api.apisrouter.com/v1
CHAT_API_KEY=sk-YOUR-APISROUTER-KEY
# models declared in config.json under llmModels

Elegir modelos para bases de conocimiento y flows.

Como cada id activado factura a través de una clave, comparar modelos es un cambio de ajuste de nodo. Fija dos candidatos en dos copias de la misma app, corre una semana de preguntas reales, y lee el desglose por modelo en la consola de APIsRouter junto a tu propio juicio sobre la calidad de las respuestas.

• El QA de dataset y la generación de respuestas sobre fragmentos recuperados es trabajo de volumen: deepseek-v4-flash y glm-5.2 mantienen el coste por pregunta plano en corpus bilingües.
• qwen3.7-plus y kimi-k2.6 son las elecciones regionales que merece la pena probar cuando las respuestas deben leerse de forma nativa en chino; la calidad de generación varía más entre modelos chinos que la recuperación.
• claude-haiku-4-5-20251001 es el nivel occidental rápido para despliegues multilingües; sube a claude-sonnet-4-6 en las apps concretas donde la calidad de síntesis es el producto.
• Los nodos de workflow se disparan por ejecución, así que un flow de cinco nodos multiplica lo que sea que haya en cada nodo; pon ids rápidos en nodos de clasificación y enrutamiento, y gasta en el nodo de respuesta.
• Los modelos de índice y extracción se configuran por separado de los modelos de chat; confirma que el endpoint sirve cualquier id de embedding que vincules antes de reconstruir un índice alrededor de él.

Pago por uso · por debajo del precio oficial

Selected models are priced below official list prices. Exact input, output, cache, and per-request prices are shown for each model.

Modos de fallo específicos de FastGPT.

La convención de base URL confunde a quienes vienen de otras herramientas: FastGPT espera la base con sufijo /v1 en el campo de proxy y añade /chat/completions por sí mismo, mientras que su formulario de modelo personalizado (una característica distinta, para modelos puntuales que evitan los canales) quiere la URL de petición completa incluyendo /v1/chat/completions. Sabe en qué campo estás antes de pegar. Un modelo que existe en el canal pero no es seleccionable en las apps significa que se añadió al canal pero no se activó en el lado de modelos de la configuración; las dos listas son separadas, y la prueba de conectividad solo prueba el canal. Los tutoriales antiguos son el mayor riesgo. Años de guías de FastGPT asumen un sidecar de OneAPI y ediciones de config.json; en versiones actuales la interfaz de Model Providers reemplaza a ambos, y mezclar los dos enfoques (cableado de entorno más canales) hace que las peticiones se enruten a algún sitio que no estás mirando. Elige una capa y configúrala por completo. Los errores de modelo no encontrado son el problema habitual de texto libre: el id en el canal debe coincidir exactamente con la ortografía de /v1/models del gateway, sufijos de versión incluidos. Copia, no escribas.

Quién enruta FastGPT a través de un gateway.

• Equipos bilingües que mezclan GLM, Qwen, Kimi y DeepSeek con ids de Claude y GPT en un despliegue, un saldo, un log de uso.
• Equipos en Asia que quieren modelos occidentales de vanguardia sobre un saldo prepago sin tarjeta occidental, y equipos occidentales que quieren modelos chinos sin facturación regional.
• Autoalojadores que reemplazan un sidecar de OneAPI: el gateway sirve la parte multi-proveedor, los canales integrados de FastGPT sirven la parte de enrutamiento.
• Agencias que ejecutan bases de conocimiento de clientes en FastGPT, midiendo cada cliente con su propia clave para que el gasto de modelo se reporte por proyecto.
• Creadores que comparan modelos de respuesta en corpus fijos, donde cada candidato es una entrada de canal en lugar de una cuenta de proveedor.

Verifica el endpoint y depura la primera pregunta.

Haz curl al listado de modelos primero y copia ids desde la salida al canal; luego ejecuta una chat completion contra el id que planeas hacer por defecto. Si ambos pasan, la mitad del gateway queda probada. Dentro de FastGPT, usa la prueba de conectividad del canal, y luego haz una pregunta en una app mínima antes de involucrar datasets. Los errores de autenticación apuntan a la clave del canal; no encontrado a la ortografía del id; errores de conexión a la URL de proxy o al egreso del contenedor, ya que es el servidor de FastGPT el que debe alcanzar el endpoint. Si una app de dataset falla donde una app de chat simple funciona, el problema está en los propios enlaces de modelo del dataset, no en el canal. Una vez que las preguntas fluyen, la consola de APIsRouter muestra el modelo por petición, el recuento de tokens y el gasto. El tráfico de base de conocimiento son muchas peticiones pequeñas y pesadas en entrada, y la vista de uso por clave es donde aparece el perfil de coste real de un despliegue, por modelo, por día, ids chinos y occidentales en una sola página.

curl -s https://api.apisrouter.com/v1/models \
  -H "Authorization: Bearer $APISROUTER_API_KEY" | head -50

curl -s https://api.apisrouter.com/v1/chat/completions \
  -H "Authorization: Bearer $APISROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"glm-5.2",
       "messages":[{"role":"user","content":"ping"}]}'

Preguntas frecuentes