Faites tourner vos apps FastGPT sur une base URL personnalisée compatible OpenAI.

Réponse rapide : un canal sur la page Model Providers.

Depuis la v4.8.23, FastGPT embarque sa propre couche d'agrégation de modèles (AI Proxy) et une interface de configuration de modèles, donc un endpoint personnalisé ne requiert plus un déploiement OneAPI séparé ni un config.json édité à la main. Ouvrez Account, puis Model Providers, basculez sur l'onglet Model Channels, et cliquez sur Add Channel. Réglez le protocol type sur OpenAI, nommez le canal, mettez https://api.apisrouter.com/v1 dans le champ d'adresse proxy (la base URL, pas le chemin de requête complet), collez votre clé, et sélectionnez ou saisissez les ids de modèles que le canal doit servir. De retour sur l'onglet models, activez les ids que vous avez ajoutés et lancez le test de connectivité intégré. À partir de là, chaque app FastGPT, base de connaissances et nœud de workflow peut sélectionner ces modèles. La documentation est bilingue et les libellés bougent entre les versions (doc.fastgpt.io est l'entrée en anglais), donc traitez le flux, canal, protocole, base URL, clé, modèles, comme la partie stable plutôt que le libellé exact.

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

Comment FastGPT achemine le trafic de modèles.

FastGPT (labring sur GitHub, environ 29 000 étoiles) est une plateforme d'origine chinoise de bases de connaissances et de workflows : des datasets avec extraction QA et recherche vectorielle, une orchestration Flow visuelle, et des apps publiées avec partage et accès API. Tout cela se résout vers des modèles enregistrés dans la couche de configuration. Un canal est une règle de routage : ces ids de modèles, cette base URL, cette clé. Les requêtes quittent FastGPT comme des chat completions standard avec l'id de modèle comme simple chaîne, ce qui explique pourquoi une passerelle multi-fournisseurs s'insère comme un canal unique. La couche de canaux porte aussi des fonctionnalités opérationnelles que vous devriez sinon construire vous-même : un modèle peut vivre dans plusieurs canaux pour l'équilibrage de charge, et le model mapping laisse FastGPT exposer un nom tout en envoyant au fournisseur une chaîne d'id différente. Pour les auto-hébergeurs sur des versions plus anciennes, le câblage direct existe encore : la paire d'environnement classique de FastGPT pointe la plateforme vers n'importe quelle base compatible OpenAI, OPENAI_BASE_URL et CHAT_API_KEY dans l'environnement docker-compose, avec les modèles déclarés dans config.json sous llmModels. Ça fonctionne, mais c'est vers la voie interface que le projet s'est déplacé, et les nouveaux déploiements devraient commencer là.

L'angle Asie : un seul solde pour les deux mondes de modèles.

La base d'utilisateurs de FastGPT est largement sinophone, et son déploiement typique mélange modèles régionaux et occidentaux : GLM ou Qwen pour les bases de connaissances chinoises, DeepSeek pour le volume, Claude ou GPT là où le poli de la réponse est le produit. Servi directement, ce mélange signifie des comptes chez Zhipu, Alibaba, DeepSeek, Anthropic et OpenAI, chacun avec sa propre facturation, certains difficiles à payer depuis un côté du monde ou l'autre. Via un seul canal, le mélange devient une liste de modèles : glm-5.2, qwen3.7-plus, kimi-k2.6, deepseek-v4-flash et claude-haiku-4-5-20251001 côte à côte, un seul solde prépayé, aucune exigence de carte, des ids tout droit sortis du catalogue. Les équipes en Asie obtiennent Claude et GPT sans carte occidentale ; les équipes occidentales obtiennent les modèles chinois sans inscriptions régionales. La même base de connaissances peut répondre aux requêtes chinoises sur GLM et aux requêtes anglaises sur Claude, routées par app. Si vous faites tourner le câblage d'environnement historique à la place, le même endpoint s'insère directement ; la convention de base URL inclut le suffixe /v1, et FastGPT y ajoute des chemins de route comme /chat/completions.

# 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

Choisir des modèles pour les bases de connaissances et les flows.

Comme chaque id activé facture via une seule clé, comparer des modèles revient à changer un réglage de nœud. Fixez deux candidats dans deux copies de la même app, faites tourner une semaine de vraies questions, et lisez la répartition par modèle dans la console APIsRouter à côté de votre propre lecture de la qualité des réponses.

• Le QA sur dataset et la génération de réponse sur des fragments récupérés sont un travail de volume : deepseek-v4-flash et glm-5.2 gardent le coût par question stable sur des corpus bilingues.
• qwen3.7-plus et kimi-k2.6 sont les choix régionaux à tester quand les réponses doivent se lire nativement en chinois ; la qualité de génération varie davantage entre modèles chinois que la récupération.
• claude-haiku-4-5-20251001 est le palier occidental rapide pour les déploiements multilingues ; montez en gamme vers claude-sonnet-4-6 dans les apps spécifiques où la qualité de synthèse est le produit.
• Les nœuds de workflow se déclenchent par exécution, donc un flow à cinq nœuds multiplie l'id présent dans chacun ; mettez des ids rapides dans les nœuds de classification et de routage, et dépensez sur le nœud de réponse.
• Les modèles d'index et d'extraction sont configurés séparément des chat models ; confirmez que l'endpoint sert l'id d'embedding que vous liez avant de reconstruire un index autour de lui.

Paiement à l'usage · en dessous du tarif officiel

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

Modes d'échec spécifiques à FastGPT.

La convention de base URL piège les gens qui arrivent d'autres outils : FastGPT attend la base suffixée en /v1 dans le champ proxy et ajoute lui-même /chat/completions, tandis que son formulaire de modèle personnalisé (une fonctionnalité différente, pour des modèles ponctuels qui contournent les canaux) veut l'URL de requête complète incluant /v1/chat/completions. Sachez dans quel champ vous êtes avant de coller. Un modèle qui existe dans le canal mais n'est pas sélectionnable dans les apps signifie qu'il a été ajouté au canal mais pas activé côté models de la configuration ; les deux listes sont séparées, et le test de connectivité ne prouve que le canal. Les anciens tutoriels sont le plus grand danger. Des années de guides FastGPT supposent un sidecar OneAPI et des éditions de config.json ; sur les versions actuelles, l'interface Model Providers remplace les deux, et mélanger les deux approches (câblage d'environnement plus canaux) fait router les requêtes vers un endroit que vous ne regardez pas. Choisissez une seule couche et configurez-la entièrement. Les erreurs model-not-found sont le problème habituel de texte libre : l'id dans le canal doit correspondre exactement à l'orthographe /v1/models de la passerelle, suffixes de version inclus. Copiez, ne tapez pas.

Qui route FastGPT via une passerelle.

• Les équipes bilingues qui mélangent GLM, Qwen, Kimi et DeepSeek avec des ids Claude et GPT dans un seul déploiement, un seul solde, un seul journal d'usage.
• Les équipes en Asie qui veulent des modèles frontier occidentaux sur un solde prépayé sans carte occidentale, et les équipes occidentales qui veulent des modèles chinois sans facturation régionale.
• Les auto-hébergeurs qui remplacent un sidecar OneAPI : la passerelle sert la partie multi-fournisseurs, les canaux intégrés de FastGPT servent la partie routage.
• Les agences qui font tourner des bases de connaissances clients sur FastGPT, mesurant chaque client avec sa propre clé pour que la dépense modèle se rapporte d'elle-même par projet.
• Les créateurs qui comparent des modèles de réponse sur des corpus fixes, où chaque candidat est une entrée de canal plutôt qu'un compte fournisseur.

Vérifiez l'endpoint et déboguez la première question.

Faites d'abord un curl sur le listing de modèles et copiez les ids depuis la sortie dans le canal ; lancez ensuite une completion de chat contre l'id que vous comptez rendre par défaut. Si les deux passent, la moitié passerelle est prouvée. Dans FastGPT, utilisez le test de connectivité du canal, puis posez une question dans une app minimale avant d'impliquer des datasets. Les erreurs d'authentification renvoient à la clé du canal ; not-found à l'orthographe de l'id ; les erreurs de connexion à l'URL proxy ou à l'egress du conteneur, puisque c'est le serveur FastGPT qui doit atteindre l'endpoint. Si une app dataset échoue là où une simple app de chat fonctionne, le problème est dans les liaisons de modèle propres au dataset, pas dans le canal. Une fois les questions en circulation, la console APIsRouter affiche le modèle par requête, le nombre de tokens et la dépense. Le trafic de base de connaissances, ce sont de nombreuses petites requêtes lourdes en entrée, et la vue d'usage par clé est l'endroit où le vrai profil de coût d'un déploiement apparaît, par modèle, par jour, ids chinois et occidentaux sur une seule page.

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"}]}'

Questions fréquentes