低成本运行 Claude Code：通过 LiteLLM 接入 GitHub Copilot Chat API 的完整指南

优质文章学习记录

— 9 min read
低成本运行 Claude Code：通过 LiteLLM 接入 GitHub Copilot Chat API 的完整指南

阅读原文

一、背景与动机

Claude Code 是 Anthropic 推出的编程 Agent 工具，很多人会用它做 “vibe coding”：一边写代码一边提问，在对话中重构、重组、查 bug，体验非常接近“和聪明同事结对编程”。

但在实际使用中，它有两个比较现实的问题：

  1. 成本高：频繁的对话请求，会很快消耗你的 Anthropic API 配额；
  2. 网络不稳：在一些网络环境下，直接请求 Anthropic API 可能经常超时或失败。

与此同时，很多开发者已经在使用 GitHub Copilot。GitHub 在 Copilot 背后接入了包括 Claude 在内的多种大模型（具体组合会随时间调整），而你已经为这部分算力付过费了。

于是，一个很自然的问题出现了：

能不能让 Claude Code 直接“吃” GitHub Copilot 的额度？

答案是肯定的。

本文会介绍如何使用 LiteLLM 作为本地中间层，让 Claude Code 对着本地代理讲话，再由本地代理去请求 GitHub Copilot Chat API（下文简称 Copilot API）。

1.1 使用前的合规提示

在继续之前，需要特别说明：

⚠️ 注意：通过中间层将 Claude Code 接入 Copilot API 的方式，并非 GitHub 官方公开文档中主推或保证支持的使用场景。
实际操作前，请自行阅读并评估 GitHub Copilot 的最新服务条款、使用限制与风控策略，确认自己的使用方式是合规且可接受风险的。

如果你清楚了解这一点，并愿意自行承担相应风险，可以继续往下。

二、整体架构

Claude Code 支持通过环境变量配置自定义的 BASE_URL。我们正是利用这一点，将它“接入” LiteLLM，再由 LiteLLM 去调用 Copilot API。

整体流程可以概括为：

  1. 客户端：Claude Code
    • 使用 claude CLI 客户端（本文中的 claude 命令，即 Claude Code 的命令行工具）；
    • 配置为向本地 http://localhost:4000 发送请求。
  2. 中间件：LiteLLM 代理
    • 在本地启动一个 LiteLLM 代理服务；
    • 接收来自 Claude Code（Anthropic 风格）的请求；
    • 将请求参数转换为 Copilot API 支持的格式；
    • 添加必要的请求头，将自己伪装成编辑器插件客户端；
    • 将 Copilot API 的返回结果再转回给 Claude Code。
  3. 后端：GitHub Copilot Chat API（Copilot API）
    • 接收 LiteLLM 转换后的请求；
    • 返回模型输出，由 LiteLLM 原样转发给 Claude Code。

通过这种方式，你保留了完整的 Claude Code 交互体验，但实际计算由 GitHub Copilot 提供，从而：

  • 利用现有 Copilot 订阅额度，减少额外 API 支出；
  • 通过本地代理和 Copilot 的网络优势，提高请求稳定性。

三、准备工作

在开始动手之前，你需要：

  • 一个有效的 GitHub Copilot 订阅；
  • 一台可以本地运行以下工具的电脑：
    • uv（推荐）或者 pip；
    • claude（Claude Code CLI 工具）。

假设你已经可以在终端中直接运行：

claude --help

并看到正常的帮助信息。

四、第一步：创建 LiteLLM 配置文件

LiteLLM 是整个方案的核心入口。通过它的配置文件，我们将：

  • 定义一个逻辑模型名（Claude Code 将使用这个名字来“选模”）；
  • 告诉 LiteLLM，真实的后端模型是 Copilot 提供的哪一个；
  • 配置必要参数和请求头，让 Copilot API 正常响应。

在任意目录下创建一个 config.yaml，内容示例：

model_list:-model_name: claude-opus-4.5litellm_params:# 使用 GitHub Copilot 作为实际提供方model: github_copilot/claude-opus-4.5# 丢弃 Claude Code 发出的非标准参数，避免后端报错drop_params:true# 添加伪装为编辑器客户端的 Headers，确保 Copilot 正常响应extra_headers:Editor-Version:"vscode/1.106.3"Editor-Plugin-Version:"copilot/1.388.0"Copilot-Integration-Id:"vscode-chat"User-Agent:"GithubCopilot/1.388.0"

这里有三个关键点：

  1. model_name
    • 这是暴露给 Claude Code 的“逻辑模型名”；
    • 稍后配置 ANTHROPIC_MODEL 时，需要与这里完全一致。
  2. model
    • 这是 LiteLLM 内部用来识别 Copilot 后端的标识；
    • 示例中使用的是 github_copilot/claude-opus-4.5，你可以根据 LiteLLM 文档和 Copilot 实际支持的模型进行调整。
  3. drop_params: true
    • 很关键；
    • Claude Code 常常会在 Anthropic 协议上附加一些扩展字段，而 Copilot API 未必认识这些字段；
    • 开启 drop_params 后，LiteLLM 会剥掉非标准参数，避免因为字段不兼容导致 Copilot 返回 4xx 错误。
如果你希望在 Claude Code 中切换多个不同模型，可以在 model_list 里再添加多个条目，每个条目的 model_name 不同即可。

五、第二步：安装并启动 LiteLLM 代理

推荐用 uv 安装 LiteLLM。uv 提供了隔离环境和更快的安装体验。如果不熟悉，也可以直接用 pip。

5.1 安装 LiteLLM（含代理功能）

# 使用 uv 安装带 proxy 功能的 LiteLLM uv tool install"litellm[proxy]"# 如果你更习惯 pip，也可以：# pip install "litellm[proxy]"

安装完成后，litellm 会作为一个可执行命令出现在你的 PATH 中，可以直接在终端里使用。

5.2 启动 LiteLLM 代理

在包含 config.yaml 的目录下运行：

litellm --config config.yaml --port4000

这是你的 窗口 A，建议保持这个终端一直打开，用来观察日志。

5.3 首次使用 Copilot API 时的设备授权

LiteLLM 第一次调用 Copilot API 时，会引导你走一遍 GitHub 的设备授权流程：

  1. 终端里会打印一个 URL（通常类似 https://github.com/login/device）和一个 8 位设备码；
  2. 打开浏览器，访问这个 URL；
  3. 粘贴设备码，确认授权给相应应用；
  4. 授权成功后，回到终端，LiteLLM 会自动继续刚才的请求。

LiteLLM 会将获得的 token 缓存在本地（通常在你的配置目录下），后续重启代理不需要重复授权，除非 token 失效或手动清除。

六、第三步：配置 Claude Code 使用 LiteLLM

接下来要做两件事：

  1. 让 Claude Code 以为自己仍在访问 Anthropic API；
  2. 实际上把请求转发到本地的 LiteLLM 代理。

可以通过 环境变量（临时）或 Claude Code 配置文件（持久化）来完成。

6.1 环境变量（适合快速测试）

在启动 claude 之前，在 窗口 B 终端中执行：

exportANTHROPIC_AUTH_TOKEN="sk-any-string"# 客户端需要一个非空值，LiteLLM 会忽略它exportANTHROPIC_BASE_URL="http://localhost:4000"exportANTHROPIC_MODEL="claude-opus-4.5"# 必须与 config.yaml 中的 model_name 完全一致exportCLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC=1# 减少遥测和非必要流量

说明：

  • ANTHROPIC_AUTH_TOKEN
    • 对 LiteLLM 无意义，不会被传给 Copilot API；
    • 只是为了满足 Claude Code 客户端自身的基本校验。
  • ANTHROPIC_BASE_URL
    • 将默认的 Anthropic 接口改为本地的 LiteLLM 代理；
    • 端口号需要和你实际启动 LiteLLM 时一致（这里为 4000）。
  • ANTHROPIC_MODEL
    • 字符串必须与 config.yaml 中的 model_name 一模一样；
    • 否则 LiteLLM 会报“模型不存在”或类似错误。
  • CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC
    • 把一些非必要请求（如遥测）关掉，减少噪音流量。

6.2 配置文件（适合长期使用）

如果你希望以后每次运行 claude 时都自动应用这些设置，可以创建或编辑：

~/.claude/settings.json

内容示例：

{"env":{"ANTHROPIC_AUTH_TOKEN":"sk-any-string","ANTHROPIC_BASE_URL":"http://localhost:4000","ANTHROPIC_MODEL":"claude-opus-4.5","CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC":"1"}}

保存后，claude 在启动时会自动加载这些环境变量。

如果你原本就有自己的 settings.json（例如配置了其他集成），记得把上面的字段合并到原有 JSON 中，而不是完全覆盖文件。

七、第四步：启动并验证 Claude Code

现在你应该有两个终端窗口：

窗口 B：运行 Claude Code（CLI）

claude

窗口 A：运行 LiteLLM 代理

litellm --config config.yaml --port4000

如果一切配置无误：

  • claude 应该能正常启动；
  • 你可以随便发一句话，例如：“帮我写一个 Python 脚本，打印 1 到 10 的平方。”；
  • 此时，看一眼 窗口 A 中 LiteLLM 的日志：
    • 应该能看到来自客户端的请求；
    • 日志中能看到类似 github_copilot/claude-opus-4.5 的调用记录。

如果看到这些，说明整个链路已经打通：

Claude Code → LiteLLM（本地代理） → Copilot API → LiteLLM → Claude Code

7.1 常见问题排查（可快速自检）

如果没有成功，可以按下面几个方向排查：

  1. Claude Code 提示找不到模型 / 报 404 类似错误
    • 检查 ANTHROPIC_MODEL 与 config.yaml 中 model_name 是否完全一致（包括大小写和中划线）。
  2. LiteLLM 看不到任何请求
    • 检查 ANTHROPIC_BASE_URL 是否确实指向 http://localhost:4000；
    • 确认 LiteLLM 代理是在同一台机器上运行，且未被防火墙拦截。
  3. LiteLLM 日志中出现 GitHub 相关的 401 / 403
    • 说明 Copilot 授权失败或 token 失效；
    • 重启 LiteLLM，让它重新走一遍设备授权流程；
    • 检查你的 GitHub 账户 Copilot 订阅是否仍然有效。

结语

通过在本地引入 LiteLLM 作为中间层，我们实现了：

  • 用 GitHub Copilot 作为 Claude Code 的“后端算力”
    在你已经订阅 Copilot 的前提下，减少额外购买 Anthropic API 的支出。
  • 通过本地代理提升网络稳定性
    请求只需要稳定访问 GitHub，而不必直接访问 Anthropic 的海外节点，在某些网络环境下会更友好。
  • 保留原汁原味的 Claude Code 使用体验
    对你而言，依然是在终端里运行 claude、打开 familiar 的对话界面，只是背后的算力来源发生了变化。

需要再次强调的是：

这种玩法属于“高级折腾”，并不是 GitHub 官方文档鼓励或保证长期可用的路径。
在正式使用前，请务必自己阅读 Copilot 最新的服务条款和使用规范，并自行评估合规性与风险。

对于那些：

  • 已经是 Claude Code 重度用户；
  • 同时有 有效的 GitHub Copilot 订阅；
  • 又希望在成本和网络稳定性之间找到平衡点的开发者——

这个方案非常值得折腾和体验一番。

如果你愿意继续深入，还可以在 LiteLLM 上挂接更多模型（如 OpenAI、原生 Anthropic API 等），再通过 Claude Code 的模型选择实现更灵活的编程工作流，这是另一个可以展开写一篇的主题了。

Read more

Windows系统部署龙虾AI（OpenClaw）保姆级教程：新手也能轻松“养龙虾”

随着龙虾AI（OpenClaw）的爆火，“养龙虾”成为很多人提升效率的新选择——这款开源AI智能体能自主执行办公、数据处理等任务，成为24小时在线的“数字助手”。对于Windows系统用户（Win10/11）而言，部署龙虾AI无需复杂代码，无需专业技术，遵循本教程，无论是新手还是普通办公族，都能快速完成部署，解锁高效办公新方式。本文将全程拆解部署步骤，同步规避常见坑点，确保每一步都可直接实操，让你轻松上手“养龙虾”。 一、部署前必看：前置准备（3分钟搞定，规避90%失败率） 部署龙虾AI前，需先完成系统、硬件、工具的基础准备，无需额外安装无关软件，按要求核对即可，避免后续出现安装失败、服务无法启动等问题。 （一）硬件与系统要求 龙虾AI对硬件要求不高，普通办公电脑即可满足，核心配置如下，可自行核对： * 系统版本：Windows 10/11（64位，家庭版、

【保姆级教程】告别命令行！ClawX：可视化AI智能体，小白也能轻松玩出花！

【保姆级教程】告别命令行！ClawX：可视化AI智能体，小白也能轻松玩出花！ 黑底白字、敲命令、改配置… 是不是每次想让AI乖乖干活，都得先在终端里跟那些"代码黑魔法"死磕？ 现在不用了！今天给大家安利一款「零门槛AI神器」——ClawX，让你把OpenClaw的强大能力装进可视化界面，从此和枯燥的命令行说拜拜！ 🚀 为什么你需要ClawX？（痛点暴击！） 想象一下： * 同事A：“你会用OpenClaw写个定时抓取新闻的Agent吗？” * 你（内心OS）：“先安装Node.js，配置npm镜像源，再写个Cron表达式…啊，我的发际线！” ClawX直接把「AI智能体」变成了手机App： ✅ 零配置小白友好：下载安装→填API Key→开聊，全程不用碰黑窗口 ✅ 聊天式操作：像微信聊天一样输入prompt，AI直接给你出结果 ✅ 可视化自动化：拖拽设置定时任务，7x24小时当你的"数字打工人&

用 OpenClaw 搭建企业微信 AI Agent：从零到自动化客服只需 30 分钟

本教程将指导您使用 OpenClaw 搭建一个企业微信 AI 客服，实现 7×24 小时自动回复。以阿里云为例，其他云服务商（如腾讯云）的流程也基本一致。 🎯 整体流程概览 1. 准备账号：注册企业微信，并获取阿里云百炼大模型 API Key。 2. 部署 OpenClaw：在云服务器上部署 OpenClaw 并接入大模型。 3. 配置企业微信：创建应用或机器人，获取 CorpID、AgentID、Secret 等凭证。 4. 打通连接：将企业微信的回调地址指向 OpenClaw 服务。 5. 测试优化：在微信中测试对话，并通过优化知识库提升准确率。 🛠️ 一、准备工作 (约 5 分钟) 1. 企业微信
OpenClaw 自定义 Skill 开发实战：从零搭建 AI 自动化办公工具

OpenClaw 自定义 Skill 开发实战：从零搭建 AI 自动化办公工具

OpenClaw 作为开源 AI 智能体的代表，其核心竞争力在于「可扩展性」——通过自定义 Skill（技能），开发者可以让 OpenClaw 适配自身需求，实现从“通用工具”到“专属数字员工”的转变。无论是批量处理 Excel 数据、自动生成工作报告，还是跨平台同步文件，都能通过自定义 Skill 实现。 本文将从实战角度出发，手把手教大家开发一款「Excel 数据批量处理 Skill」，涵盖 OpenClaw Skill 的核心开发流程、代码编写、调试部署全步骤，所有代码均可直接复制运行，适合 AI 开发者、办公自动化爱好者快速上手。 前置要求：掌握 Python 基础（面向对象编程）、了解 OpenClaw 基本架构（网关、