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

【Claude Code解惑】深度评测：Claude Code vs. GitHub Copilot CLI，谁才是终端之王？

【Claude Code解惑】深度评测：Claude Code vs. GitHub Copilot CLI，谁才是终端之王？

深度评测：Claude Code vs. GitHub Copilot CLI，谁才是终端之王？ 目录 1. 引言与背景 2. 原理解释（深入浅出） 3. 10分钟快速上手（可复现） 4. 代码实现与工程要点 5. 应用场景与案例 6. 实验设计与结果分析 7. 性能分析与技术对比 8. 消融研究与可解释性 9. 可靠性、安全与合规 10. 工程化与生产部署 11. 常见问题与解决方案（FAQ） 12. 创新性与差异性 13. 局限性与开放挑战 14. 未来工作与路线图 15. 扩展阅读与资源 16. 图示与交互 17. 术语表与速查表 18. 互动与社区 0.
AIGC 新势力：探秘海螺 AI 与蓝耘 MaaS 平台的协同创新之旅

AIGC 新势力：探秘海螺 AI 与蓝耘 MaaS 平台的协同创新之旅

探秘海螺AI：多模态架构下的认知智能新引擎 在人工智能持续进阶的进程中，海螺AI作为一款前沿的多功能AI工具，正凭借其独特的多模态架构崭露头角。它由上海稀宇科技有限公司（MiniMax）精心打造，依托自研的万亿参数MoE大语言模型ABAB6.5以及MiniMax语音大模型，展现出非凡的技术实力与应用潜力。MiniMax的核心团队源自商汤科技等业内知名企业，在多模态大模型研发领域深耕细作，为海螺AI的诞生奠定了坚实基础。 在这里插入图片描述 一、核心模型架构剖析 （一）基础模型：abab - 6.5 海螺AI的基础模型abab - 6.5采用了创新的混合专家系统设计，借助动态路由机制，即Sparse Gating Network，可依据输入内容智能激活8 - 12个子专家模型。这些子专家模型涵盖代码专家、多语言专家、逻辑推理专家等，各司其职，协同作业。在参数规模上，abab - 6.5总参数量高达1.2万亿，同时通过巧妙的设计，将活跃参数量控制在2000亿/query，有效平衡了模型的高容量与低推理成本。在训练优化环节，

Jetson 上 OpenClaw + Ollama + llama.cpp 的联动配置模板部署大模型

Jetson 上我建议的联动方式是：OpenClaw -> Ollama（主模型，原生 API）+ llama.cpp（备用/低资源模型，OpenAI 兼容 API）+ Ollama embeddings（memorySearch）。 这样做的原因是，OpenClaw 官方把 Ollama + openclaw onboard 作为最低冲突的本地方案；同时它也支持把 vLLM / LiteLLM / 自定义 OpenAI-compatible 本地代理 作为额外 provider 接进来。Ollama 这边，OpenClaw 明确推荐走原生 http://host:11434，不要给它配 /v1，否则工具调用会变差；而 llama.cpp 的 llama-server
OpenREALM：无人机实时映射框架的技术深度解析

OpenREALM：无人机实时映射框架的技术深度解析

在无人机应用日益广泛的当下，精准、高效的实时映射技术成为推动行业发展的关键。传统无人机映射方案往往存在数据处理滞后、对复杂地形适应性差等问题，难以满足精准农业、应急救援等场景的实时决策需求。OpenREALM 作为一款开源的无人机实时映射框架，创新性地融合了视觉 SLAM、单目稠密重建等前沿技术，实现了从 2D 图像拼接至 3D 表面重建的多模式映射功能。 原文链接：https://arxiv.org/pdf/2009.10492 代码链接：https://github.com/laxnpander/OpenREALM 沐小含持续分享前沿算法论文，欢迎关注... 一、引言：无人机映射技术的现状与挑战 1.1 应用背景与核心需求 人类对世界的勘测需求推动了映射技术的持续发展，而无人机的兴起为空中勘测提供了全新的解决方案。空中影像已广泛应用于精准农业、城市规划、灾害风险管理等关键领域，这些应用场景不仅对数据分辨率有较高要求，更在可用性、成本和映射效率方面提出了严苛标准。传统的有人机勘测存在操作复杂、成本高昂等局限，而无人机凭借轻量化设计、自主飞行能力强等优势，