分享整合多模型的三个工具：CPA、AxonHub和Manifest

背景

在当前的 AI 应用生态中，用户往往需要面对多个模型供应商（如 OpenAI、Anthropic 等）以及不同的 API 接口标准。为了降低调用成本、提高稳定性并简化管理流程，聚合类工具应运而生。然而，市面上的聚合方案众多，且功能侧重各异。

本文作者基于在 LINUX DO 社区的经验，分享了一套经过实战验证的模型聚合与调度工作流。作者曾尝试过 cpa、sub2api、newapi、gpt-load、manifest、axonhub 等多种工具，最终筛选出 cpa、axonhub 和 manifest 三者组合，构建了一个高效、灵活且稳定的模型调用体系。该分享旨在为其他开发者或高级用户提供一套可参考的架构方案，而非商业推广。

核心内容

作者详细阐述了其选定的三个核心工具在项目中的具体角色、功能优势及协同工作方式：

1. CPA：非常规供应商的适配层 CPA 在作者的工作流中主要承担“边缘适配”的角色。它的核心价值在于能够聚合 Codex 以及一些非标准的 OpenAI 兼容供应商。例如，某些供应商（如 kilo.ai）的 API URL 不包含标准的 v1 路径，导致大多数标准聚合器无法直接调用，而 CPA 是目前作者发现的唯一能成功调用此类非标准接口的工具。不过，作者也指出，CPA 近期的更新体验有所下降，不再像以前那样易用。

2. AxonHub：核心聚合与管理中枢 AxonHub 是作者目前的主力聚合工具，其核心优势在于强大的模型关联规则和系统提示词管理功能：

• 模型归一化：通过正则表达式或其他规则，AxonHub 可以将不同供应商提供的同名或变体模型（如 gpt-5.1、gpt5.1、gpt-5-1 等）统一映射到一个标准模型名称下。这使得上层应用无需关心底层供应商的具体实现细节。
• 灵活的提示词注入：支持针对特定模型或特定 API 密钥（Key）添加特定的系统提示词（System Prompt）。这种细粒度的控制能力极大地提升了模型调用的灵活性。
• 集成 CPA：作者将 CPA 作为供应商源接入 AxonHub，从而在统一的管理界面中同时使用标准和非标准的模型资源。

3. Manifest：智能路由与流量调度器 Manifest 定位为“智能分流的模型路由器”。它对外暴露一个统一的 auto 模型接口，内部则通过配置实现复杂的调度逻辑：

• 默认路由模式：提供四种预设模式——简单（Simple）、标准（Standard）、复杂（Complex）和推理（Reasoning）。用户可以根据任务类型选择对应的模式。
• 自定义模式：除了默认模式，用户还可以创建自定义的路由规则。
• 动态调度：当外部调用 auto 模型时，Manifest 会根据对话内容的复杂度、类型等特征，自动将请求分发给 AxonHub 中聚合的合适模型。

工作流协同架构 作者的实际使用架构如下：

• 底层：CPA 负责接入非标准供应商，AxonHub 负责聚合所有供应商（包括 CPA 接入的）并进行模型归一化和管理。
• 中层：Manifest 作为入口，通过 auto 模型接收请求。
• 上层：Manifest 根据预设规则，将请求智能路由至 AxonHub 中的具体模型。 这种分层架构实现了“统一入口、智能调度、底层灵活聚合”的效果，作者表示目前使用体验非常顺畅。

关键要点

• 工具选型逻辑：没有单一的“万能”聚合工具，作者通过组合不同特性的工具（CPA 的兼容性、AxonHub 的管理能力、Manifest 的智能路由）来弥补单一工具的短板。
• 非标准 API 的处理：对于 URL 结构不符合 OpenAI 标准（如无 v1 路径）的供应商，CPA 是目前有效的解决方案之一。
• 模型归一化的重要性：通过 AxonHub 的正则规则将不同供应商的同名变体模型统一，可以显著降低上层应用的维护成本。
• 细粒度提示词管理：AxonHub 支持针对特定 Key 或模型注入系统提示词，这对于需要特定角色设定或安全约束的场景非常有用。
• 智能路由的价值：Manifest 的 auto 模式允许用户根据任务复杂度（简单/标准/复杂/推理）自动选择模型，无需手动切换，提升了交互的自然度和效率。
• 去商业化立场：作者强调所有推荐项目均来自 GitHub，无利益关联，仅基于个人使用体验分享。

意义与影响

这一分享为 AI 应用开发者提供了一条务实的技术路径，即通过“组合拳”而非“单一依赖”来构建健壮的模型调用层。

1. 降低技术门槛：对于不熟悉底层 API 差异的开发者，AxonHub 的模型归一化功能屏蔽了供应商间的细微差别，使得切换供应商或增加新供应商变得简单。
2. 提升资源利用率：通过 Manifest 的智能路由，用户可以将简单任务分配给低成本模型，将复杂推理任务分配给高性能模型，从而在性能和成本之间取得平衡。
3. 应对碎片化生态：在 API 标准尚未完全统一的背景下，CPA 的存在证明了适配层工具的价值，鼓励开发者关注那些能解决“最后一公里”兼容问题的工具。
4. 社区知识共享：此类基于真实使用场景的深度分享，有助于社区成员避免重复造轮子，加速最佳实践的传播。

需要注意的是，随着 AI 基础设施的标准化进程加快，部分工具（如 CPA 处理非标准 URL 的能力）可能会逐渐被更通用的解决方案取代。因此，保持对技术演进的敏感度，并定期评估工具链的有效性，是维持工作流高效的关键。