zh

ChatHub是一个是一个流行的大语言模型聚合插件，特点是可以同时和多个模型聊天，方便对比回答。ChatHub 在全球拥有数十万活跃用户。

方便之处在于多模型对比功能：

你可以重复上面的步骤在 ChatHub 添加其他模型，然后你就可以使用 ChatHub 的 All-in-One 功能同时和多个模型聊天（最多可以同时和 6 个模型对话）。

但实际使用下来，免费用户仅能使用两个模型同时对话，故，进行简单的替代：

功能：

把你输入的问题发给硅基流动上的一串模型，并把每个模型的回答分别写进对应的 txt 文件里

预先准备：

1、准备硅基流动api：https://cloud.siliconflow.cn/i/ccbITHS9

2、设置环境变量：在终端输入：

3、修改代码中的MODEL列表

Linux / macOS（bash/zsh）
export SILICONFLOW_API_KEY="你的硅基流动API密钥"

Windows PowerShell：
setx SILICONFLOW_API_KEY "你的硅基流动API密钥"

import os
import re
import requests
from typing import List

# 硅基流动 Chat Completions 的接口地址
# 官方文档参考：https://docs.siliconflow.cn （chat.completions）:contentReference[oaicite:0]{index=0}
API_URL = "https://api.siliconflow.cn/v1/chat/completions"

# 从环境变量中读取 API Key，避免把密钥写死在代码里
API_KEY = os.getenv("SILICONFLOW_API_KEY")

if not API_KEY:
    raise RuntimeError(
        "请先在环境变量中设置 SILICONFLOW_API_KEY，例如：\n"
        "  Linux / macOS: export SILICONFLOW_API_KEY='你的API密钥'\n"
        "  Windows PowerShell: setx SILICONFLOW_API_KEY \"你的API密钥\""
    )

HEADERS = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json",
}

# 你要求的所有模型列表
MODELS: List[str] = [
    "deepseek-ai/DeepSeek-R1",
    "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B",
    "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B",
    "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",
    "ascend-tribe/pangu-pro-moe",
    "baidu/ERNIE-4.5-300B-A47B",
    "MiniMaxAl/MiniMax-M2",
    "moonshotai/Kimi-K2-Instruct-0905",
    "Qwen/Qwen2.5-72B-Instruct",
    "Qwen/Qwen3-0mni-30B-A3B-Instruct",
    "Qwen/Qwen3-235B-A22B-Thinking-2507",
    "Qwen/Qwen3-32B",
    "Qwen/Qwen3-8B",
    "Qwen/QwQ-32B",
    "tencent/Hunyuan-MT-7B",
    "THUDM/GLM-Z1-Rumination-32B-0414",
    "zai-org/GLM-4.5",
]


def sanitize_model_name(model: str) -> str:
    """将模型名称转换为安全的文件名."""
    # 只保留字母、数字、点、横线、下划线，其余的都替换为下划线
    return re.sub(r"[^a-zA-Z0-9_.-]", "_", model)


def build_payload(model: str, question: str) -> dict:
    """根据模型构建请求体，可以对推理模型单独调参."""
    # 判断是否是“推理模型”（DeepSeek-R1 / Thinking / Rumination / QwQ 等）:contentReference[oaicite:1]{index=1}
    is_reasoning_model_keywords = ["DeepSeek-R1", "Thinking", "Rumination", "QwQ"]
    is_reasoning_model = any(k in model for k in is_reasoning_model_keywords)

    payload = {
        "model": model,
        "messages": [
            {"role": "user", "content": question},
        ],
        "max_tokens": 2048,
        "temperature": 0.6 if is_reasoning_model else 0.7,
        "top_p": 0.95,
        # 如果你想玩更多参数，可以在这里继续加
    }

    # 某些推理模型/平台支持通过 extra_body 控制是否返回 reasoning_content，
    # 在硅基流动上如果文档提到支持，可以打开下面注释：
    # payload["extra_body"] = {"return_reasoning": True}

    return payload


def call_model(model: str, question: str) -> str:
    """调用单个模型并返回要写入文件的文本内容."""
    payload = build_payload(model, question)

    resp = requests.post(API_URL, headers=HEADERS, json=payload, timeout=600)
    try:
        resp.raise_for_status()
    except requests.HTTPError as e:
        return f"调用模型 {model} 出错：{e}\n响应内容：{resp.text}"

    data = resp.json()

    try:
        message = data["choices"][0]["message"]
    except (KeyError, IndexError, TypeError) as e:
        return f"解析返回结果失败：{e}\n原始响应：{data}"

    # chat.completions 返回结构示例参考官方文档和示例:contentReference[oaicite:2]{index=2}
    content = message.get("content", "") or ""
    # 推理模型特有字段：reasoning_content（思维链）:contentReference[oaicite:3]{index=3}
    reasoning = message.get("reasoning_content")

    # 如果有思维链，就一起写到文件里
    if reasoning:
        return (
            "=== reasoning_content（思维链） ===\n"
            + reasoning
            + "\n\n=== content（最终回答） ===\n"
            + content
        )
    else:
        return content


def ask_all_models(question: str, output_dir: str = "outputs") -> None:
    """把问题发给所有模型，并将结果分别写入对应 txt 文件."""
    os.makedirs(output_dir, exist_ok=True)

    for model in MODELS:
        print(f"正在调用模型：{model}")
        result_text = call_model(model, question)

        filename = sanitize_model_name(model) + ".txt"
        file_path = os.path.join(output_dir, filename)

        with open(file_path, "w", encoding="utf-8") as f:
            f.write(result_text)

        print(f"  -> 已保存到 {file_path}")


if __name__ == "__main__":
    user_question = input("请输入你的问题：\n> ").strip()
    if not user_question:
        print("问题不能为空。")
    else:
        ask_all_models(user_question)
        print("全部模型调用完成。")

运行结果：