📌 项目地址：andrewyng/aisuite | ⭐ 13,784 颗星 | 🔧 Python | 📜 MIT
一句话概括这个仓库
aisuite 是 Andrew Ng 团队开源的一个 Python 库，做两件事：
- 把 OpenAI、Anthropic、Google、Ollama 等十几个提供商的 Chat Completions API 统一成一个接口，换模型只改一个字符串。
- 在这个接口之上加了一层简单的 Agent 框架——你可以给模型传 Python 函数当工具，自动生成 JSON Schema，自动循环执行，最大轮数
max_turns控制。
仓库里还附带了一个桌面应用 OpenCoworker，就是基于 aisuite 做的，下载即用，你的 API Key 和数据都在本地。
项目在 GitHub 上 13784 个 star（截至我写文章时），说明被这个痛点折腾过的人确实很多。
统一接口：改一行代码换模型
如果你用过两个以上 LLM 提供商，就知道每个 SDK 的 import、认证、参数名都不一样。aisuite 的做法很直接：定义一个自己的 Client，然后 client.chat.completions.create(model="openai:gpt-4o", messages=...)。model 参数前半部分是 provider 名，后半是模型名。目前支持的 provider 列表：
- openai, anthropic, google, ollama, cohere, mistral, huggingface, aws（Bedrock）, openrouter 等等。
API Key 通过环境变量或传给 Client 的 config 参数设置，具体配置在仓库 examples 里有。
我试了一下，原来要写三套代码的对比实验，现在写一个循环改 model 字符串就行：
from aisuite import Client
client = Client()
for model in ["openai:gpt-4o", "anthropic:claude-3-5-sonnet", "google:gemini-pro"]:
response = client.chat.completions.create(model=model, messages=[{"role": "user", "content": "你好"}])
print(response.choices[0].message.content)实际测试中，每条回复确实来自不同模型，不用管各家的 SDK 版本差异。这层抽象很薄，只暴露了各家共有的 chat completion 功能，但我认为这正是它省力的原因——不试图包揽所有独有特性，降低维护成本。
工具调用：传函数，不写 JSON Schema
很多应用需要让模型调用外部函数（比如查天气、写文件）。原生的 OpenAI 调用要求你手写 JSON Schema：
{
"type": "function",
"function": {
"name": "get_temperature",
"parameters": { "type": "object", "properties": { "city": { "type": "string" } } }
}
}一旦参数多起来很容易写错。aisuite 允许你直接传一个 Python 函数，库自动用 introspection 生成 Schema。模型返回工具调用后，库自动执行函数，再把执行结果放回消息列表，继续给模型，直到 max_turns 用完或模型不再调用工具。这个过程你不需要写 while 循环。
README 里还提到它支持 MCP（Model Context Protocol）——如果你有现成的 MCP server（比如文件系统、数据库），连入即可，不需要额外胶水代码。
Agent API：轻量，但够用
官方 README 说它不是完整 Agent 框架，但提供了一套实用的 Agents API，包括一些内置的 Toolkits（files, git, shell）和工具策略（tool policies）。
实际用法很简单：创建 Client 时设置 max_turns=5，然后 client.chat.completions.create(messages, tools=...) 就会自动走完多轮。你只需要定义好工具函数，剩下的循环、消息追加、结果回传都由库处理。
对于“搜索资料→总结→生成报告”这类几步走的任务，这个抽象刚好。比 LangChain 轻太多，也不用学整个框架。
OpenCoworker：一个实际落地的桌面 Agent
README 里单独列了 OpenCoworker，它是一个基于 aisuite 构建的桌面应用，可以：
- 聊天、做深度研究、在你的电脑上执行任务（读文件、读取/发送 Slack/邮件等）。
- 生成 PDF 报告、文档、电子表格。
- 支持定时自动化，比如每天早上给你新闻摘要。
- 需要你自己带 API Key（OpenAI/Anthropic/Google 或者本地的 Ollama）。
- 数据都在你本地，不会上传。
目前提供了 macOS（Apple Silicon）和 Windows（x64）的下载链接，直接安装就能用。它不是 aisuite 库的一部分，而是这个仓库里附带的一个产品。我觉得这挺有意思——Andrew Ng 团队不仅提供了统一调用的库，还用这个库造了一个实际可以用的桌面工具，说明 aisuite 对日常任务已经够用。
谁适合用
- 做模型评测和对比：写一个脚本，循环改 model 字符串，拉各家的结果做对比，不需要维护 N 个 SDK 版本。
- 快速原型验证：不确定最后用哪家模型，先用 aisuite 写业务逻辑，后面改一行配置就换供应商。
- 需要一点 Agent 能力但不想上重框架：max_turns + 自动工具执行，对几步内的多步任务够用。
谁不适合用
- 重度依赖某家独有功能（比如 OpenAI 的 Structured Output、Assistants API 的向量存储、多模态图片理解）。aisuite 只覆盖了各家共有的 chat completion，独有特性你还是得回到原生 SDK。
- 毫秒级实时推理，多一层抽象会多几个毫秒的开销，但大部分 LLM 应用延迟本来就是秒级，这个开销可以忽略。
我的看法
Andrew Ng 团队这个项目设计得很克制。不搞大而全，只是把最麻烦的“切换厂商”这件事做好。13784 个 star 说明开发者普遍被这个问题困扰。它不是革命性的——没有新算法、新架构，但就是把你每天都要重复写的胶水代码省掉了。
我觉得它值得一试，尤其是在你有多个 Provider 账号、或者准备做模型迁移评估的时候。装一个 pip install aisuite 的代价，远小于事后重写所有调用代码的代价。而且 OpenCoworker 可以直接拿来试用，看看这个思路做出来的桌面 Agent 到底好不好用。