人工智能大模型AI Agent代码智能体【免费下载链接】mini-swe-agentThe 100 line AI agent that solves GitHub issues or helps you in your command line. Radically simple, no huge configs, no giant monorepo—but scores 74% on SWE-bench verified!项目地址https://gitcode.com/gh_mirrors/mi/mini-swe-agent点击查看免费下载本指南以mini-swe-agent一个仅约百行核心代码、可在 SWE-bench Verified 上取得高分并用于命令行辅助编程的 AI Agent为背景系统讲解其模型接入与配置的全部要点如何设置 API Key、如何选择默认模型、如何通过 agent 配置文件的model段落精调 temperature、reasoning effort 等参数以及litellm、litellm_response、openrouter、portkey等多种模型后端类的适用场景。读完本指南你将能够独立完成从零配置到按需切换任意模型后端的完整实战部署。快速上手一条命令完成模型与 API Key 配置绝大多数场景下你不需要手工编辑任何配置文件。mini-swe-agent提供了一条交互式配置命令推荐在首次运行mini之前执行mini-extra config setup该命令会引导你完成两步操作设置默认模型输入类似anthropic/claude-opus-4-6-20260205这样的完整模型名务必带上 provider 前缀详见下文“选择模型”一节设置 API Key输入密钥名称如ANTHROPIC_API_KEY和密钥值如sk-...。如果不想在首次运行时手动操作这条命令也会在你第一次执行mini时自动触发——mini会检测环境变量MSWEA_CONFIGURED若未设置则自动进入配置流程。从源码看该命令的实际行为由 src/minisweagent/run/utilities/config.py 中的setup()函数实现它通过dotenv的set_key把MSWEA_MODEL_NAME、MSWEA_CONFIGURED及你指定的 API Key 写入全局配置.env文件随后调用_reload_config()重新加载环境变量使其立即生效。提示配置完成、需要修改时随时可以重新运行mini-extra config setup或使用下文介绍的config set/config edit命令。设置 API Key 的四种方式mini-swe-agent通过环境变量读取模型提供方的密钥。以 Anthropic 为例以下是四种等效的配置途径按推荐程度排列方式命令 / 操作说明交互式配置推荐mini-extra config setup首次运行mini时也会自动触发写入全局配置文件写入全局配置mini-extra config set ANTHROPIC_API_KEY your-api-key持久化保存到.env文件等效于直接编辑该文件环境变量临时export ANTHROPIC_API_KEYyour-api-key仅对当前 shell 会话有效要持久化需写入~/.bashrc或~/.zshrc直接编辑文件mini-extra config edit用系统编辑器$EDITOR默认nano打开全局配置文件手动修改其中mini-extra config set KEY VALUE、mini-extra config unset KEY与mini-extra config edit三个子命令均由 src/minisweagent/run/utilities/config.py 实现分别调用dotenv的set_key、unset_key以及系统的文本编辑器操作完成后都会自动重载配置。如果你同时并行运行多个 agent 实例需要注意 Anthropic 等提供方对密钥有调用速率限制。针对这种场景可以参考 全局配置指南 中关于轮换 Anthropic 密钥的说明来安排多个密钥。完整的 API Key 名称清单mini-swe-agent底层通过litellm对接绝大多数模型提供方因此litellm支持的密钥名称均可直接使用。以下为当前支持的完整清单ALEPH_ALPHA_API_KEY ALEPHALPHA_API_KEY ANTHROPIC_API_KEY ANYSCALE_API_KEY AZURE_AI_API_KEY AZURE_API_KEY AZURE_OPENAI_API_KEY BASETEN_API_KEY CEREBRAS_API_KEY CLARIFAI_API_KEY CLOUDFLARE_API_KEY CO_API_KEY CODESTRAL_API_KEY COHERE_API_KEY DATABRICKS_API_KEY DEEPINFRA_API_KEY DEEPSEEK_API_KEY FEATHERLESS_AI_API_KEY FIREWORKS_AI_API_KEY FIREWORKS_API_KEY FIREWORKSAI_API_KEY GEMINI_API_KEY GROQ_API_KEY HUGGINGFACE_API_KEY INFINITY_API_KEY MARITALK_API_KEY MISTRAL_API_KEY NEBIUS_API_KEY NLP_CLOUD_API_KEY NOVITA_API_KEY NVIDIA_NIM_API_KEY OLLAMA_API_KEY OPENAI_API_KEY OPENAI_LIKE_API_KEY OPENROUTER_API_KEY OR_API_KEY PALM_API_KEY PERPLEXITYAI_API_KEY PREDIBASE_API_KEY PROVIDER_API_KEY REPLICATE_API_KEY TOGETHERAI_API_KEY VOLCENGINE_API_KEY VOYAGE_API_KEY WATSONX_API_KEY WX_API_KEY XAI_API_KEY XINFERENCE_API_KEY此外如果使用 Portkey 后端则额外需要PORTKEY_API_KEY环境变量Portkey 模型的密钥配置见 Portkey 模型参考文档。选择默认模型mini-swe-agent支持litellm支持的绝大多数模型官方文档建议在模型名中始终包含 provider 前缀例如anthropic/claude-...这样litellm才能正确路由到对应的提供方 API。设置默认模型有四种途径优先级从高到低为命令行参数所有 CLI 接口均支持-m或--model指定本次运行的模型名mini-extra config setup交互式配置会写入MSWEA_MODEL_NAME全局配置通过mini-extra config set MSWEA_MODEL_NAME model-name、编辑全局配置文件快捷键mini-extra config edit或设置MSWEA_MODEL_NAME环境变量agent 配置文件在 YAML 配置文件的model段落下设置model_name键详见下一节。这一优先级顺序可以在源码中得到印证在 src/minisweagent/models/init.py 的get_model_name()函数中模型名依次取自命令行传入参数、配置字典中的model_name、环境变量MSWEA_MODEL_NAME三者皆无时才抛出ValueError并提示运行mini-extra config setup。流行的模型示例以下是一些常见且经过验证的模型名写法注意litellm的最新模型清单会持续更新以litellm仓库维护的model_prices_and_context_window.json为准anthropic/claude-opus-4-6-20260205 openai/gpt-5.4 openai/gpt-5.4-mini gemini/gemini-2.5-pro deepseek/deepseek-chat更多litellm支持的模型名可以参考仓库内的 docs/data/all_models.txt该项目维护的一份模型名快照。对照litellm官方 provider 文档即可找到每个模型对应的 API Key 名称——上一节的清单就是答案。如果你想使用本地部署的模型如 vLLM、Ollama 等请阅读专门的 本地模型指南其中详细说明了custom_llm_provider、api_base以及本地模型 token 成本配置。精细调参agent 配置文件中的 model 段落mini-swe-agent的运行配置基于 YAML 文件默认配置文件为 src/minisweagent/config/mini.yaml其中已包含一个带drop_params: true的model_kwargs示例。要设置 temperature、reasoning effort 等模型专属参数需要编辑 agent 配置文件中的model段落。在新版本中运行mini时输出里会打印配置文件的位置标注为 agent config。配置文件的完整说明参见 YAML 配置指南全局环境变量类配置参见 全局配置指南。下面给出几类最常见场景的完整配置示例。设置 Temperaturelitellm允许通过model_kwargs键传递模型专属参数这些参数会被直接透传给底层litellm.completion()调用。例如model: model_name: anthropic/claude-sonnet-4-5-20250929 model_kwargs: temperature: 0.0注意并非所有模型都支持 temperature 参数。对于不支持的模型可配合drop_params: true让litellm自动丢弃不受支持的参数。GPT-5 推理强度Chat Completions API对于通过 Chat Completions API 调用的 GPT-5 系列模型可配置reasoning_effort与verbositymodel: model_name: openai/gpt-5-mini model_kwargs: drop_params: true reasoning_effort: high verbosity: medium这里drop_params: true的作用是丢弃该模型不支持的参数避免因多余参数导致 API 报错。GPT-5 使用 Responses API对于支持 OpenAI Responses API 的模型可以显式指定litellm_response_toolcall模型类并将推理参数放在reasoning键下model: model_class: litellm_response_toolcall model_name: openai/gpt-5-mini model_kwargs: drop_params: true reasoning: effort: high固定 OpenRouter 提供方通过openrouter模型类接入 OpenRouter 时可以显式锁定提供方provider避免 OpenRouter 在不同提供方之间自动切换。这适合需要成本行为高度一致的基准测试场景如果只是追求低延迟和好价格则不建议锁定model: model_name: moonshotai/kimi-k2-0905 model_class: openrouter model_kwargs: temperature: 0.0 provider: allow_fallbacks: false only: [Moonshot AI]本地模型本地模型同样通过model_kwargs传递custom_llm_provider与api_basemodel: model_name: my-local-model model_kwargs: custom_llm_provider: openai api_base: https://... ...使用本地模型时通常还需要处理两件事一是通过cost_tracking: ignore_errors忽略成本计算报错或配置 litellm 模型注册表提供成本数据二是可能需要配置LITELLM_MODEL_REGISTRY_PATH。详见 本地模型指南。更多具体模型的配置示例以下配置覆盖了不同模型类与提供方的组合可直接复制到 agent 配置文件中使用Gemini 3OpenRoutermodel: model_name: google/gemini-3-pro-preview model_class: openrouter model_kwargs: temperature: 0.0GPT 5.1 mediumPortkeymodel: model_name: openai/gpt-5.1 model_class: portkey model_kwargs: reasoning_effort: medium verbosity: mediumClaude Haiku 4.5model: model_name: anthropic/claude-haiku-4-5-20251001 model_kwargs: temperature: 0.0GPT 5 miniPortkeymodel: model_name: openai/gpt-5-mini model_class: portkeyDeepseekmodel: model_name: deepseek/deepseek-reasoner model_kwargs: temperature: 0.0MinimaxOpenRoutermodel: model_name: minimax/minimax-m2 model_class: openrouter model_kwargs: temperature: 0.0注意 Portkey 模型名的写法带有前缀如openai/gpt-5.1这是 Portkey 网关路由的模型标识格式。模型类Model Classes多后端接入机制mini-swe-agent通过不同的**模型类model class**对接不同后端。默认情况下如果你只指定模型名框架会自动为你选择最合适的后端——绝大多数场景会落到litellmAnthropic 模型则是一个特例因为它需要显式的缓存断点cache breakpoint处理见下文。从 src/minisweagent/models/init.py 的get_model_class()与_MODEL_CLASS_MAPPING可以看出模型类既可以通过--model-class命令行参数指定也可以通过 agent 配置文件的model.model_class键指定还支持直接写完整的 Python 导入路径。当你显式指定模型类时它优先于模型名决定后端未指定时默认回退到LitellmModel。通过命令行指定模型类mini -m moonshotai/kimi-k2-0905 --model-class openrouter通过配置文件指定模型类model: model_name: moonshotai/kimi-k2-0905 model_class: openrouterPortkey 同理mini -m claude-sonnet-4-5-20250929 --model-class portkeymodel: model_name: claude-sonnet-4-5-20250929 model_class: portkey各模型类的适用场景litellmLitellmModel—— 默认且推荐。对应源码 src/minisweagent/models/litellm_model.py通过litellm.completion()调用模型支持 OpenAI、Anthropic、Google 等几乎所有提供方。当模型名中包含anthropic、claude、sonnet或opus时框架会自动为其启用缓存控制设置对应models/__init__.py中的判断逻辑命中这些关键字且未显式指定set_cache_control时默认设为default_end帮助降低长上下文调用的成本。其配置类LitellmModelConfig还支持cost_tracking成本追踪模式、format_error_template、observation_template、multimodal_regex等进阶选项。详见 LitellmModel 参考文档。litellm_responseLitellmResponseModel—— 面向 Responses API 的专门版本。对应源码 src/minisweagent/models/litellm_response_model.py是LitellmModel的派生类改用litellm.responses()并原生支持工具调用native tool calling。适用于 GPT-5 这类模型且是 GPT-5-codex 等模型的必需选择它通过把历史response对象展开为 output items 来跨轮次维护对话状态。详见 LitellmResponseModel 参考文档。openrouterOpenRouterModel—— 直连 OpenRouter API。对应源码 src/minisweagent/models/openrouter_model.py通过 HTTP 请求访问https://openrouter.ai/api/v1/chat/completions用OPENROUTER_API_KEY认证可用一个端点访问多种模型并区分认证失败401、限流429与其他 HTTP 错误。详见 OpenRouterModel 参考文档。portkeyPortkeyModel—— 接入 Portkey 网关。对应源码 src/minisweagent/models/portkey_model.py提供更强的可观测性、缓存与路由能力。注意两点其一它仍依赖litellm计算成本支持通过litellm_model_name_override覆盖用于计费的模型名其二使用它需要安装portkey-ai包pip install portkey-ai并设置PORTKEY_API_KEY可选PORTKEY_VIRTUAL_KEY或provider参数。详见 PortkeyModel 参考文档。更进阶的模型类除上述生产级后端外框架还提供两个面向测试与实验的模型类deterministicDeterministicModel返回预定义响应用于测试与开发阶段的可复现实验。源码位于 src/minisweagent/models/test_models.py。详见 DeterministicModel 参考文档。RouletteModel与InterleavingModel位于 src/minisweagent/models/extra/roulette.py前者为每次查询随机选择配置好的多个模型之一后者在多个模型间交替调用常用于模型对比实验。对应导入路径为minisweagent.models.extra.roulette.RouletteModel与minisweagent.models.extra.roulette.InterleavingModel。详见 extra 模型参考文档。此外model_class字段支持任意可导入的 Python 路径——即使该自定义模型类尚未成为mini-swe-agent包的一部分你也可以通过完整导入路径直接使用它这为扩展自定义后端提供了极大的灵活性。常见问题与排错要点首次运行报“No default model set”按提示运行mini-extra config setup或设置MSWEA_MODEL_NAME环境变量。API Key 认证失败litellm类模型在捕获到AuthenticationError时会在错误信息中提示用mini-extra config set KEY VALUE永久保存密钥OpenRouter 后端的 401 响应也会给出同样的指引。成本计算报错如果模型未被litellm注册例如免费或本地模型可临时在配置中设置cost_tracking: ignore_errors或全局导出MSWEA_COST_TRACKINGignore_errors注意这会作用于所有模型更稳妥的做法是为本地模型配置模型注册表LITELLM_MODEL_REGISTRY_PATH。本地模型无法调用检查是否已通过model_kwargs正确设置custom_llm_provider与api_base并确认模型注册表中的litellm_provider与实际提供方一致模型名大小写敏感。总结mini-swe-agent的模型层设计遵循“默认可用、按需定制”的原则一条mini-extra config setup即可完成默认模型与密钥配置-m/--model、MSWEA_MODEL_NAME、YAML 配置三级机制灵活控制模型选择model_kwargs支持透传 temperature、reasoning effort 等任意模型参数而litellm、litellm_response、openrouter、portkey四类后端加deterministic、RouletteModel等实验类覆盖了从云端主流模型、Responses API 到本地推理与模型对比实验的全部需求。结合本指南给出的源码级证据与可复制的配置示例你可以快速为基准测试、日常开发或实验对比搭建合适的模型环境。赞分享人工智能大模型AI Agent代码智能体【免费下载链接】mini-swe-agentThe 100 line AI agent that solves GitHub issues or helps you in your command line. Radically simple, no huge configs, no giant monorepo—but scores 74% on SWE-bench verified!项目地址https://gitcode.com/gh_mirrors/mi/mini-swe-agent点击查看免费下载相关推荐SWE-agent 模型与 API Key 配置完全指南从云模型到本地模型SWE agent 模型与 API Key 配置完全指南从云模型到本地模型 本文以 SWE agent 官方文档 docs/installation/keysAI AgentAgent 框架代码智能体后端开发工具WebToApp AI 设置指南为 Agent 配置 AI 后端、API Key 与模型的完整实战手册WebToApp AI 设置指南为 Agent 配置 AI 后端、API Key 与模型的完整实战手册 本篇指南以 AI 设置文档 https://link.移动开发开发工具SWE-agent 模型配置完全指南多模型接入、成本控制与测试模型实战SWE agent 模型配置完全指南多模型接入、成本控制与测试模型实战 SWE agent 通过 litellm 统一接入各大语言模型其模型配置决定了整个AI AgentAgent 框架代码智能体后端开发工具创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
