添加中转渠道支持功能

- 更新config.py配置文件，添加中转渠道相关配置项
- 修改bridge_all.py和bridge_chatgpt.py以支持中转渠道
- 更新key_pattern_manager.py处理中转渠道密钥模式

config.py

@@ -8,6 +8,9 @@
 """
 
 # [step 1-1]>> ( 接入OpenAI模型家族 ) API_KEY = "sk-123456789xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx123456789"。极少数情况下，还需要填写组织（格式如org-123456789abcdefghijklmno的），请向下翻，找 API_ORG 设置项
+from pickle import TRUE
+
+
 API_KEY = "在此处填写APIKEY"    # 可同时填写多个API-KEY，用英文逗号分割，例如API_KEY = "sk-openaikey1,sk-openaikey2,fkxxxx-api2dkey3,azure-apikey4"
 
 # [step 1-2]>> ( 强烈推荐！接入通义家族 & 大模型服务平台百炼 ) 接入通义千问在线大模型，api-key获取地址 https://dashscope.console.aliyun.com/
@@ -16,6 +19,36 @@ DASHSCOPE_API_KEY = "" # 阿里灵积云API_KEY（用于接入qwen-max，dashsco
 # [step 1-3]>> ( 接入 deepseek-reasoner, 即 deepseek-r1 ) 深度求索(DeepSeek) API KEY，默认请求地址为"https://api.deepseek.com/v1/chat/completions"
 DEEPSEEK_API_KEY = ""
 
+# [step 1-4]>> ( 接入中转渠道 ) 中转渠道配置，支持采用OpenAI接口模式的中转渠道商
+ZHONGZHUAN_ENABLE =  TRUE  # 是否启用中转渠道，默认关闭
+ZHONGZHUAN_ENDPOINT = "https://test.com/v1/chat/completions"  # 中转渠道的完整API端点
+ZHONGZHUAN_API_KEY = "sk-xxxxxxxxxxxxxxx"  # 中转渠道的API KEY，如果为空则使用API_KEY
+ZHONGZHUAN_MODELS = [
+    # 中转渠道支持的模型列表，使用原始模型名称
+    "o3-mini-all",
+    "gpt-4.1",
+    "gpt-4o",
+    "gpt-4o-mini", 
+    "claude-sonnet-4-20250514-thinking",
+    "claude-sonnet-4-20250514",
+    "gemini-2.5-pro-preview-03-25",
+    # 可以添加更多模型...
+]
+# 配置说明：
+# 1. 将ZHONGZHUAN_ENABLE设置为True启用中转渠道
+# 2. 将ZHONGZHUAN_ENDPOINT设置为你的中转渠道商提供的完整API端点（包含/chat/completions）
+# 3. 将ZHONGZHUAN_API_KEY设置为你的中转渠道商提供的API KEY（可选）
+# 4. 在ZHONGZHUAN_MODELS中配置你想要使用的模型，使用原始模型名称
+# 5. 系统将自动把ZHONGZHUAN_MODELS中的模型添加到AVAIL_LLM_MODELS中，无需重复配置
+# 6. 对于同时在两个列表中的模型，将自动使用中转渠道访问
+# 
+# 示例配置：
+# ZHONGZHUAN_ENABLE = True
+# ZHONGZHUAN_ENDPOINT = "https://api.your-provider.com/v1/chat/completions"
+# ZHONGZHUAN_API_KEY = "your-api-key-here"
+# ZHONGZHUAN_MODELS = ["o3-mini-all", "gpt-4.1", "claude-sonnet-4-20250514"]
+# 然后可以直接设置LLM_MODEL = "o3-mini-all"（将通过中转渠道访问）
+
 # [step 2]>> 改为True应用代理。如果使用本地或无地域限制的大模型时，此处不修改；如果直接在海外服务器部署，此处不修改
 USE_PROXY = False
 if USE_PROXY:
@@ -49,6 +82,14 @@ AVAIL_LLM_MODELS = ["qwen-max", "o1-mini", "o1-mini-2024-09-12", "o1", "o1-2024-
                     "dashscope-qwen3-14b", "dashscope-qwen3-235b-a22b", "dashscope-qwen3-32b",
                     ]
 
+# 自动将中转渠道模型添加到可用模型列表中，避免用户重复配置
+# 对于同时在AVAIL_LLM_MODELS和ZHONGZHUAN_MODELS中的模型，将自动使用中转渠道
+if ZHONGZHUAN_ENABLE and ZHONGZHUAN_MODELS:
+    for model in ZHONGZHUAN_MODELS:
+        if model not in AVAIL_LLM_MODELS:
+            AVAIL_LLM_MODELS.append(model)
+    print(f"[中转渠道] 已启用，共{len(ZHONGZHUAN_MODELS)}个模型将通过中转渠道访问: {', '.join(ZHONGZHUAN_MODELS)}")
+
 EMBEDDING_MODEL = "text-embedding-3-small"
 
 # --- --- --- ---
@@ -158,7 +199,7 @@ MAX_RETRY = 2
 DEFAULT_FN_GROUPS = ['对话', '编程', '学术', '智能体']
 
 
-# 定义界面上“询问多个GPT模型”插件应该使用哪些模型，请从AVAIL_LLM_MODELS中选择，并在不同模型之间用`&`间隔，例如"gpt-3.5-turbo&chatglm3&azure-gpt-4"
+# 定义界面上"询问多个GPT模型"插件应该使用哪些模型，请从AVAIL_LLM_MODELS中选择，并在不同模型之间用`&`间隔，例如"gpt-3.5-turbo&chatglm3&azure-gpt-4"
 MULTI_QUERY_LLM_MODELS = "gpt-3.5-turbo&chatglm3"
 
 
@@ -361,7 +402,7 @@ AUTO_CONTEXT_CLIP_ENABLE = False
 AUTO_CONTEXT_CLIP_TRIGGER_TOKEN_LEN = 30*1000
 # 无条件丢弃x以上的轮数
 AUTO_CONTEXT_MAX_ROUND = 64
-# 在裁剪上下文时，倒数第x次对话能“最多”保留的上下文token的比例占 AUTO_CONTEXT_CLIP_TRIGGER_TOKEN_LEN 的多少
+# 在裁剪上下文时，倒数第x次对话能"最多"保留的上下文token的比例占 AUTO_CONTEXT_CLIP_TRIGGER_TOKEN_LEN 的多少
 AUTO_CONTEXT_MAX_CLIP_RATIO = [0.80, 0.60, 0.45, 0.25, 0.20, 0.18, 0.16, 0.14, 0.12, 0.10, 0.08, 0.07, 0.06, 0.05, 0.04, 0.03, 0.02, 0.01]
 
 
@@ -469,4 +510,11 @@ AUTO_CONTEXT_MAX_CLIP_RATIO = [0.80, 0.60, 0.45, 0.25, 0.20, 0.18, 0.16, 0.14, 0
     └── MATHPIX_APPKEY
 
 
+"zhongzhuan-..." 中转渠道模型配置
+    ├── ZHONGZHUAN_ENABLE
+    ├── ZHONGZHUAN_ENDPOINT
+    ├── ZHONGZHUAN_API_KEY
+    └── ZHONGZHUAN_MODELS
+
+
 """

request_llms/bridge_all.py

@@ -1,4 +1,3 @@
-
 """
     该文件中主要包含2个函数，是所有LLM的通用接口，它们会继续向下调用更底层的LLM模型，处理多模型并行等细节
 
@@ -115,6 +114,12 @@ get_token_num_gpt4 = lambda txt: len(tokenizer_gpt4.encode(txt, disallowed_speci
 # 开始初始化模型
 AVAIL_LLM_MODELS, LLM_MODEL = get_conf("AVAIL_LLM_MODELS", "LLM_MODEL")
 AVAIL_LLM_MODELS = AVAIL_LLM_MODELS + [LLM_MODEL]
+
+# 获取中转渠道配置
+ZHONGZHUAN_ENABLE, ZHONGZHUAN_ENDPOINT, ZHONGZHUAN_API_KEY, ZHONGZHUAN_MODELS = get_conf(
+    "ZHONGZHUAN_ENABLE", "ZHONGZHUAN_ENDPOINT", "ZHONGZHUAN_API_KEY", "ZHONGZHUAN_MODELS"
+)
+
 # -=-=-=-=-=-=- 以下这部分是最早加入的最稳定的模型 -=-=-=-=-=-=-
 model_info = {
     # openai
@@ -1415,6 +1420,23 @@ for model in [m for m in AVAIL_LLM_MODELS if m.startswith("openrouter-")]:
         },
     })
 
+# -=-=-=-=-=-=- 中转渠道模型对齐支持 -=-=-=-=-=-=-
+# 为中转渠道模型创建统一的model_info配置
+if ZHONGZHUAN_ENABLE and ZHONGZHUAN_MODELS:
+    # 为每个中转渠道模型创建统一的model_info配置
+    # 注意：模型列表的合并已在config.py中处理
+    for model in ZHONGZHUAN_MODELS:
+        model_info.update({
+            model: {
+                "fn_with_ui": chatgpt_ui,
+                "fn_without_ui": chatgpt_noui,
+                "endpoint": ZHONGZHUAN_ENDPOINT,
+                "has_multimodal_capacity": True,
+                "max_token": 12800000,
+                "tokenizer": tokenizer_gpt4,
+                "token_cnt": get_token_num_gpt4,
+            }
+        })
 
 # -=-=-=-=-=-=--=-=-=-=-=-=--=-=-=-=-=-=--=-=-=-=-=-=-=-=
 # -=-=-=-=-=-=-=-=-=- ☝️ 以上是模型路由 -=-=-=-=-=-=-=-=-=
@@ -1459,11 +1481,11 @@ def predict_no_ui_long_connection(inputs:str, llm_kwargs:dict, history:list, sys
     model = llm_kwargs['llm_model']
     n_model = 1
     if '&' not in model:
-        # 如果只询问“一个”大语言模型（多数情况）：
+        # 如果只询问"一个"大语言模型（多数情况）：
         method = model_info[model]["fn_without_ui"]
         return method(inputs, llm_kwargs, history, sys_prompt, observe_window, console_silence)
     else:
-        # 如果同时询问“多个”大语言模型，这个稍微啰嗦一点，但思路相同，您不必读这个else分支
+        # 如果同时询问"多个"大语言模型，这个稍微啰嗦一点，但思路相同，您不必读这个else分支
         executor = ThreadPoolExecutor(max_workers=4)
         models = model.split('&')
         n_model = len(models)

request_llms/bridge_chatgpt.py

@@ -241,6 +241,16 @@ def predict(inputs:str, llm_kwargs:dict, plugin_kwargs:dict, chatbot:ChatBotWith
         yield from update_ui(chatbot=chatbot, history=history, msg="api_key已导入") # 刷新界面
         return
     elif not is_any_api_key(chatbot._cookies['api_key']):
+        # 对于中转渠道模型，额外检查中转渠道API key
+        is_zhongzhuan_valid = False
+        try:
+            ZHONGZHUAN_ENABLE, ZHONGZHUAN_MODELS, ZHONGZHUAN_API_KEY = get_conf("ZHONGZHUAN_ENABLE", "ZHONGZHUAN_MODELS", "ZHONGZHUAN_API_KEY")
+            if ZHONGZHUAN_ENABLE and llm_kwargs['llm_model'] in ZHONGZHUAN_MODELS and ZHONGZHUAN_API_KEY:
+                is_zhongzhuan_valid = is_any_api_key(ZHONGZHUAN_API_KEY)
+        except Exception:
+            pass
+        
+        if not is_zhongzhuan_valid:
             chatbot.append((inputs, "缺少api_key。\n\n1. 临时解决方案：直接在输入区键入api_key，然后回车提交。\n\n2. 长效解决方案：在config.py中配置。"))
             yield from update_ui(chatbot=chatbot, history=history, msg="缺少api_key") # 刷新界面
             return
@@ -269,12 +279,22 @@ def predict(inputs:str, llm_kwargs:dict, plugin_kwargs:dict, chatbot:ChatBotWith
 
     # check mis-behavior
     if is_the_upload_folder(user_input):
-        chatbot[-1] = (inputs, f"[Local Message] 检测到操作错误！当您上传文档之后，需点击“**函数插件区**”按钮进行处理，请勿点击“提交”按钮或者“基础功能区”按钮。")
+        chatbot[-1] = (inputs, f"[Local Message] 检测到操作错误！当您上传文档之后，需点击\"**函数插件区**\"按钮进行处理，请勿点击\"提交\"按钮或者\"基础功能区\"按钮。")
         yield from update_ui(chatbot=chatbot, history=history, msg="正常") # 刷新界面
         time.sleep(2)
 
     try:
-        headers, payload = generate_payload(inputs, llm_kwargs, history, system_prompt, image_base64_array, has_multimodal_capacity, stream)
+        # 对于中转渠道模型，需要确保使用正确的API key
+        llm_kwargs_modified = llm_kwargs.copy()
+        try:
+            ZHONGZHUAN_ENABLE, ZHONGZHUAN_MODELS, ZHONGZHUAN_API_KEY = get_conf("ZHONGZHUAN_ENABLE", "ZHONGZHUAN_MODELS", "ZHONGZHUAN_API_KEY")
+            if ZHONGZHUAN_ENABLE and llm_kwargs['llm_model'] in ZHONGZHUAN_MODELS and ZHONGZHUAN_API_KEY:
+                # 确保中转渠道模型使用正确的API key
+                llm_kwargs_modified['api_key'] = ZHONGZHUAN_API_KEY
+        except Exception:
+            pass
+        
+        headers, payload = generate_payload(inputs, llm_kwargs_modified, history, system_prompt, image_base64_array, has_multimodal_capacity, stream)
     except RuntimeError as e:
         chatbot[-1] = (inputs, f"您提供的api-key不满足要求，不包含任何可用于{llm_kwargs['llm_model']}的api-key。您可能选择了错误的模型或请求源。")
         yield from update_ui(chatbot=chatbot, history=history, msg="api-key不满足要求") # 刷新界面

shared_utils/key_pattern_manager.py

@@ -45,8 +45,17 @@ def is_cohere_api_key(key):
 
 
 def is_any_api_key(key):
-    # key 一般只包含字母、数字、下划线、逗号、中划线
+    # 首先检查是否为中转渠道API KEY
-    if not re.match(r"^[a-zA-Z0-9_\-,]+$", key):
+    try:
+        ZHONGZHUAN_ENABLE, ZHONGZHUAN_API_KEY = get_conf("ZHONGZHUAN_ENABLE", "ZHONGZHUAN_API_KEY")
+        if ZHONGZHUAN_ENABLE and ZHONGZHUAN_API_KEY and key == ZHONGZHUAN_API_KEY:
+            return True
+    except Exception:
+        pass
+    
+    # key 一般只包含字母、数字、下划线、逗号、中划线，但为了支持更多中转渠道，适当放宽限制
+    # 允许点号(.)，用于支持某些中转渠道的特殊格式
+    if not re.match(r"^[a-zA-Z0-9_\-,\.]+$", key):
         # 如果配置了 CUSTOM_API_KEY_PATTERN，再检查以下以免误杀
         if CUSTOM_API_KEY_PATTERN := get_conf('CUSTOM_API_KEY_PATTERN'):
             return bool(re.match(CUSTOM_API_KEY_PATTERN, key))
@@ -93,6 +102,22 @@ def select_api_key(keys, llm_model):
     avail_key_list = []
     key_list = keys.split(',')
 
+    # 中转渠道API KEY处理
+    try:
+        ZHONGZHUAN_ENABLE, ZHONGZHUAN_MODELS, ZHONGZHUAN_API_KEY = get_conf("ZHONGZHUAN_ENABLE", "ZHONGZHUAN_MODELS", "ZHONGZHUAN_API_KEY")
+        if ZHONGZHUAN_ENABLE and llm_model in ZHONGZHUAN_MODELS:
+            # 如果模型在中转渠道列表中，优先使用中转渠道的API KEY
+            if ZHONGZHUAN_API_KEY:
+                return ZHONGZHUAN_API_KEY
+            # 如果没有设置专门的中转渠道API KEY，则使用OpenAI格式的key（中转渠道一般采用OpenAI接口格式）
+            for k in key_list:
+                if is_openai_api_key(k): avail_key_list.append(k)
+            if len(avail_key_list) > 0:
+                return random.choice(avail_key_list)
+    except Exception:
+        # 如果获取中转渠道配置失败，继续使用原有逻辑
+        pass
+
     if llm_model.startswith('gpt-') or llm_model.startswith('chatgpt-') or \
        llm_model.startswith('one-api-') or is_o_family_for_openai(llm_model):
         for k in key_list: