DB-GPT项目中OpenAILLMClient因Httpx版本升级导致的代理参数废弃问题分析
问题背景
在DB-GPT项目的模型管理模块中,OpenAILLMClient组件近期出现了调用异常。当开发者尝试使用该客户端与GPT-4模型交互时,系统返回了"LLMServer Generate Error"错误,提示AsyncClient.init()收到了意外的关键字参数'proxies'。
技术分析
根本原因
这一问题源于HTTP客户端库Httpx在v0.28.0版本中的重大变更。根据Httpx的更新日志,该版本正式移除了长期标记为废弃的proxies参数。这一变更属于向后不兼容的API修改,直接影响了依赖此参数的代码。
在DB-GPT项目的_build_openai_client函数实现中,创建Httpx异步客户端时显式传递了proxies参数:
http_client=httpx.AsyncClient(proxies=init_params.proxies)
版本差异对比
-
v0.27.2及之前版本: Httpx的AsyncClient构造函数接受
proxies参数,允许开发者通过字典配置不同协议(HTTP/HTTPS)的代理设置 -
v0.28.0及之后版本: 该参数被完全移除,仅保留单一的
proxy参数用于全局代理配置。这一变更是为了简化API设计,减少配置复杂性
影响范围
此问题影响所有满足以下条件的DB-GPT用户:
- 使用源码安装方式部署项目
- 环境中安装了Httpx v0.28.0或更高版本
- 尝试通过OpenAILLMClient与OpenAI API交互
解决方案
临时解决方案
对于需要立即解决问题的用户,可以采取以下任一方法:
- 降级Httpx到v0.27.2或更早版本
pip install httpx==0.27.2 - 手动修改项目代码,移除
proxies参数传递
长期修复方案
项目代码需要进行以下修改:
def _build_openai_client(init_params: OpenAIParameters) -> Tuple[str, ClientType]:
import httpx
openai_params, api_type, api_version, api_azure_deployment = _initialize_openai_v1(
init_params
)
if api_type == "azure":
from openai import AsyncAzureOpenAI
return api_type, AsyncAzureOpenAI(
api_key=openai_params["api_key"],
api_version=api_version,
azure_deployment=api_azure_deployment,
azure_endpoint=openai_params["base_url"],
http_client=httpx.AsyncClient(), # 移除proxies参数
)
else:
from openai import AsyncOpenAI
return api_type, AsyncOpenAI(
**openai_params, http_client=httpx.AsyncClient() # 移除proxies参数
)
技术建议
-
依赖版本锁定:建议在项目requirements中明确指定Httpx的版本范围,避免类似兼容性问题
-
代理配置替代方案:如果需要保留代理功能,可以考虑:
- 使用环境变量配置代理(如HTTP_PROXY/HTTPS_PROXY)
- 通过transport层自定义代理设置
-
兼容性测试:建议增加对依赖库重大版本更新的自动化测试,提前发现兼容性问题
总结
此次问题展示了开源项目依赖管理的重要性。随着Httpx v0.28.0的发布,所有依赖proxies参数的代码都需要相应调整。DB-GPT项目团队已意识到这一问题,并提供了修复方案。开发者应及时更新代码或锁定依赖版本,确保系统稳定运行。
对于开源项目维护者而言,这提醒我们需要密切关注上游依赖的变更日志,及时调整项目代码,同时建立完善的版本兼容性测试机制,为用户提供更稳定的使用体验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00