GPTel项目:如何优化模型选择界面中的模型列表管理
2025-07-02 03:58:02作者:史锋燃Gardner
在AI辅助编程工具GPTel的实际使用中,随着接入的AI服务提供商增多,用户可能会面临模型选择列表过长的问题。本文将详细介绍如何通过Elisp代码优化GPTel的模型选择界面,帮助用户更高效地管理可用模型。
问题背景
当GPTel同时接入OpenAI、Gemini和Anthropic等多个AI服务提供商时,模型选择列表会变得非常庞大(可能多达44个模型)。这不仅影响用户体验,还可能让不熟悉模型的用户难以做出最佳选择。特别是当某些模型(如gpt-3.5-turbo)在性能上明显不如其他模型(如gpt-4.0-mini)时,这种管理显得尤为重要。
解决方案
GPTel提供了灵活的Elisp接口,允许用户通过编程方式管理模型列表。核心思路是使用cl-set-difference函数从后端模型列表中移除不需要的模型。
基础实现
最简单的实现方式是针对单个后端移除指定模型:
(let ((models-to-remove '(gpt-3.5-turbo gpt-4-turbo gpt-4o)))
(cl-callf (lambda (models) (cl-set-difference models models-to-remove))
(gptel-backend-models (gptel-get-backend "ChatGPT")))
这段代码会从ChatGPT后端的模型列表中移除gpt-3.5-turbo、gpt-4-turbo和gpt-4o三个模型。
高级实现
对于需要管理多个后端的情况,可以编写更通用的解决方案:
(defun gptel-remove-models-from-backend (backend-name models-to-remove)
"从指定后端移除不需要的模型"
(cl-callf (lambda (models) (cl-set-difference models models-to-remove))
(gptel-backend-models (gptel-get-backend backend-name)))
(let ((backend-model-removals
'(("ChatGPT" . (gpt-3.5-turbo gpt-4-turbo gpt-4o))
("Gemini" . (gemini-2.5-flash-preview-04-17))
("Claude" . (claude-3-5-sonnet-20241022)))))
(dolist (item backend-model-removals)
(gptel-remove-models-from-backend (car item) (cdr item))))
这种实现方式允许用户为每个后端单独配置需要移除的模型列表,代码更加模块化和可维护。
最佳实践
-
定期更新:随着AI服务提供商不断推出新模型,建议定期审查和更新模型移除列表。
-
性能考量:可以根据官方文档或实际测试结果,移除性能较差的模型。
-
成本控制:某些高成本模型如果使用频率低,可以考虑从列表中移除。
-
组织方式:可以将模型管理代码放在Emacs配置文件的适当位置,确保在GPTel初始化后执行。
技术细节
cl-callf是Common Lisp风格的函数,用于就地修改变量值cl-set-difference用于计算两个列表的差集gptel-get-backend用于获取指定名称的后端对象gptel-backend-models用于访问或修改后端的模型列表
通过这种灵活的模型管理方式,用户可以根据自己的需求定制GPTel的模型选择界面,提升使用效率和体验。这种设计也体现了Emacs"可编程编辑器"的核心理念,允许用户深度定制工具行为。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
767
4.99 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.94 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
686
1.34 K
Ascend Extension for PyTorch
Python
721
892
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
458
445
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.11 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.01 K
262
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1 K
618
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
2.99 K
637
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
253