折腾通了多agent多大模型协作的问题，coding plan套壳NewAPI踩坑分享
- 内容介绍
- 文章标签
- 相关推荐
最近手头订阅了智谱 GLM 和 MiniMax 的 Coding Plan。但在实际使用中，遇到一个极其蛋疼的资源错配问题：GLM 不够用，MiniMax用不完
1. 遇到的问题
之前我使用的是 Claude Code，为了充分利用两个coding plan
计划是用 NewAPI 做一层套壳路由，在不同的 Agent 任务中配置不同的模型，实现自动分流。但实操下来完全不可行： 一旦触发了官方 API 的 429 Rate Limit（并发或限流报错），Claude Code 会直接将连接降级为非流式（Non-streaming）。
并且非流式的响应速度慢得令人发指，需要 100s 到 300s 才能返回一次内容。这时候终端界面就跟死机了一样卡在那里，并且在后台一直重试。如图：
image779×600 36.2 KB
深挖根因分析： 这大概率是协议格式背的锅。Claude Code 底层强制使用 Anthropic 的专属 XML 格式。当流式传输中断或报错时，模型吐出的 XML 标签损坏，导致没有返回 CC 期待的正确格式。CC 客户端的底层逻辑误以为是网络波动，就会一直重试，最终演变成死循环。
2. 解决思路
为了根治这个底层的协议病，我迁移到了OpenCode。
它原生支持 OpenAI 格式。 没有了强扭的 Anthropic 格式转换，API 429会自动重试，而不是转化成非流。
我之前不愿意更换工具的原因是担心迁移成本，但是实测下来迁移成本很低。
OpenCode 可以直接读取ClaudeCode现有的 Skill。只需要在 TUI 界面配置好 API 和 Key，然后在终端里直接和 AI 对话，让它自己把之前的 MCP 服务安装到 OpenCode 目录下即可。
3. 大模型分流
解决掉工具链的问题后，还需要实现 OpenCode 实现 GLM 和 MiniMax 的完美切分，这才是我切换工具的目的。
我的策略是“按需分配”：把脏活累活（查文件、写总结、压缩上下文）交给便宜量大的 MiniMax，把核心的写代码任务给 GLM-5.1。
aa9ea3988501bee8960e41dbb68710df750×487 11.9 KB
下附我的 opencode.json 路由配置：
{
"$schema": "https://opencode.ai/config.json",
"disabled_providers": [],
"agent": {
"explore": {
"model": "newapi/MiniMax-M2.5"
},
"compaction": {
"model": "newapi/MiniMax-M2.7"
},
"title": {
"model": "newapi/MiniMax-M2.5"
},
"summary": {
"model": "newapi/MiniMax-M2.5"
}
},
"provider": {
"newapi": {
"name": "newapi",
"npm": "@ai-sdk/openai-compatible",
"options": {
"baseURL": "https://newapi.XXX.cn/v1"
},
"models": {
"glm-4.7": { "name": "glm-4.7" },
"glm-5": { "name": "glm-5" },
"glm-5.1": { "name": "glm-5.1" },
"glm-5-turbo": { "name": "glm-5-turbo" },
"MiniMax-M2.5": { "name": "MiniMax-M2.5" },
"MiniMax-M2.7": { "name": "MiniMax-M2.7" }
}
}
}
}
我尝试让opencode跑一个测试的subagent，再解决里面存在的问题
实测跑下来，大约有 50% 的高频轻量接口请求被路由到了 MiniMax，并且subagent的上下文没有携带到主agent当中
下面讲讲这么操作的优点：
- MiniMax 处理探索和总结类的任务时，吐字速度明显快于 GLM。
- 上下文短了以后注意力更集中：主 Agent 的脑容量是有限的。在这套架构下，Subagent的运行逻辑类似于函数调用。它在独立的进程里查日志、跑测试，测试完毕后，只把最终的排查结果返回给主 Agent。
主 Agent不需要知道测试脚本是怎么跑的，这就极大程度地避免了无用日志污染上下文。对 AI 来说，上下文越干净，找 Bug 和改代码就越准。
大家可以看对比图，MiniMax 探索完文件系统后，交接给 GLM 的上下文其实被砍掉了一大截，但丝毫不影响 GLM 后续修改代码：
image980×311 23.8 KB
最后是鸣谢
特别鸣谢 @钟阮 钟佬提供的技术支持以及二开的 NewAPI，这两天频繁私信骚扰，钟佬还是不厌其烦的给我聊思路聊实现，十分感谢
网友解答：--【壹】--：
最近手头订阅了智谱 GLM 和 MiniMax 的 Coding Plan。但在实际使用中，遇到一个极其蛋疼的资源错配问题：GLM 不够用，MiniMax用不完
1. 遇到的问题
之前我使用的是 Claude Code，为了充分利用两个coding plan
计划是用 NewAPI 做一层套壳路由，在不同的 Agent 任务中配置不同的模型，实现自动分流。但实操下来完全不可行： 一旦触发了官方 API 的 429 Rate Limit（并发或限流报错），Claude Code 会直接将连接降级为非流式（Non-streaming）。
并且非流式的响应速度慢得令人发指，需要 100s 到 300s 才能返回一次内容。这时候终端界面就跟死机了一样卡在那里，并且在后台一直重试。如图：
image779×600 36.2 KB
深挖根因分析： 这大概率是协议格式背的锅。Claude Code 底层强制使用 Anthropic 的专属 XML 格式。当流式传输中断或报错时，模型吐出的 XML 标签损坏，导致没有返回 CC 期待的正确格式。CC 客户端的底层逻辑误以为是网络波动，就会一直重试，最终演变成死循环。
2. 解决思路
为了根治这个底层的协议病，我迁移到了OpenCode。
它原生支持 OpenAI 格式。 没有了强扭的 Anthropic 格式转换，API 429会自动重试，而不是转化成非流。
我之前不愿意更换工具的原因是担心迁移成本，但是实测下来迁移成本很低。
OpenCode 可以直接读取ClaudeCode现有的 Skill。只需要在 TUI 界面配置好 API 和 Key，然后在终端里直接和 AI 对话，让它自己把之前的 MCP 服务安装到 OpenCode 目录下即可。
3. 大模型分流
解决掉工具链的问题后，还需要实现 OpenCode 实现 GLM 和 MiniMax 的完美切分，这才是我切换工具的目的。
我的策略是“按需分配”：把脏活累活（查文件、写总结、压缩上下文）交给便宜量大的 MiniMax，把核心的写代码任务给 GLM-5.1。
aa9ea3988501bee8960e41dbb68710df750×487 11.9 KB
下附我的 opencode.json 路由配置：
{
"$schema": "https://opencode.ai/config.json",
"disabled_providers": [],
"agent": {
"explore": {
"model": "newapi/MiniMax-M2.5"
},
"compaction": {
"model": "newapi/MiniMax-M2.7"
},
"title": {
"model": "newapi/MiniMax-M2.5"
},
"summary": {
"model": "newapi/MiniMax-M2.5"
}
},
"provider": {
"newapi": {
"name": "newapi",
"npm": "@ai-sdk/openai-compatible",
"options": {
"baseURL": "https://newapi.XXX.cn/v1"
},
"models": {
"glm-4.7": { "name": "glm-4.7" },
"glm-5": { "name": "glm-5" },
"glm-5.1": { "name": "glm-5.1" },
"glm-5-turbo": { "name": "glm-5-turbo" },
"MiniMax-M2.5": { "name": "MiniMax-M2.5" },
"MiniMax-M2.7": { "name": "MiniMax-M2.7" }
}
}
}
}
我尝试让opencode跑一个测试的subagent，再解决里面存在的问题
实测跑下来，大约有 50% 的高频轻量接口请求被路由到了 MiniMax，并且subagent的上下文没有携带到主agent当中
下面讲讲这么操作的优点：
- MiniMax 处理探索和总结类的任务时，吐字速度明显快于 GLM。
- 上下文短了以后注意力更集中：主 Agent 的脑容量是有限的。在这套架构下，Subagent的运行逻辑类似于函数调用。它在独立的进程里查日志、跑测试，测试完毕后，只把最终的排查结果返回给主 Agent。
主 Agent不需要知道测试脚本是怎么跑的，这就极大程度地避免了无用日志污染上下文。对 AI 来说，上下文越干净，找 Bug 和改代码就越准。
大家可以看对比图，MiniMax 探索完文件系统后，交接给 GLM 的上下文其实被砍掉了一大截，但丝毫不影响 GLM 后续修改代码：
image980×311 23.8 KB
最后是鸣谢
特别鸣谢 @钟阮 钟佬提供的技术支持以及二开的 NewAPI，这两天频繁私信骚扰，钟佬还是不厌其烦的给我聊思路聊实现，十分感谢
最近手头订阅了智谱 GLM 和 MiniMax 的 Coding Plan。但在实际使用中，遇到一个极其蛋疼的资源错配问题：GLM 不够用，MiniMax用不完
1. 遇到的问题
之前我使用的是 Claude Code，为了充分利用两个coding plan
计划是用 NewAPI 做一层套壳路由，在不同的 Agent 任务中配置不同的模型，实现自动分流。但实操下来完全不可行： 一旦触发了官方 API 的 429 Rate Limit（并发或限流报错），Claude Code 会直接将连接降级为非流式（Non-streaming）。
并且非流式的响应速度慢得令人发指，需要 100s 到 300s 才能返回一次内容。这时候终端界面就跟死机了一样卡在那里，并且在后台一直重试。如图：
image779×600 36.2 KB
深挖根因分析： 这大概率是协议格式背的锅。Claude Code 底层强制使用 Anthropic 的专属 XML 格式。当流式传输中断或报错时，模型吐出的 XML 标签损坏，导致没有返回 CC 期待的正确格式。CC 客户端的底层逻辑误以为是网络波动，就会一直重试，最终演变成死循环。
2. 解决思路
为了根治这个底层的协议病，我迁移到了OpenCode。
它原生支持 OpenAI 格式。 没有了强扭的 Anthropic 格式转换，API 429会自动重试，而不是转化成非流。
我之前不愿意更换工具的原因是担心迁移成本，但是实测下来迁移成本很低。
OpenCode 可以直接读取ClaudeCode现有的 Skill。只需要在 TUI 界面配置好 API 和 Key，然后在终端里直接和 AI 对话，让它自己把之前的 MCP 服务安装到 OpenCode 目录下即可。
3. 大模型分流
解决掉工具链的问题后，还需要实现 OpenCode 实现 GLM 和 MiniMax 的完美切分，这才是我切换工具的目的。
我的策略是“按需分配”：把脏活累活（查文件、写总结、压缩上下文）交给便宜量大的 MiniMax，把核心的写代码任务给 GLM-5.1。
aa9ea3988501bee8960e41dbb68710df750×487 11.9 KB
下附我的 opencode.json 路由配置：
{
"$schema": "https://opencode.ai/config.json",
"disabled_providers": [],
"agent": {
"explore": {
"model": "newapi/MiniMax-M2.5"
},
"compaction": {
"model": "newapi/MiniMax-M2.7"
},
"title": {
"model": "newapi/MiniMax-M2.5"
},
"summary": {
"model": "newapi/MiniMax-M2.5"
}
},
"provider": {
"newapi": {
"name": "newapi",
"npm": "@ai-sdk/openai-compatible",
"options": {
"baseURL": "https://newapi.XXX.cn/v1"
},
"models": {
"glm-4.7": { "name": "glm-4.7" },
"glm-5": { "name": "glm-5" },
"glm-5.1": { "name": "glm-5.1" },
"glm-5-turbo": { "name": "glm-5-turbo" },
"MiniMax-M2.5": { "name": "MiniMax-M2.5" },
"MiniMax-M2.7": { "name": "MiniMax-M2.7" }
}
}
}
}
我尝试让opencode跑一个测试的subagent，再解决里面存在的问题
实测跑下来，大约有 50% 的高频轻量接口请求被路由到了 MiniMax，并且subagent的上下文没有携带到主agent当中
下面讲讲这么操作的优点：
- MiniMax 处理探索和总结类的任务时，吐字速度明显快于 GLM。
- 上下文短了以后注意力更集中：主 Agent 的脑容量是有限的。在这套架构下，Subagent的运行逻辑类似于函数调用。它在独立的进程里查日志、跑测试，测试完毕后，只把最终的排查结果返回给主 Agent。
主 Agent不需要知道测试脚本是怎么跑的，这就极大程度地避免了无用日志污染上下文。对 AI 来说，上下文越干净，找 Bug 和改代码就越准。
大家可以看对比图，MiniMax 探索完文件系统后，交接给 GLM 的上下文其实被砍掉了一大截，但丝毫不影响 GLM 后续修改代码：
image980×311 23.8 KB
最后是鸣谢
特别鸣谢 @钟阮 钟佬提供的技术支持以及二开的 NewAPI，这两天频繁私信骚扰，钟佬还是不厌其烦的给我聊思路聊实现，十分感谢
网友解答：--【壹】--：
最近手头订阅了智谱 GLM 和 MiniMax 的 Coding Plan。但在实际使用中，遇到一个极其蛋疼的资源错配问题：GLM 不够用，MiniMax用不完
1. 遇到的问题
之前我使用的是 Claude Code，为了充分利用两个coding plan
计划是用 NewAPI 做一层套壳路由，在不同的 Agent 任务中配置不同的模型，实现自动分流。但实操下来完全不可行： 一旦触发了官方 API 的 429 Rate Limit（并发或限流报错），Claude Code 会直接将连接降级为非流式（Non-streaming）。
并且非流式的响应速度慢得令人发指，需要 100s 到 300s 才能返回一次内容。这时候终端界面就跟死机了一样卡在那里，并且在后台一直重试。如图：
image779×600 36.2 KB
深挖根因分析： 这大概率是协议格式背的锅。Claude Code 底层强制使用 Anthropic 的专属 XML 格式。当流式传输中断或报错时，模型吐出的 XML 标签损坏，导致没有返回 CC 期待的正确格式。CC 客户端的底层逻辑误以为是网络波动，就会一直重试，最终演变成死循环。
2. 解决思路
为了根治这个底层的协议病，我迁移到了OpenCode。
它原生支持 OpenAI 格式。 没有了强扭的 Anthropic 格式转换，API 429会自动重试，而不是转化成非流。
我之前不愿意更换工具的原因是担心迁移成本，但是实测下来迁移成本很低。
OpenCode 可以直接读取ClaudeCode现有的 Skill。只需要在 TUI 界面配置好 API 和 Key，然后在终端里直接和 AI 对话，让它自己把之前的 MCP 服务安装到 OpenCode 目录下即可。
3. 大模型分流
解决掉工具链的问题后，还需要实现 OpenCode 实现 GLM 和 MiniMax 的完美切分，这才是我切换工具的目的。
我的策略是“按需分配”：把脏活累活（查文件、写总结、压缩上下文）交给便宜量大的 MiniMax，把核心的写代码任务给 GLM-5.1。
aa9ea3988501bee8960e41dbb68710df750×487 11.9 KB
下附我的 opencode.json 路由配置：
{
"$schema": "https://opencode.ai/config.json",
"disabled_providers": [],
"agent": {
"explore": {
"model": "newapi/MiniMax-M2.5"
},
"compaction": {
"model": "newapi/MiniMax-M2.7"
},
"title": {
"model": "newapi/MiniMax-M2.5"
},
"summary": {
"model": "newapi/MiniMax-M2.5"
}
},
"provider": {
"newapi": {
"name": "newapi",
"npm": "@ai-sdk/openai-compatible",
"options": {
"baseURL": "https://newapi.XXX.cn/v1"
},
"models": {
"glm-4.7": { "name": "glm-4.7" },
"glm-5": { "name": "glm-5" },
"glm-5.1": { "name": "glm-5.1" },
"glm-5-turbo": { "name": "glm-5-turbo" },
"MiniMax-M2.5": { "name": "MiniMax-M2.5" },
"MiniMax-M2.7": { "name": "MiniMax-M2.7" }
}
}
}
}
我尝试让opencode跑一个测试的subagent，再解决里面存在的问题
实测跑下来，大约有 50% 的高频轻量接口请求被路由到了 MiniMax，并且subagent的上下文没有携带到主agent当中
下面讲讲这么操作的优点：
- MiniMax 处理探索和总结类的任务时，吐字速度明显快于 GLM。
- 上下文短了以后注意力更集中：主 Agent 的脑容量是有限的。在这套架构下，Subagent的运行逻辑类似于函数调用。它在独立的进程里查日志、跑测试，测试完毕后，只把最终的排查结果返回给主 Agent。
主 Agent不需要知道测试脚本是怎么跑的，这就极大程度地避免了无用日志污染上下文。对 AI 来说，上下文越干净，找 Bug 和改代码就越准。
大家可以看对比图，MiniMax 探索完文件系统后，交接给 GLM 的上下文其实被砍掉了一大截，但丝毫不影响 GLM 后续修改代码：
image980×311 23.8 KB
最后是鸣谢
特别鸣谢 @钟阮 钟佬提供的技术支持以及二开的 NewAPI，这两天频繁私信骚扰，钟佬还是不厌其烦的给我聊思路聊实现，十分感谢