需解决密钥隔离、SDK共存、请求格式统一三大问题：用pip安装官方SDK并分组配置.env密钥，各模型客户端独立初始化，再通过路由函数或面向对象方式统一调用。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在同一个Jupyter Notebook里同时调用Gemini和其它模型（如GPT、DeepSeek、Claude）的API，必须解决密钥隔离、SDK共存、请求格式统一这三大问题——不能让google-generativeai和openai的初始化互相覆盖，也不能因不同模型的参数名冲突导致报错。
第一步：环境准备与依赖安装
新建虚拟环境并一次性装齐所有必需库，避免版本冲突：
pip install openai google-generativeai deepseek-api mistralai requests python-dotenv
注意：不要用 conda install google-generativeai，它常与 pip 版本不兼容，【必须用 pip 安装官方 SDK】。
创建 .env 文件，按模型分组写入密钥：
GOOGLE_API_KEY=AIzaSy...
OPENAI_API_KEY=sk-...
DEEPSEEK_API_KEY=ds-...
MISTRAL_API_KEY=mstr-...
第二步：密钥加载与SDK隔离初始化
导入 dotenv 并加载环境变量：
from dotenv import load_dotenv
load_dotenv()
分别初始化各模型客户端，**绝不复用同一变量名**：
import openai
openai_client = openai.OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
import google.generativeai as genai
genai.configure(api_key=os.getenv("GOOGLE_API_KEY"))
gemini_model = genai.GenerativeModel("gemini-3.5-flash-lite")
from deepseek_api import Client
deepseek_client = Client(api_key=os.getenv("DEEPSEEK_API_KEY"))
⚠️ 关键点：genai.configure() 是全局单例配置，但 gemini_model 实例可独立存在；而 openai 和 deepseek 必须用各自 Client 实例，否则并发调用会串号。
用于在用户想通过浏览器自动化与 Google Gemini 或 ChatGPT 交互时。触发短语包括“ask Gemini”“ask ChatGPT”“ask GPT”“让...”。
第三步：封装统一调用函数（推荐）
方法一：按模型名路由的单函数
def call_model(model_name: str, prompt: str):
if model_name == "gemini":
response = gemini_model.generate_content(prompt)
return response.text
elif model_name == "gpt-4o":
resp = openai_client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}]
)
return resp.choices[0].message.content
elif model_name == "deepseek":
resp = deepseek_client.chat(
model="deepseek-chat",
messages=[{"role": "user", "content": prompt}]
)
return resp.response
方法二：面向对象封装（适合多轮对话场景）
class MultiModelAgent:
def __init__(self):
self.gemini = genai.GenerativeModel("gemini-3.6-flash")
self.openai = openai.OpenAI()
self.deepseek = Client()
def gemini_chat(self, prompt): return self.gemini.generate_content(prompt).text
def gpt_chat(self, prompt): ... # 同上补全
def deepseek_chat(self, prompt): ... # 同上补全
第四步：实测对比调用（直接执行）
① 调用 Gemini 3.6 Flash 做代码分析：
gemini_result = gemini_model.generate_content("请分析以下Python代码是否存在内存泄漏风险：\n```python\ndef load_large_file(path):\n with open(path) as f:\n return f.read()\n```")
② 并行调用 GPT-4o 做风格润色：
gpt_resp = openai_client.chat.completions.create(
model="gpt-4o",
messages=[{"role":"user","content":f"将以下技术描述改写为面向产品经理的简洁表达：{gemini_result.text}"}]
)
③ 再用 DeepSeek 验证逻辑一致性：
ds_resp = deepseek_client.chat(
model="deepseek-chat",
messages=[
{"role":"user","content":"请逐条核对前两段输出是否存在事实矛盾或推理断层"},
{"role":"assistant","content":gemini_result.text},
{"role":"assistant","content":gpt_resp.choices[0].message.content}
]
)
print("Gemini →", gemini_result.text[:120]+"...")
print("GPT-4o →", gpt_resp.choices[0].message.content[:120]+"...")
print("DeepSeek →", ds_resp.response[:120]+"...")
