title: "Feynman接入4SAPI | 研究Agent省钱" category: 人工智能 tags:
- 大模型API中转站
- Feynman
- AI研究Agent
- 论文调研
- Deep Research
- 4SAPI
- OpenAI-Compatible description: "基于 companion-inc/feynman 官方 README 和 setup 文档，拆解 Feynman 研究 Agent 的安装、模型配置、自定义 OpenAI-compatible provider、4SAPI 接入方式、文献综述工作流、成本治理和避坑清单。"
前两篇我们讲了企业微信 CLI：
那两篇的重点是办公系统。
这一篇换到研究场景：Feynman。
如果说企业微信 CLI 解决的是：
那 Feynman 解决的是：
这类任务最容易烧 Token。
一篇 Deep Research 可能要搜论文、读摘要、看代码仓库、整理引用、做对比矩阵、再让多个 Agent 互相审稿。
如果全部直连最贵模型，成本很容易飙上去。
所以这篇的目标很明确：
1. Feynman 是什么
Feynman 的官方 README 对它的定位很短：
翻成更实用的话：
它不是普通聊天工具。
它更像一个研究型命令行工作台。
你可以这样用：
它会搜索论文和网页，生成带引用的研究简报。
也可以这样用：
它会做多 Agent 深度调研。
官方 README 里列出的典型任务包括：
| 命令 | 用途 |
|---|---|
feynman "topic" | 搜论文和网页，生成带引用研究简报 |
feynman deepresearch "topic" | 多 Agent 深度调研 |
feynman lit "topic" | 文献综述，整理共识、分歧、开放问题 |
feynman audit 2401.12345 | 对比论文声明和公开代码库 |
feynman replicate "paper" | 设计本地或云 GPU 复现实验 |
feynman recipe "task" | 查找可执行训练方案、数据集、代码和验证路径 |
它内置 4 类研究 Agent：
| Agent | 负责什么 |
|---|---|
| Researcher | 搜集论文、网页、仓库、文档证据 |
| Reviewer | 模拟审稿，给出严重程度和修改建议 |
| Writer | 把研究笔记整理成结构化草稿 |
| Verifier | 检查引用、来源 URL、死链和证据可靠性 |
这就决定了它很适合写进本系列。
因为它的模型调用不是一问一答，而是一条研究流水线。
2. 为什么 Feynman 适合接 4SAPI
普通聊天工具的调用链可能是：
Feynman 的研究链路更像：
这一套跑下来，模型调用会很多。
而且不同环节对模型能力的要求不一样：
| 环节 | 模型要求 |
|---|---|
| 关键词扩展 | 便宜模型即可 |
| 摘要分类 | 便宜或中档模型 |
| 论文主张归纳 | 中档模型 |
| 争议点判断 | 强模型更稳 |
| 审稿式评估 | 强模型更稳 |
| 引用格式修复 | 便宜模型即可 |
如果 Feynman 全程只用一个昂贵模型，成本会很不舒服。
4SAPI 放在中间的价值是：
所以更准确的架构是：
这不是绕过官方限制。
这是把 Feynman 的模型调用接到一个 OpenAI-compatible 模型网关，方便配置、审计和成本治理。
3. 先说结论：能不能接 4SAPI
可以接。
前提是你的 4SAPI 提供 OpenAI-compatible 接口。
Feynman 官方 README 和 setup 文档都提到：
所以接 4SAPI 的关键配置就是：
注意 Base URL 填到 /v1。
不要填成：
这类完整接口路径一般是 SDK 或客户端内部拼出来的。
Feynman 需要的是 OpenAI-compatible 的根地址。
4. 安装方式：不要写错
Feynman 的安装方式不是 npm install -g feynman。
我查了公开 NPM 包：
仓库里的 package.json 版本是 0.3.3，但官方 README 推荐的是一键安装脚本。
macOS / Linux：
Windows PowerShell：
官方说明里还有两个重要点。
第一，安装脚本会下载 standalone native bundle，里面带自己的 Node.js runtime。
第二，如果要固定版本，可以传版本号。
例如：
升级 standalone app 时，重新跑安装脚本。
feynman update 只刷新 Feynman 环境里安装的 Pi packages，不替换 standalone runtime bundle。
这点很容易写错。
5. Skills-only 安装
Feynman 还有一个很适合 Codex 用户的安装方式：
macOS / Linux：
Windows PowerShell：
这会把 skill library 安装到：
如果要明确指定 Codex：
Windows：
如果想装到当前仓库的 .agents/skills/feynman：
Windows：
这条路线适合什么人？
但如果你的目标是完整跑 Feynman 命令行，还是装 standalone app。
6. 第一次 setup
安装后运行：
官方 setup 文档里说，向导会走三段：
如果你选择官方模型 provider，它会要求对应 API key 或 OAuth。
如果你要接 4SAPI，就不要走单一官方 provider。
选择：
然后按 4SAPI 填：
保存后运行：
再设置默认模型：
或按文档支持的另一种写法：
这里的 <provider> 是你 setup 时保存的 provider 名。
<model-id> 要和 4SAPI 后台实际支持的模型名一致。
7. 4SAPI 接入示例
假设你的 4SAPI OpenAI-compatible 地址是：
模型名是：
那么 Feynman setup 里可以这样填：
设置默认模型时：
如果你的 provider 名不是 custom，以 model list 输出为准。
测试一个轻量任务：
如果能返回带来源的简报，就说明基本链路通了。
8. 如果 /models 拉取失败怎么办
Feynman 对 LM Studio 和 LiteLLM 会尝试读取 /models 端点并预填模型。
对于自定义 provider，也可能遇到：
这不一定代表不能用。
处理顺序：
如果仍然不兼容，可以加一层 LiteLLM Proxy：
这种方案更麻烦，但好处是 LiteLLM 对 OpenAI-compatible 客户端的适配更成熟。
官方 setup 文档也把 LiteLLM Proxy 单独列为支持项，默认：
9. 研究工作流怎么跑
接通模型后，先别一上来就跑最重的 deepresearch。
建议按成本从低到高测试。
9.1 普通研究简报
适合验证：
9.2 文献综述
适合做文章或研究笔记：
这个模式比普通问答更适合写“技术调研”。
9.3 深度研究
这个会更耗 Token。
建议先把默认模型设成成本可控的中档模型，再在关键阶段切换强模型。
如果 4SAPI 支持按模型分组或路由，可以这样规划：
| 任务 | 推荐模型 |
|---|---|
| 初筛资料 | 便宜模型 |
| 论文主张归纳 | 中档模型 |
| 方法论争议判断 | 强模型 |
| 审稿式批评 | 强模型 |
| 参考文献格式修正 | 便宜模型 |
9.4 论文代码审计
适合判断：
这类任务对模型要求高，但价值也高。
9.5 实验复现方案
适合输出：
如果你要真的跑实验，还会涉及 Docker、Modal、RunPod、本地 GPU。
这部分建议另写一篇，不要和模型接入混在一起。
10. Feynman 和 Codex 怎么分工
Feynman 和 Codex 都是 Agent，但适合的任务不一样。
| 工具 | 更适合做什么 |
|---|---|
| Feynman | 论文搜索、文献综述、研究简报、审稿、实验复现方案 |
| Codex | 本地项目读写、代码修改、脚本执行、博客落稿、文件整理 |
| 4SAPI | 模型入口、Key 管理、成本统计、日志审计 |
一个很实用的组合是：
如果只装 Skills-only，也可以让 Codex 直接使用 Feynman 的 research skills。
这适合内容创作者：
11. 成本治理：别让 deepresearch 失控
Feynman 的强项也是它的成本风险。
它会主动调研、并行研究、整理引用、反复验证。
这些动作都会产生模型调用。
建议做 5 件事。
第一，先用小任务测试。
确认链路正常后，再跑 lit 或 deepresearch。
第二，把默认模型设为中档模型。
不要默认就用最贵模型跑所有资料初筛。
第三，在 4SAPI 后台看日志。
关注：
第四，把任务拆短。
不要一次问：
更好的拆法：
第五，给输出范围。
例如：
研究 Agent 需要边界。
边界越清楚，成本越可控。
12. 数据和合规提醒
Feynman 会处理论文、网页、仓库、数据集和本地文件。
合法合规边界要写清楚。
可以做：
谨慎做：
接 4SAPI 后，要明确：
这篇文章不讨论任何绕过论文付费墙、绕过 API 限制、抓取私有资料的做法。
Feynman 的价值是把公开资料和授权资料研究得更系统，不是绕开合规边界。
13. 常见问题
13.1 Feynman 能不能直接接 4SAPI
可以。
用：
13.2 需要填 /chat/completions 吗
通常不要。
填 /v1。
13.3 模型列表为空怎么办
手动填 Model ids。
并检查：
13.4 可以用 LiteLLM 中转再接 4SAPI 吗
可以。
如果 Feynman 和 4SAPI 的 OpenAI-compatible 细节不完全匹配，LiteLLM Proxy 是一个缓冲层。
结构：
13.5 Feynman 是不是必须装完整终端
不一定。
如果只想让 Codex 使用研究技能，可以装 Skills-only。
完整 Feynman terminal 更适合长期研究工作台。
13.6 为什么不建议 npm install
官方 README 推荐一键安装脚本。
公开 NPM 上我没有查到可直接安装的 @companion-inc/feynman 或 feynman-ai 包。
所以教程里不要写不存在的 NPM 安装方式。
14. 最小接入清单
给读者一个最小 checklist。
第一步：安装 Feynman
Windows：
macOS / Linux：
第二步：运行 setup
第三步：选择自定义 provider
第四步：填写 4SAPI
第五步：确认模型
第六步：跑一个轻量任务
第七步：看 4SAPI 日志
确认：
跑通这 7 步，再开始写 lit、deepresearch、audit、replicate。
15. 总结
Feynman 很适合写进【大模型API中转站】系列。
它不是普通聊天工具，而是研究 Agent：
它也很适合接 4SAPI。
因为 Feynman 的研究流会产生大量模型调用，而 4SAPI 可以把模型入口、Key、成本和日志统一起来。
最推荐的接入方式是：
一句话总结：
如果你经常写技术调研、论文综述、模型选型、实验复现计划，这个组合非常值得试。
下一步可以继续拆一篇：
那篇就可以拿一个具体主题，跑完整的 lit 或 deepresearch 工作流。
资料来源
- Feynman GitHub 仓库：https://github.com/companion-inc/feynman
- Feynman README：https://raw.githubusercontent.com/companion-inc/feynman/main/README.md
- Feynman Setup 文档：https://www.feynman.is/docs/getting-started/setup
- Feynman Installation 文档：https://www.feynman.is/docs/getting-started/installation
