Como usar diferentes modelos de IA com Python e uma única API

Você já tentou integrar diferentes modelos de inteligência artificial em um mesmo projeto?

Imagine que você está desenvolvendo um chatbot, um assistente de programação ou uma automação para sua empresa. Em alguns momentos, precisa de um modelo mais econômico. Em outros, de um modelo mais avançado para tarefas complexas.

O problema é que cada provedor possui sua própria documentação, autenticação, preços e formas de pagamento.

Mas será que precisamos criar uma integração diferente para cada modelo?

Neste artigo, vamos explorar uma alternativa: utilizar uma API unificada, compatível com o formato da OpenAI, para trabalhar com diferentes modelos de IA usando Python.

1. O desafio de trabalhar com múltiplos modelos

Hoje, desenvolvedores podem escolher entre diversas famílias de modelos:

• OpenAI (GPT): aplicações conversacionais, programação e tarefas gerais.
• Anthropic (Claude): programação, análise de documentos e tarefas complexas.
• Google (Gemini): aplicações multimodais e processamento de grandes contextos.
• DeepSeek: uma alternativa interessante para projetos que precisam controlar custos.

Cada família possui características, preços e limitações diferentes.

Para um desenvolvedor independente ou uma pequena startup brasileira, administrar várias integrações pode aumentar a complexidade do projeto.

Além disso, há questões comerciais: cobrança em dólar, conversão cambial, cartões internacionais e disponibilidade de métodos de pagamento.

Uma arquitetura com API unificada pode simplificar parte desse trabalho.

2. O que é uma API compatível com OpenAI?

A ideia é simples.

Em vez de desenvolver uma integração completamente diferente para cada provedor, utilizamos um formato comum para enviar mensagens e receber respostas.

Por exemplo, uma requisição pode ter esta estrutura:

{
"model": "deepseek-v4-flash",
"messages": [
  {
    "role": "user",
    "content": "Explique o que é uma API REST."
  }
]
}

O campo model identifica o modelo que queremos utilizar.

O campo messages contém as mensagens enviadas à inteligência artificial.

Com uma API unificada, podemos manter essa estrutura básica e selecionar outros modelos disponíveis, sem reescrever toda a aplicação.

Isso não significa que todos os modelos terão exatamente os mesmos recursos. Streaming, ferramentas, formatos estruturados e limites de contexto devem ser verificados individualmente.

3. Exemplo prático com Python

Para demonstrar, vamos utilizar a MandAPI, uma plataforma que oferece acesso a diferentes modelos de IA por meio de uma interface compatível com OpenAI.

Site: https://mandapi.com

A MandAPI foi desenvolvida com atenção ao mercado brasileiro, oferecendo preços publicados em reais (BRL) e opções de pagamento locais, incluindo Pix.

Nossa primeira aplicação será bastante simples: enviar uma pergunta para um modelo e exibir sua resposta no terminal.

Passo 1 — Preparar o ambiente

Precisamos do Python instalado e da biblioteca requests.

Execute:

pip install requests

Depois, crie uma conta na MandAPI e gere uma chave de API no painel.

Por segurança, nunca coloque sua chave diretamente em um repositório público.

No terminal Linux ou macOS, configure:

export MANDAPI_API_KEY="sua_chave_aqui"

No PowerShell:

$env:MANDAPI_API_KEY="sua_chave_aqui"

Passo 2 — Fazer a primeira requisição

Crie um arquivo chamado main.py:

import os
import requests

API_KEY = os.environ["MANDAPI_API_KEY"]

URL = "https://api.mandapi.com/v1/chat/completions"

headers = {
  "Authorization": f"Bearer {API_KEY}",
  "Content-Type": "application/json"
}

payload = {
  "model": "deepseek-v4-flash",
  "stream": False,
  "messages": [
      {
          "role": "user",
          "content": "Explique Python em uma frase."
      }
  ]
}

response = requests.post(
  URL,
  headers=headers,
  json=payload,
  timeout=60
)

response.raise_for_status()

data = response.json()

print(data["choices"][0]["message"]["content"])

Execute:

python main.py

Se a chave estiver válida, o modelo estiver disponível e a requisição for aceita, o programa exibirá uma resposta no terminal.

Observe que não precisamos instalar um SDK específico do DeepSeek. Utilizamos uma requisição HTTP padrão.

4. Como trocar de modelo sem alterar toda a aplicação?

Aqui está uma das principais vantagens dessa abordagem.

Nosso código utiliza o campo:

"model": "deepseek-v4-flash"

Para trabalhar com outro modelo disponível, basta alterar o identificador e verificar se ele aceita o mesmo tipo de requisição.

Mas como descobrir quais modelos estão disponíveis?

Podemos consultar o catálogo diretamente pela API:

import os
import requests

response = requests.get(
  "https://api.mandapi.com/v1/models",
  headers={
      "Authorization": (
          f"Bearer {os.environ['MANDAPI_API_KEY']}"
      )
  },
  timeout=30
)

response.raise_for_status()

for model in response.json()["data"]:
  print(model["id"])

Assim, sua aplicação pode consultar os IDs atuais em vez de depender de uma lista fixa.

É importante lembrar que diferentes modelos podem ter preços, capacidades e formatos de resposta distintos.

5. Por que isso é relevante para desenvolvedores brasileiros?

Quando falamos de infraestrutura de IA, muitas discussões se concentram apenas na qualidade dos modelos.

Mas existe outra questão: como tornar essa tecnologia acessível para quem está desenvolvendo no Brasil?

Pense em um estudante criando seu primeiro projeto ou em uma pequena empresa desenvolvendo uma automação.

Alguns desafios comuns são:

• Entender quanto cada requisição realmente custa.
• Controlar o consumo de tokens.
• Evitar a complexidade de múltiplas integrações.
• Encontrar alternativas para diferentes orçamentos.
• Utilizar opções de pagamento adequadas ao mercado brasileiro.

Uma plataforma com preços em BRL e suporte a Pix pode reduzir obstáculos comerciais para parte desses desenvolvedores.

É justamente uma das propostas da MandAPI: facilitar o acesso a modelos de diferentes fornecedores com uma integração mais simples e opções de pagamento localizadas.

Naturalmente, antes de escolher qualquer gateway, também é importante avaliar estabilidade, privacidade, limites, custos e compatibilidade com sua aplicação.

6. Próximo passo: construir um chatbot com seleção de modelos

Agora que conseguimos enviar uma requisição, podemos evoluir o projeto.

Imagine uma aplicação na qual o usuário escolha o modelo por meio de um menu:

modelos = {
  "1": "deepseek-v4-flash",
  "2": "outro-modelo-disponivel"
}

escolha = input("Escolha o modelo: ")

modelo = modelos.get(escolha)

if modelo is None:
  raise ValueError("Opção inválida")

print("Modelo selecionado:", modelo)

O segundo identificador é apenas ilustrativo: ele deve ser substituído por um ID real retornado pelo catálogo da API.

Depois disso, podemos conectar o modelo selecionado a uma interface web usando Streamlit ou FastAPI.

Também podemos adicionar histórico de mensagens, métricas de consumo, tratamento de erros e comparação de respostas.

Com essa arquitetura, é possível experimentar diferentes modelos mantendo boa parte do código da aplicação.

7. Conclusão

A inteligência artificial está evoluindo rapidamente, e depender de uma única integração pode limitar a flexibilidade de um projeto.

APIs unificadas são uma alternativa interessante para desenvolvedores que querem testar diferentes modelos sem aumentar desnecessariamente a complexidade do código.

Neste tutorial, vimos como:

• Enviar mensagens para um modelo de IA usando Python.
• Utilizar uma API com formato compatível com OpenAI.
• Consultar os modelos disponíveis.
• Preparar uma aplicação para trabalhar com diferentes modelos.

Se quiser experimentar essa abordagem, você pode conhecer a MandAPI, que oferece uma API unificada com foco também em desenvolvedores brasileiros:

Site: https://mandapi.com

Documentação: https://mandapi.com/docs/quickstart

E você? Já utiliza diferentes modelos de IA no mesmo projeto ou prefere trabalhar diretamente com a API de cada provedor?

Compartilhe sua experiência nos comentários. Seria interessante conhecer as soluções que outros desenvolvedores brasileiros estão construindo!