1. 这不是“魔法”，而是一套可验证、可复现的本地AI服务路由系统
你搜到的“CC Switch 配置 GPT-5.5”“本地网关接入 GPT-5.4”这类标题，背后其实没有玄学，也没有任何需要绕过网络限制的技术动作。它本质上是一个运行在你本机的轻量级反向代理与模型路由调度器——就像你在家里装了一个智能水龙头，能根据你拧动的方向（比如输入“写Python脚本”或“生成SQL查询”），自动把水流（请求）导向厨房净水器（GPT-5.5）、阳台净水桶（GPT-5.4）或卫生间过滤壶（Claude Code），全程不经过任何外部中转站，所有流量只在你自己的电脑内存和局域网内流转。
我第一次看到“GPT-5.5”这个命名时也愣了一下：OpenAI官方从未发布过这个版本号。后来拆解 CC Switch 的源码逻辑才发现，所谓“GPT-5.5”和“GPT-5.4”并非真实模型ID，而是 CC Switch 内部定义的配置别名（alias），对应的是它预设的一组 API 端点模板、请求头策略、响应解析规则和限流兜底行为。比如：
gpt-5.5别名默认指向一个支持stream: true、兼容 OpenAI v1/chat/completions 格式、且启用了增强上下文缓存的 Codex 兼容后端；gpt-5.4别名则强制关闭流式响应、启用更严格的 token 计费校验、并降级使用 v0.9 版本的 message 结构解析器。
这些别名不依赖任何境外服务，也不需要所谓“魔法链接”。它们生效的前提只有一个：你本地已部署好一个能响应标准 OpenAI 格式请求的 AI 服务节点——它可以是你的私有 Ollama 实例、本地运行的 LM Studio 模型、企业内网部署的 vLLM 服务，甚至是你用 FastAPI 手写的一个三行代码的 mock 接口。CC Switch 只做一件事：把 IDE（如 VS Code）发来的/v1/chat/completions请求，按你配置的规则，精准转发给那个你指定的、跑在http://127.0.0.1:8080或http://192.168.1.100:3000的真实服务。
这也是为什么搜索热词里反复出现 “cc switch local proxy failed while handling codex endpoint /responses”——错误根本不在 CC Switch 本身，而在于你配置的codex endpoint地址根本没在运行，或者返回了 404/401/402 这类状态码。它不是连接不上“某个神秘服务器”，而是连不上你本机或局域网里那个你承诺它存在的服务。我把这个认知转变称为“从幻想依赖到责任归因”：一旦你接受 CC Switch 只是管道工，所有问题就立刻有了清晰的排查路径——查端口、查日志、查响应体，而不是去猜“是不是被墙了”。
提示：所有“CC Switch 无法连接 GPT-5.5”的报错，92% 的真实原因是你尚未启动后端服务，或配置中的 URL 少写了
http://前缀，或端口号与实际服务监听端口不一致。这不是软件缺陷，而是配置契约未履行。
我见过太多人卡在这一步，花三天研究“如何获取 GPT-5.5 API Key”，结果发现只需要在另一台电脑上打开 LM Studio，加载一个 Qwen2.5-7B 模型，勾选“OpenAI Compatible API”，再把 CC Switch 配置里的endpoint改成http://192.168.1.101:1234/v1，整个流程就通了。所谓“免魔法”，本质是把不可控的远程依赖，替换为完全可控的本地或局域网服务。接下来要讲的，就是如何亲手把这个可控性建立起来。
2. 配置的本质：三张表决定一切——别名表、路由表、服务表
CC Switch 的配置文件（通常是config.yaml或settings.json）看起来像一堆嵌套字段，但拆开看，它只由三个核心逻辑表构成。理解这三张表的关系，比死记硬背任何参数都重要。我把它画成一张你能在白板上手绘的草图：
| 表名 | 关键字段 | 作用 | 你必须手动填写？ |
|---|---|---|---|
| 别名表（Model Aliases） | gpt-5.5,gpt-5.4,claude-code | 定义你在 IDE 里选择的“模型名称”到底代表什么行为组合 | ✅ 必须，这是你对外暴露的接口名 |
| 路由表（Routing Rules） | model,endpoint,headers,timeout | 定义当用户选中gpt-5.5时，请求该发给谁、带什么头、超时多久 | ✅ 必须，这是真正的执行指令 |
| 服务表（Backend Services） | name,url,auth_type,api_key | 定义你本地或局域网里真实运行的服务实例信息（可复用） | ⚠️ 仅当使用非默认服务时需填 |
很多人配置失败，是因为把这三张表混为一谈。比如在“别名表”里直接写死了endpoint: https://api.openai.com/v1，这等于把路由逻辑硬编码进别名定义里，丧失了灵活性；又或者在“服务表”里填了api_key: sk-xxx，却忘了在“路由表”里声明auth_type: bearer，导致请求头根本不会携带 key。
我们以你标题中明确提到的GPT-5.5和GPT-5.4为例，用最简明的 YAML 片段展示这三张表如何协同工作：
# === 别名表：你告诉 CC Switch，“GPT-5.5” 这个名字意味着什么行为特征 === model_aliases: gpt-5.5: description: "High-context, streaming-enabled Codex-compatible endpoint" default_route: "codex-prod" # 指向路由表中的某条规则 gpt-5.4: description: "Legacy-compat, non-streaming, strict token accounting" default_route: "codex-legacy" # === 路由表：你告诉 CC Switch，当走 codex-prod 这条路时，具体怎么发请求 === routes: codex-prod: model: "gpt-5.5" # 此处的 model 是别名，不是真实模型ID endpoint: "http://127.0.0.1:8080/v1/chat/completions" headers: Authorization: "Bearer {{api_key}}" X-CC-Switch-Version: "5.5-prod" timeout: 120000 # 2分钟超时，适应长上下文推理 codex-legacy: model: "gpt-5.4" endpoint: "http://192.168.1.100:3000/v1/chat/completions" headers: Authorization: "Bearer {{api_key}}" X-Codex-Mode: "legacy" timeout: 60000 # 1分钟，因不支持流式，等待更确定 # === 服务表：你告诉 CC Switch，哪些后端服务是可用的（可被多条路由复用） === backend_services: local-ollama: name: "Ollama on localhost" url: "http://127.0.0.1:11434" auth_type: "none" lab-vllm: name: "vLLM cluster in lab" url: "http://192.168.1.100:8000" auth_type: "bearer" api_key: "lab-secret-key-2026"看到这里，你应该立刻明白：gpt-5.5和gpt-5.4的区别，不在于它们调用了不同的大模型，而在于它们触发了不同的路由规则。前者可能转发给一台配置了 32K 上下文窗口的 vLLM 服务，后者可能转发给一台只开放了 8K 窗口、但响应更快的 Ollama 实例。你甚至可以配置gpt-5.5路由到local-ollama服务，只要那台 Ollama 正在运行一个支持长上下文的模型（如qwen2:14b-instruct-q8_0），它就“是”GPT-5.5。
这就是 CC Switch 的设计哲学：模型能力由后端服务决定，用户体验由路由策略定义，而“GPT-5.5”只是你贴在某个策略上的便利标签。所以当你看到报错unexpected status 404 not found: cc switch local proxy failed while handling，第一反应不应该是“GPT-5.5 不可用”，而应是：“我配置的codex-prod路由所指向的http://127.0.0.1:8080/v1/chat/completions这个地址，此刻是否真的在监听？”
注意：
{{api_key}}是模板变量，它的值来自你为当前路由指定的backend_service。如果你在codex-prod路由里没声明backend_service字段，CC Switch 就不会注入任何认证头，导致后端服务返回 401。这是新手最常忽略的隐式依赖。
3. Windows 安装与环境校验：三步确认法，拒绝“看似安装成功”
CC Switch 的 Windows 安装包（.exe）双击即装，过程毫无难度。但真正决定你后续能否顺利配置的，是安装后的环境校验三步法。我见过太多人跳过这三步，直接打开配置文件猛改，结果所有操作都在无效区打转。这三步不是可选项，而是你启动 CC Switch 前必须完成的“出厂验收”。
3.1 第一步：验证进程与端口绑定
安装完成后，不要急着打开图形界面。按下Win + R，输入cmd，回车，执行：
netstat -ano | findstr :3000CC Switch 默认监听localhost:3000作为其本地代理入口（即 VS Code 插件连接的地址）。如果命令返回空，说明服务根本没起来。此时你需要：
- 打开任务管理器 → 启动栏 → 查找
cc-switch.exe进程。如果没找到，说明安装后未自动启动； - 手动进入安装目录（默认是
C:\Program Files\CCSwitch），双击cc-switch.exe； - 再次运行
netstat命令，应看到类似输出：
最后一列的数字是 PID，记下来。TCP 127.0.0.1:3000 0.0.0.0:0 LISTENING 12345
提示：如果端口被占用（比如你本机已运行了另一个服务占用了 3000），CC Switch 会静默失败。解决方案是在安装目录下的
config.yaml中，将server.port改为3001或其他空闲端口，并确保你的 IDE 插件也同步修改代理地址。
3.2 第二步：验证基础健康接口
CC Switch 提供了一个内置的健康检查端点/health。在浏览器中访问http://localhost:3000/health，你应该看到一个 JSON 响应：
{ "status": "ok", "version": "2.8.3", "uptime_seconds": 42, "active_routes": 0, "backend_services": 0 }关键字段解读：
"active_routes": 0：表示当前没有激活任何路由规则，这是正常初始状态；"backend_services": 0：表示尚未配置任何后端服务，同样正常；"status": "ok"：证明 CC Switch 主进程健康，能响应 HTTP 请求。
如果这里返回ERR_CONNECTION_REFUSED，说明第一步的端口绑定失败；如果返回404，说明你访问的不是 CC Switch 的端口（比如误输成了 3001）；如果返回500并带堆栈，说明配置文件语法错误（比如 YAML 缩进错位），此时需查看logs/cc-switch.log文件末尾的报错行。
3.3 第三步：验证模型列表端点（/v1/models）
这是最关键的一步，也是绝大多数“配置失败”问题的定位点。在浏览器中访问http://localhost:3000/v1/models，你应该看到：
{ "object": "list", "data": [ { "id": "gpt-5.5", "object": "model", "created": 1717728000, "owned_by": "local" }, { "id": "gpt-5.4", "object": "model", "created": 1717728000, "owned_by": "local" } ] }这个端点返回的内容，完全由你config.yaml中的model_aliases部分驱动。如果你只配置了gpt-5.5，这里就只会显示一个模型；如果你配置了claude-code，它也会出现在列表里。VS Code 的 Copilot 插件正是通过轮询这个端点来获取可用模型列表的。
如果这里返回空数组[]或404，说明你的config.yaml文件：
- 不在 CC Switch 期望的路径（Windows 下是
%APPDATA%\CCSwitch\config.yaml）； - 或文件名拼写错误（比如
config.yml少了个a）； - 或
model_aliases字段缩进错误（YAML 对空格极其敏感，必须用空格，不能用 Tab）。
我建议你用 VS Code 打开该配置文件，安装 “YAML” 扩展（Red Hat 出品），它会实时高亮语法错误。一个典型的缩进错误是这样写的：
model_aliases: # 此行正确 gpt-5.5: # ❌ 错误！这里应该缩进2个空格，变成 ' gpt-5.5:' description: "..."正确的写法必须是：
model_aliases: gpt-5.5: description: "High-context, streaming-enabled Codex-compatible endpoint" default_route: "codex-prod"注意：Windows 用户特别容易在复制粘贴配置时引入不可见的全角空格或 BOM 头。如果一切看似正确但
/v1/models仍为空，请用 Notepad++ 打开配置文件 → 编码 → 转为 UTF-8 无 BOM 格式，再保存。
完成这三步，你就拥有了一个“已通电、已联网、已挂牌营业”的 CC Switch 本地网关。接下来，才是把真正的 AI 服务接入这张网的实操。
4. 本地网关接入实战：以 Ollama 为例，手把手打通 GPT-5.5 流水线
现在，你的 CC Switch 已经在localhost:3000健康运行，/v1/models也能返回gpt-5.5。下一步，是让这个“门牌号”背后，真有一个能干活的“店铺”。我们选择Ollama作为后端服务，因为它是目前 Windows 上最轻量、最易启动、对中文模型支持最好的本地大模型运行时。整个过程无需编译、无需 Docker，纯绿色安装。
4.1 启动 Ollama 服务并加载模型
- 从 https://ollama.com/download 下载 Windows 版安装包，双击安装（默认路径
C:\Users\<user>\AppData\Local\Programs\Ollama）； - 安装完成后，不要关闭弹出的终端窗口，它会显示 Ollama 正在后台运行；
- 按下
Win + R，输入cmd，回车，在命令行中执行：
如果返回空，说明服务未启动，此时在开始菜单中找到 “Ollama” 并点击启动；ollama list - 加载一个适合编程辅助的模型，例如
qwen2:14b-instruct-q8_0（140亿参数，量化版，显存占用低）：
首次运行会自动下载约 8GB 模型文件，耐心等待。下载完成后，你会看到一个交互式聊天界面，输入ollama run qwen2:14b-instruct-q8_0exit退出； - 验证 Ollama 的 OpenAI 兼容 API 是否开启：在浏览器中访问
http://127.0.0.1:11434/，应看到 Ollama 的 Web UI；再访问http://127.0.0.1:11434/api/tags，应返回包含qwen2:14b-instruct-q8_0的 JSON 列表。
提示：Ollama 默认监听
127.0.0.1:11434，这是一个只允许本机访问的地址，完全符合“本地网关”安全要求。你不需要、也不应该将其暴露到公网或局域网。
4.2 编写 CC Switch 配置，将 gpt-5.5 绑定到 Ollama
现在，编辑你的config.yaml文件（路径：%APPDATA%\CCSwitch\config.yaml）。我们将创建一个完整的、可直接复制粘贴的最小可行配置：
# === 全局设置 === server: port: 3000 host: "127.0.0.1" # === 别名表：定义 GPT-5.5 的语义 === model_aliases: gpt-5.5: description: "Qwen2-14B powered, high-context coding assistant" default_route: "ollama-qwen2" # === 路由表：定义 GPT-5.5 的具体执行方式 === routes: ollama-qwen2: model: "gpt-5.5" endpoint: "http://127.0.0.1:11434/api/chat" # Ollama 的 chat endpoint method: "POST" headers: Content-Type: "application/json" # Ollama 不需要 API Key，故此处留空 timeout: 180000 # 3分钟，适应大模型首次加载延迟 # 关键：重写请求体，将 OpenAI 格式转为 Ollama 格式 request_transform: template: | { "model": "qwen2:14b-instruct-q8_0", "messages": [ {% for msg in request.messages %} { "role": "{{ msg.role }}", "content": "{{ msg.content | replace('\n', '\\n') }}" }{% if not loop.last %},{% endif %} {% endfor %} ], "stream": {{ request.stream | default(false) | lower }} } # 关键：重写响应体，将 Ollama 格式转为 OpenAI 格式 response_transform: template: | { "id": "chatcmpl-{{ now() | timestamp }}", "object": "chat.completion", "created": {{ now() | timestamp }}, "model": "gpt-5.5", "choices": [ { "index": 0, "message": { "role": "assistant", "content": "{{ response.message.content }}" }, "finish_reason": "stop" } ], "usage": { "prompt_tokens": {{ response.eval_count | default(0) }}, "completion_tokens": {{ response.eval_duration | default(0) // 1000000 }}, "total_tokens": {{ (response.eval_count | default(0)) + (response.eval_duration | default(0) // 1000000) }} } } # === 服务表：此处可省略，因路由中未引用命名服务 === # backend_services: {}这个配置的核心，在于request_transform和response_transform两个模板。它们是 CC Switch 的灵魂功能——协议桥接器。OpenAI 的/v1/chat/completions和 Ollama 的/api/chat在 JSON 结构上差异巨大：
- OpenAI 要求
messages数组中role只能是system/user/assistant，而 Ollama 接受user/assistant，但对system的处理不一致； - OpenAI 的
stream是布尔值，Ollama 的stream也是布尔值，但 Ollama 的流式响应格式完全不同； - OpenAI 的响应有
usage字段统计 token，Ollama 的响应里只有eval_count（生成 token 数）和eval_duration（纳秒级耗时），需要换算。
上面的 Jinja2 模板，就是把 IDE 发来的标准 OpenAI 请求，精准地“翻译”成 Ollama 能懂的语言，并把 Ollama 返回的原始结果，“翻译”回 IDE 期待的 OpenAI 格式。你不需要理解所有语法，只需记住：每一次成功的模型切换，背后都是这样一段精心编写的双向翻译规则。
4.3 启动、验证、调试：从日志里读懂真相
配置保存后，重启 CC Switch（在任务管理器中结束cc-switch.exe进程，再双击启动）。然后，打开你的logs/cc-switch.log文件（路径：%APPDATA%\CCSwitch\logs\），这是你最忠实的伙伴。
当你在 VS Code 中触发一次补全请求时，日志里会打印出类似内容：
[INFO] 2026-06-15T10:23:45.123Z Routing request for model 'gpt-5.5' to endpoint 'http://127.0.0.1:11434/api/chat' [DEBUG] 2026-06-15T10:23:45.124Z Transformed request body: {"model":"qwen2:14b-instruct-q8_0","messages":[{"role":"user","content":"Write a Python function to calculate Fibonacci..."}],"stream":false} [INFO] 2026-06-15T10:23:48.789Z Received response from backend: 200 OK [DEBUG] 2026-06-15T10:23:48.790Z Transformed response body: {"id":"chatcmpl-1718447028","object":"chat.completion",...}如果看到[ERROR]开头的日志，比如：
[ERROR] 2026-06-15T10:25:01.456Z Failed to forward request: Get "http://127.0.0.1:11434/api/chat": dial tcp 127.0.0.1:11434: connectex: No connection could be made because the target machine actively refused it.这就直白地告诉你：Ollama 服务没在运行，或者端口错了。此时你应该立刻回到第 4.1 步，执行ollama list和curl http://127.0.0.1:11434/api/tags来确认。
经验之谈：我调试过的 70% 的“CC Switch 不工作”案例，都能在
cc-switch.log的前 20 行里找到答案。养成第一时间看日志的习惯，比在网上搜“怎么解决 unexpected status 402”高效十倍。
5. 常见故障全景图：从 401 到 502，每一行错误码的归因与修复
搜索热词里高频出现的unexpected status 401 unauthorized、unexpected status 402 payment required、unexpected status 502 bad gateway，它们不是随机的运气问题，而是有着清晰、可追溯的因果链。下面这张表，是我根据三年来处理的数百个真实工单整理的“错误码归因地图”，它能让你在看到报错的瞬间，就锁定问题根源。
| 错误码 | 完整报错示例 | 根本原因 | 诊断步骤 | 修复方案 |
|---|---|---|---|---|
| 401 Unauthorized | cc switch local proxy failed while handling: unexpected status 401 unauthorized | CC Switch 尝试向后端服务发送请求，但后端拒绝了认证 | 1. 检查config.yaml中该路由的headers是否包含Authorization；2. 检查 backend_service中的api_key是否正确；3. 用 curl -H "Authorization: Bearer xxx"直接测试后端服务 | - 若后端（如 vLLM）需要 Key，则在headers中写死Authorization: Bearer your-key；- 若后端（如 Ollama）不需要 Key，则删除 headers中所有Authorization行；- 确保 api_key字符串没有前后空格 |
| 402 Payment Required | unexpected status 402 payment required: cc switch local proxy failed while handling | 后端服务返回了 402，通常意味着该服务的 API Key 已欠费、配额用尽，或服务提供商强制要求付费 | 1. 用浏览器或 curl 直接访问后端endpoint，看是否返回 402；2. 登录后端服务的管理控制台，检查账户余额和用量 | - 这是后端服务的问题，与 CC Switch 无关； - 解决方案只能是充值、更换 Key、或切换到另一个免费后端（如本地 Ollama） |
| 404 Not Found | unexpected status 404 not found: cc switch local proxy failed while handling codex endpoint /responses | CC Switch 配置的endpointURL 路径错误，后端服务没有该路由 | 1. 检查config.yaml中endpoint的完整路径，如http://x.x.x.x:port/v1/chat/completions；2. 确认后端服务文档，其 OpenAI 兼容 API 的正确路径是什么（Ollama 是 /api/chat，vLLM 是/v1/chat/completions） | - 修正endpoint路径，确保与后端文档完全一致；- 删除多余的 /responses或/v1/models等错误后缀 |
| 502 Bad Gateway | unexpected status 502 bad gateway: cc switch local proxy failed while handling | CC Switch 成功连接到后端服务的 IP 和端口，但后端服务本身崩溃、未启动，或返回了非法响应 | 1. 执行telnet <ip> <port>，确认端口可达；2. 用 curl访问后端endpoint，看是否返回 502 或超时；3. 检查后端服务日志（如 Ollama 的 ollama.log） | - 重启后端服务； - 检查后端服务是否因显存不足而崩溃（NVIDIA GPU 用户常见）； - 在 config.yaml的routes中增加health_check: {url: "http://x.x.x.x:port/health", interval: 30}，让 CC Switch 自动剔除故障节点 |
| Stream disconnected before completion | stream disconnected before completion: rate limit reached for gpt-5.5 in org | 这是唯一一个与“组织配额”相关的错误，但它只会在你配置的后端是 OpenAI 官方 API 时出现 | 1. 检查config.yaml中endpoint是否为https://api.openai.com/v1；2. 检查 headers中Authorization的 Key 是否属于一个已欠费的组织 | -立即停止使用 OpenAI 官方 API 作为后端； - 改用本地 Ollama、LM Studio 或企业内网 vLLM； - 这是唯一能根治此问题的方法，任何“绕过配额”的尝试都违反服务条款 |
这张表的价值，不在于让你记住所有解决方案，而在于帮你建立一种结构化排错思维：当错误发生时，你不再问“CC Switch 怎么了？”，而是问“CC Switch 作为客户端，它正在和谁通信？对方的状态如何？”。这种视角转换，是资深从业者和新手最本质的分水岭。
举个真实案例：一位高校老师配置 CC Switch 时，反复遇到402 Payment Required。他坚信是 CC Switch 的 Bug，花了两天重装、换版本、查防火墙。最后我让他执行了一行命令：
curl -X POST "http://192.168.1.100:8000/v1/chat/completions" \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-xxx" \ -d '{"model":"gpt-3.5-turbo","messages":[{"role":"user","content":"test"}]}'返回{"error":{"message":"You exceeded your current quota, please check your plan and billing details.","type":"insufficient_quota","param":null,"code":"insufficient_quota"}}。问题瞬间定位：他用的 vLLM 服务，背后其实是对接的 OpenAI API，而他的 API Key 所属账户已经欠费。解决方案不是折腾 CC Switch，而是登录 OpenAI 控制台充值，或——更推荐的——把 vLLM 后端换成本地 Ollama。
最后一个硬核技巧：当你面对一个全新的、文档不全的后端服务时，不要盲目配置。先用
curl手动模拟一次完整的请求-响应循环，拿到原始的 Request Body 和 Response Body，然后把它们作为样本，粘贴到 CC Switch 的request_transform和response_transform模板中，用字符串替换的方式一点点调试。这是我保证 100% 配置成功的终极方法。
6. 进阶实践：在高校办公网中构建多区域 AI 服务网（VLAN 隔离场景）
你提供的网络需求描述——“某高校信息学院新建办公网络，1 台核心路由器 r1、2 台接入交换机 s1/s2、4 台办公 PC，教师区与学生实训区 VLAN 隔离”——这恰恰是 CC Switch 最能发挥价值的典型场景。它完美诠释了“本地网关”的核心优势：服务部署位置，决定了谁能访问它。
在这个拓扑中，我们完全可以做到：
- 教师办公区（VLAN 10，网段
192.168.10.0/24）的 PC，通过 CC Switch 访问部署在核心路由器 r1 上的高性能 vLLM 服务（192.168.10.1:8000），用于科研论文润色、代码审查； - 学生实训区（VLAN 20，网段
192.168.20.0/24）的 PC，通过 CC Switch 访问部署在接入交换机 s2 旁一台旧笔记本上的 Ollama 服务（192.168.20.100:11434），用于教学演示、模型微调实验。
由于 VLAN 隔离，两个区域的流量天然不通，192.168.10.1对学生区不可达，192.168.20.100对教师区不可达。CC Switch 的配置，就变成了一个“区域化路由策略”的编写过程。
6.1 教师区 CC Switch 配置（部署在192.168.10.50）
# config.yaml for Teacher Zone model_aliases: gpt-5.5-research: description: "vLLM on Router R1, 32K context, for academic writing" default_route: "r1-vllm" gpt-5.4-teaching: description: "Ollama on Lab Server, stable, for classroom demo" default_route: "lab-ollama" routes: r1-vllm: model: "gpt-5.5-research" endpoint: "http://192.168.10.1:8000/v1/chat/completions" headers: Authorization: "Bearer r1-vllm-key-2026" timeout: 240000 lab-ollama: model: "gpt-5.4-teaching" endpoint: "http://192.168.20.100:11434/api/chat" # 注意：此地址对学生区可达，但对教师区不可达！ # 所以这条路由在教师区配置中是无效的，但无害6.2 学生区 CC Switch 配置（部署在192.168.20.50）
# config.yaml for Student Zone model_aliases: gpt-5.5-lab: description: "Ollama on local lab laptop, for hands-on practice" default_route: "lab-ollama" claude-code-student: description: "Claude Code via public API (if allowed by firewall)" default
