GPT en Claude Code via proxy: dónde se rompe

Cómo se conecta todo esto

Claude Code se puede dirigir a modelos externos de clase GPT a través de un proxy compatible con Anthropic: para la propia herramienta parece un endpoint normal de Anthropic, mientras el proxy transforma las peticiones a OpenAI u otro proveedor. En la documentación oficial de Anthropic para Claude Code, esto encaja en dos mecanismos: las variables de red HTTP_PROXY y HTTPS_PROXY, y el patrón de puerta de enlace LLM.

La configuración típica es sencilla: se levanta un proxy local o de puerta de enlace, luego Claude Code recibe ANTHROPIC_BASE_URL y un token como ANTHROPIC_AUTH_TOKEN o ANTHROPIC_API_KEY. El tutorial de LiteLLM describe exactamente este flujo: lanzar un proxy con litellm --config, verificar la compatibilidad con el formato Anthropic y luego ejecutar claude.

Sobre el papel no parece un hack. Claude Code no necesita saber si detrás del proxy hay GPT, Gemini, un backend tipo OpenRouter u otro enrutador. Toda la magia y todo el dolor residen en la capa de traducción: mensajes, llamadas a herramientas, streaming, estructura de la respuesta, enrutamiento de modelos.

Son especialmente interesantes los escenarios comunitarios con subagentes. En discusiones de Reddit, la gente intenta mapear agentes individuales a diferentes modelos, como un revisor de código a gpt-4o y un analista de datos a o3. Esto ya no es solo un cambio de modelo, sino un intento de reconstruir el comportamiento de una herramienta agentiva con piezas externas.

Dónde empieza a torcerse la cosa

El principal riesgo no es que el proxy no responda, sino que responda casi correctamente. Para un chat normal, eso basta, pero Claude Code depende mucho de las llamadas a herramientas, la salida en tiempo real y la comprensión correcta de los resultados intermedios.

Si las herramientas con formato Anthropic se traducen al formato de otro proveedor con pérdidas, el agente puede empezar a dar vueltas. De ahí las quejas sobre el spam de subagentes: el modelo o el proxy provocan delegaciones una y otra vez en lugar de cerrar la tarea. En el contexto de Reddit suministrado, se trata de un comportamiento reportado por la comunidad, no de un bug documentado oficialmente de Claude Code.

Yo miraría primero no la calidad de la respuesta final, sino la traza: qué llamadas a herramientas salen realmente, cómo vuelven los resultados, si se recorta el contexto, si se rompe el streaming. La codificación agentiva no suele morir de forma elegante, sino por pequeñas desincronizaciones.

Conclusión práctica sin romanticismos

Un proxy para GPT en Claude Code tiene sentido como experimento de ingeniería o como forma de incorporar enrutamiento de puerta de enlace, pero su estabilidad la determina el traductor de formatos más débil. LiteLLM, Bifrost, Kong AI Proxy y los proyectos proxy de GitHub resuelven un problema similar, pero sus casos límite serán diferentes.

No gana el backend cuyo modelo sea más inteligente en el vacío, sino el que mejor imite el comportamiento Anthropic para Claude Code. Si los subagentes empiezan a hacer spam, casi siempre es señal no de un mal prompt puntual, sino de una fricción entre la lógica agentiva de Claude Code y la semántica de un modelo ajeno. Ese punto sigue siendo el más delicado de todo el esquema.

Anteriormente analizamos en detalle cómo los proxies LLM y las capas de abstracción ayudan a evitar la dependencia de un solo proveedor. Esta práctica de ingeniería resuena directamente con la experiencia ambigua que tuvimos al intentar conectar modelos GPT en Claude Code a través de un proxy y encontrarnos con spam de subagentes.