在合同智能审查场景中，通常需要同时调用 Qwen、GLM、Claude 三个大模型协同处理合同文本：Qwen 负责条款摘要提炼，GLM 负责风险点识别，Claude 提供合规建议。可通过 asyncio.gather 实现异步并发调用，结合 dataclass 或小写 key 的 dict 统一响应格式，并使用 FastAPI 暴露 /analyze 接口，便于业务系统集成。

如果你需要在同一个业务请求中并行调用多个大模型（如 Qwen、GLM、Claude）完成不同子任务，并统一编排最终结果，这种方案非常适合。例如，用户提交一份合同文本后，可同时让 Qwen 生成条款摘要、GLM 识别合同风险点、Claude 输出合规性建议，从而提升处理效率与结果完整性。

准备多模型客户端与配置

先安装必要依赖：pip install dashscope zhipuai anthropic python-dotenv。

然后在项目根目录创建 .env 文件，填写各平台的 API Key：注意：必须使用各平台最新版 SDK 所要求的环境变量名称，若仍使用旧版 key 名，可能导致客户端初始化失败：

DASHSCOPE_API_KEY=sk-xxx（通义千问）
ZHIPUAI_API_KEY=123456（智谱GLM）
ANTHROPIC_API_KEY=sk-ant-api03-xxx（Claude）

接着新建 models.py，分别定义三个独立的模型客户端实例，不要复用 session 或超时配置——【每个模型都必须使用专属 client，若混用 client，容易出现 headers 冲突或鉴权失效问题】：

编写并发调用核心函数

使用 asyncio.gather 并发发起三路模型请求，而不是线程池——因为主流大模型 API 本身就支持异步 HTTP，请求并发时使用线程反而会增加额外调度开销。

第一步，定义单模型推理函数 async_qwen()，输入参数为 text，输出结果为摘要字符串；第二步，定义 async_glm()，接收 text 后返回 JSON 格式的风险列表（包含位置、类型、描述等字段）；第三步，定义 async_claude()，输入 text，返回带段落编号的合规建议 Markdown 字符串。

将这三个异步函数统一传入 asyncio.gather()，并等待全部任务完成。这里不建议使用 asyncio.wait() 或 create_task 后再单独 await，否则无法充分发挥并发调用多个大模型接口的效率优势。

构造统一响应结构

方案一：使用 dataclass 定义 ResponseModel，包含 qwen_summary: str、glm_risks: list、claude_advice: str 三个字段，便于后续维护和类型约束。

方案二：直接使用 dict 进行组装，键名固定为 "summary" / "risks" / "advice"，这样更方便前端解析与接口消费——【键名必须全部小写且不能包含空格，否则在 FastAPI 自动序列化时可能出现兼容问题】。

将 gather 返回的三元组按既定顺序解包后，填充到 dict 中，最后再通过 json.dumps() 输出标准 JSON 结果。

接入 FastAPI 路由

创建 main.py，初始化 FastAPI 实例，并新增 POST /analyze 后端接口。

接口接收 JSON body：{"contract_text": "甲方应于…"}，需要校验字段存在且内容非空，同时限制文本长度不超过 128KB，以避免因超大文本导致 OOM 或接口性能下降。

随后调用上一步封装好的并发执行函数，使用 await 获取结果字典并直接 return——FastAPI 会自动完成 JSON 序列化以及 Content-Type 响应头处理。

启动服务命令：uvicorn main:app --reload --host 0.0.0.0 --port 8000。