OpenRouter 入门教程：一个 API 玩转 500+AI 模型

优质文章学习记录

— 8 min read
OpenRouter 入门教程：一个 API 玩转 500+AI 模型

OpenRouter入门教程：一个API玩转500+AI模型（多案例版）

一、OpenRouter是什么？

OpenRouter是一个AI模型API聚合平台，它像一个"万能插座"，让你用一个API密钥和统一接口调用来自OpenAI、Anthropic、Google、Mistral等50+提供商的500+主流AI模型，包括50+个可免费使用的模型。

核心优势：

  • 统一接口：无需适配不同厂商的API格式
  • 灵活切换：一行代码即可更换模型，便于对比测试
  • 成本优化：自动选择最经济的模型方案
  • 自动故障转移：主模型不可用时自动切换备用模型

免费模型：提供多个免费模型，适合学习和原型开发

在这里插入图片描述

二、准备工作：注册与API密钥获取

1. 注册账号

  1. 访问官网：https://openrouter.ai
  2. 点击"Sign Up"注册，支持Google账号快速登录或邮箱注册
  3. 完成邮箱验证后登录

2. 启用免费模型（重要）

免费模型需要特殊的隐私设置，否则无法使用：

  1. 点击右上角头像 → Settings（设置）→ Privacy（隐私）
  2. 勾选"Agree to the free models data policy"（同意免费模型数据政策）
  3. 保存设置

3. 创建API密钥

  1. 点击右上角头像 → API Keys（密钥）
  2. 点击"Create Key"创建新密钥
  3. 输入密钥名称，可选设置额度限制
  4. 复制密钥并妥善保存（仅显示一次）

三、三种核心调用方式（Python）

方式1：使用OpenAI SDK（推荐，兼容性最好）

OpenRouter提供OpenAI兼容接口，可直接使用OpenAI SDK调用所有模型。

# 安装依赖 pip install openai python-dotenv

基础案例：调用GPT-3.5-turbo

import os from openai import OpenAI from dotenv import load_dotenv # 加载环境变量 load_dotenv()# 配置OpenRouter客户端 client = OpenAI( base_url="https://openrouter.ai/api/v1", api_key=os.getenv("OPENROUTER_API_KEY"), default_headers={"HTTP-Referer":"https://your-website.com",# 可选，用于排行榜展示"X-Title":"Your App Name"# 可选，应用名称})asyncdefmain():# 发送请求 completion =await client.chat.completions.create( model="openai/gpt-3.5-turbo", messages=[{"role":"user","content":"用一句话解释什么是人工智能？"}])# 输出结果print(completion.choices[0].message.content)# 运行主函数import asyncio asyncio.run(main())

方式2：直接API调用（无依赖，适合轻量场景）

import requests import os import json from dotenv import load_dotenv load_dotenv() url ="https://openrouter.ai/api/v1/chat/completions" headers ={"Authorization":f"Bearer {os.getenv('OPENROUTER_API_KEY')}","Content-Type":"application/json","HTTP-Referer":"https://your-website.com",# 可选"X-Title":"Your App Name"# 可选} data ={"model":"deepseek/deepseek-r1-distill-llama-70b:free",# 免费模型"messages":[{"role":"user","content":"推荐3本Python入门书籍"}]}# 发送POST请求 response = requests.post(url, headers=headers, data=json.dumps(data)) result = response.json()# 输出结果print(result["choices"][0]["message"]["content"])

方式3：使用OpenRouter Python SDK（Beta版）

# 安装SDK pip install openrouter 
from openrouter import OpenRouter import os from dotenv import load_dotenv load_dotenv()# 初始化客户端 client = OpenRouter( api_key=os.getenv("OPENROUTER_API_KEY"), base_url="https://openrouter.ai/api/v1")asyncdefmain():# 发送请求 response =await client.chat.completions.create( model="mistralai/mistral-7b-instruct:free",# 免费模型 messages=[{"role":"user","content":"什么是大语言模型？"}])# 输出结果print(response.choices[0].message.content)# 运行import asyncio asyncio.run(main())

四、7个实战案例，覆盖主流应用场景

案例1：免费模型调用（零成本学习）

OpenRouter提供多个免费模型，名称通常带":free"后缀：

# 免费模型列表（部分）：# - deepseek/deepseek-r1-distill-llama-70b:free# - mistralai/mistral-7b-instruct:free# - google/gemma-7b-it:free# - tencent/tencenthunyuan-pro-7b:freeasyncdeffree_model_demo(): completion =await client.chat.completions.create( model="mistralai/mistral-7b-instruct:free",# 选择免费模型 messages=[{"role":"user","content":"写一首关于程序员的短诗"}])print("免费模型结果：")print(completion.choices[0].message.content) asyncio.run(free_model_demo())

案例2：流式响应（实时显示结果）

适合聊天应用，逐字显示AI回复：

asyncdefstreaming_demo():print("AI正在思考，将实时显示结果：") stream =await client.chat.completions.create( model="openai/gpt-3.5-turbo", messages=[{"role":"user","content":"解释什么是流式响应？"}], stream=True# 启用流式)asyncfor chunk in stream:if chunk.choices[0].delta.content:print(chunk.choices[0].delta.content, end="", flush=True) asyncio.run(streaming_demo())

案例3：多轮对话（上下文记忆）

通过维护messages列表实现连续对话：

asyncdefmulti_turn_demo():# 初始化对话历史 messages =[{"role":"system","content":"你是一个友好的助手，擅长解释技术概念"},{"role":"user","content":"什么是OpenRouter？"}]# 第一轮对话 response =await client.chat.completions.create( model="anthropic/claude-3-haiku", messages=messages ) assistant_msg = response.choices[0].message print("AI:", assistant_msg.content)# 添加AI回复到对话历史 messages.append(assistant_msg)# 第二轮对话（基于上下文） messages.append({"role":"user","content":"它和直接调用OpenAI API有什么区别？"}) response2 =await client.chat.completions.create( model="anthropic/claude-3-haiku", messages=messages )print("AI:", response2.choices[0].message.content) asyncio.run(multi_turn_demo())

案例4：代码生成与解释

调用擅长代码的模型生成Python代码：

asyncdefcode_generation_demo(): prompt =""" 写一个Python函数，实现以下功能： 1. 接收一个列表作为输入 2. 计算列表中所有偶数的平方和 3. 返回结果 4. 添加详细注释 """ response =await client.chat.completions.create( model="deepseek/deepseek-coder-6.7b-instruct:free",# 免费代码模型 messages=[{"role":"user","content": prompt}], temperature=0.3# 降低随机性，提高代码准确性)print("生成的代码：")print(response.choices[0].message.content) asyncio.run(code_generation_demo())

案例5：模型对比测试（一行代码切换模型）

快速对比不同模型的输出差异：

asyncdefmodel_comparison_demo(): prompt ="解释量子计算的基本原理，用简单易懂的语言" models =["openai/gpt-3.5-turbo","anthropic/claude-3-haiku","mistralai/mistral-7b-instruct:free"]for model in models:print(f"\n===== {model} =====") response =await client.chat.completions.create( model=model, messages=[{"role":"user","content": prompt}])print(response.choices[0].message.content[:200]+"...")# 显示前200字符 asyncio.run(model_comparison_demo())

案例6：参数调优（控制输出风格）

通过参数调整AI回复的长度、随机性和格式：

asyncdefparameter_tuning_demo(): messages =[{"role":"user","content":"写一个关于太空探索的故事"}]# 高随机性（创意故事）print("=== 高随机性（temperature=0.9）===") response1 =await client.chat.completions.create( model="openai/gpt-3.5-turbo", messages=messages, temperature=0.9,# 0-2，越高越随机 max_tokens=200# 限制最大长度)print(response1.choices[0].message.content)# 低随机性（结构化输出）print("\n=== 低随机性（temperature=0.1）===") response2 =await client.chat.completions.create( model="openai/gpt-3.5-turbo", messages=messages, temperature=0.1, max_tokens=200, top_p=0.1# 核采样，0-1，越小越集中)print(response2.choices[0].message.content) asyncio.run(parameter_tuning_demo())

案例7：工具调用（连接外部API）

通过MCP（Model Context Protocol）实现工具调用：

asyncdeftool_calling_demo():# 定义可用工具 tools =[{"type":"function","function":{"name":"get_weather","description":"获取指定城市的天气信息","parameters":{"type":"object","properties":{"city":{"type":"string","description":"城市名称"}},"required":["city"]}}}] response =await client.chat.completions.create( model="openai/gpt-3.5-turbo", messages=[{"role":"user","content":"北京今天的天气怎么样？"}], tools=tools, tool_choice="auto"# 自动选择工具)# 处理工具调用请求 tool_calls = response.choices[0].message.tool_calls if tool_calls:print("需要调用工具：", tool_calls[0].function.name)# 这里可以添加调用外部天气API的逻辑# 然后将结果返回给模型继续生成回复 asyncio.run(tool_calling_demo())

五、常见问题与最佳实践

常见问题

  1. 免费模型无法使用：检查隐私设置是否启用了免费模型数据政策
  2. API调用失败：
    • 检查API密钥是否正确
    • 确认模型名称是否正确（可在https://openrouter.ai/models查询）
    • 检查余额是否充足（免费模型有调用频率限制）
  3. 响应缓慢：尝试切换到其他模型，或调整max_tokens减少输出长度

最佳实践

  1. 环境变量管理：使用dotenv存储API密钥，避免硬编码
  2. 错误处理：添加try-except捕获API调用异常
  3. 模型选择策略：
    • 原型开发：使用免费模型
    • 生产环境：根据任务选择最合适的付费模型
    • 成本敏感：选择性价比高的模型如Mistral、DeepSeek
  4. 对话管理：合理维护上下文，避免对话历史过长导致token消耗过多
  5. 监控与优化：使用OpenRouter控制台查看调用统计，优化模型选择和参数设置

六、进阶方向

  1. 批量处理：同时处理多个请求，提高效率
  2. 自定义路由：根据任务类型自动选择最优模型
  3. 缓存机制：缓存常见查询结果，减少API调用
  4. 多模态：调用支持图像生成的模型（如DALL-E、Stable Diffusion）
  5. 应用部署：将OpenRouter集成到Web应用、桌面程序或移动应用中

总结

OpenRouter让AI开发变得前所未有的简单，你只需专注于应用逻辑，无需关心底层模型的复杂性。通过本教程的7个案例，你已经掌握了从基础调用到高级功能的核心技能。现在，开始用一个API探索500+AI模型的无限可能吧！

Read more

华为云Flexus+DeepSeek征文｜云智融合·构建AI开发创新引擎·Web Search工作流搭建2.0版本的DeepSeek：简易浏览器

华为云Flexus+DeepSeek征文｜云智融合·构建AI开发创新引擎·Web Search工作流搭建2.0版本的DeepSeek：简易浏览器

前引：“当前，数字经济蓬勃发展，云计算已成为承载万物智能的坚实底座，而人工智能则以前所未有的速度渗透并重塑着千行百业。在这场深刻的技术变革浪潮中，华为云始终走在前沿，以其领先的技术实力和前瞻性的战略布局，致力于为全球企业提供强大、可靠的云服务。特别是其在AI领域的持续深耕，催生了如DeepSeek和Dify等一系列创新平台。本文将深入探讨华为云如何凭借Dify高效的LLM应用开发框架和插件组合出独特的AI搜索【搭建一个简易浏览器】，共同构建AI开发新范式，加速智能化转型，解锁未来产业的无限可能 ！怎么样，感兴趣了吗？！ 目录 【一】云计算与人工智能在各行业中的核心地位 （1）云计算： （2）人工智能： 【二】华为云定位 （1）基础定位： （2）核心定位： （3）行业生态定位： 【三】本文核心 【四】华为云的整体框架 【五】华为云的服务体系 【六】华为云Flexus核心技术 【七】华为云Dify平台解析 （1）应用开发平台的特性 （2）核心优势 （3）华为云AI平台对比市场AI的优势
WebGIS视角：体感温度实证，哪座“火炉”火力全开？

WebGIS视角：体感温度实证，哪座“火炉”火力全开？

目录 前言 一、火炉城市空间分布及特点 1、空间分布 2、气候特点 二、数据来源及技术实现 1、数据来源介绍 2、技术路线简介 三、WebGIS系统实现 1、后端设计与实现 2、前端程序实现 四、成果展示 1、整体展示 2、蒸烤模式城市 3、舒适城市 五、总结 前言         “火炉城市”是中国对夏季天气酷热的城市的夸张称呼。这一说法最早出现在民国时期，当时媒体有“三大火炉”之说，即重庆、武汉和南京，都是长江沿线的著名大城市，分别居于长江的上、中、下游，因夏季气温炎热，被媒体夸张地称为“火炉”。新中国成立后，又有了“四大火炉”之说，

noteDigger：终极前端扒谱工具，让音乐制作变得简单快速

noteDigger：终极前端扒谱工具，让音乐制作变得简单快速 【免费下载链接】noteDigger在线前端频率分析扒谱 front-end music transcription 项目地址: https://gitcode.com/gh_mirrors/no/noteDigger noteDigger是一款创新的前端扒谱工具，专为音乐创作者和制作人设计。这款免费工具采用纯前端技术，无需安装任何软件或依赖库，双击即可使用，让音乐扒谱变得前所未有的简单！🎵 为什么选择noteDigger进行音乐扒谱？ 在数字音乐时代，扒谱工具是每位音乐制作人的必备利器。noteDigger以其独特的优势脱颖而出： * 零配置使用：直接打开HTML文件即可开始工作 * 现代UI设计：直观的界面让新手也能快速上手 * 自主技术栈：完全自主研发，不依赖任何框架，项目体积小巧 * 跨平台兼容：支持所有现代浏览器，包括Chrome、Firefox等 快速上手：三步完成音乐扒谱 第一步：导入音频文件 noteDigger支持多种音频格式，包括常见的MP3、WAV文件，甚至视频格式如MP
速通前端篇 —— CSS

速通前端篇 —— CSS

找往期文章包括但不限于本期文章中不懂的知识点： 个人主页：我要学编程程(ಥ_ಥ)-ZEEKLOG博客 所属专栏：速通前端 目录 CSS的介绍 基本语法规范 CSS选择器 标签选择器 class选择器  id选择器  复合选择器  通配符选择器 CSS常见样式  颜色 color 字体大小 font-size  边框 border  宽度 与 高度  内边距 外边距  CSS的介绍 CSS(Cascading Style Sheet)，层叠样式表，用于控制页面的样式。CSS能够对网页中元素位置的排版进行像素级精确控制，实现美化页面的效果。能够做到页面的样式和结构分离。简单理解，CSS就是类似于对页面进行"化妆"，让页面变得更加好看。 基本语法规范 选择器+{一条/N条声明} 1、