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

架构大揭秘：单 Agent vs. 多 Agent，你的 AI 团队该怎么组建？

架构大揭秘：单 Agent vs. 多 Agent，你的 AI 团队该怎么组建？

架构大揭秘：单 Agent vs. 多 Agent，你的 AI 团队该怎么组建？ 文章目录 * 架构大揭秘：单 Agent vs. 多 Agent，你的 AI 团队该怎么组建？ * 前言：AI 世界的“单打独斗”与“团队协作” * 一、专业解读：Agent 的“独行侠”与“群英会” * 1.1 单 Agent：披荆斩棘的“全能战士” * 1.2 多 Agent：分工协作的“梦之队” * 1.3 核心对比：单 Agent vs.
鸿蒙 AI App 的技术架构解析

鸿蒙 AI App 的技术架构解析

子玥酱（掘金 / 知乎 / ZEEKLOG / 简书 同名） 大家好，我是子玥酱，一名长期深耕在一线的前端程序媛 👩‍💻。曾就职于多家知名互联网大厂，目前在某国企负责前端软件研发相关工作，主要聚焦于业务型系统的工程化建设与长期维护。 我持续输出和沉淀前端领域的实战经验，日常关注并分享的技术方向包括前端工程化、小程序、React / RN、Flutter、跨端方案， 在复杂业务落地、组件抽象、性能优化以及多端协作方面积累了大量真实项目经验。 技术方向：前端 / 跨端 / 小程序 / 移动端工程化 内容平台：掘金、知乎、ZEEKLOG、简书 创作特点：实战导向、源码拆解、少空谈多落地 文章状态：长期稳定更新，大量原创输出 我的内容主要围绕 前端技术实战、真实业务踩坑总结、框架与方案选型思考、行业趋势解读 展开。文章不会停留在“API 怎么用”，而是更关注为什么这么设计、在什么场景下容易踩坑、
【AI】coze的简单入门构建智能体

【AI】coze的简单入门构建智能体

前言：最近扣子很火，我来学习一下！扣子时新一代的AI应用平台。在扣子上搭建AI应用，只需要在界面上点击下一步下一步，做些配置，就可以快速去搭建一个AI应用。让我来看看，扣子是何方神圣吧~ 一、什么是coze？ 扣子是新一代AI应用开发平台。无论你是否有编程基础，都可以在扣子上快速搭建基于大模型的各类AI应用，并将AI应用发布到各个社交平台，也可以通过API或SDK将AI应用集成到你的业务系统中。 二、coze能做什么？ 扣子提供可视化设计与编排工具，通过零代码或低代码方式，快速搭建基于大模型的各类AI项目。（登录到扣子官网，进入到商店，有各种应用、插件等） * 智能体：智能体是基于对话的AI项目，能理解自然语言，调用知识库与插件，通过可视化工作流完成复杂任务，并可发布到多端使用，如智能客服、虚拟伴侣等 * 应用：利用大模型技术开发的应用程序。在扣子中搭建的AI应用具备完整业务逻辑和可视化用户界面，是一个独立的AI项目，如AI搜索、翻译工具等 * 插件：是 一个工具集，一个插件内可以包括一个或多个工具（API）。用于扩展智能体 / Bot 的功能，通过标准化接口与工作

ControlNet实战指南：从零构建AI绘画精准控制系统，轻松控制Stable Diffusion生成效果

ControlNet实战指南：从零构建AI绘画精准控制系统，轻松控制Stable Diffusion生成效果 【免费下载链接】ControlNetLet us control diffusion models! 项目地址: https://gitcode.com/gh_mirrors/co/ControlNet ControlNet是AI绘画领域的革命性技术，它让您能够精准控制Stable Diffusion等扩散模型的生成过程。无论您是想通过边缘检测、深度图、姿态估计还是语义分割来控制AI绘画，ControlNet都能为您提供强大的条件控制能力。这个开源项目让普通用户也能轻松实现专业级的AI绘画控制，无需复杂的编程知识即可上手。 🎨 ControlNet是什么？AI绘画控制的核心技术 ControlNet是一种神经网络结构，专门为扩散模型添加额外的条件控制。它通过复制预训练模型的权重到"锁定"副本和"可训练"副本中，实现了在不破坏原有模型的情况下学习新的控制条件。这种设计让您即使使用小型数据集进行训练，也不会影响生产就绪的扩散模型。 ControlNet架构示意图：