OpenRouter：AI 模型的超级连接器，手把手教你如何使用！

王哥儿聊AI

已于 2025-05-05 20:05:35 修改

阅读量1.2k

点赞数 19

分类专栏：大模型知识篇文章标签： microsoft 人工智能深度学习自然语言处理语言模型

于 2025-05-05 14:09:03 首次发布

本文链接：https://blog.csdn.net/m0_58581576/article/details/147712265

版权

大模型知识篇专栏收录该内容

2 篇文章

订阅专栏

在当今快速迭代发展的 AI 时代，各种强大的 AI 模型如雨后春笋般涌现，但如何高效地接入和使用这些模型，成为了开发者和用户面临的一大挑战。OpenRouter 的出现，就像一座桥梁，将不同的 AI 模型连接起来，为人们提供了一个便捷、高效的解决方案。

本文目录

一、OpenRouter 是什么

OpenRouter 是一个 AI 模型的聚合平台，它将来自不同提供商的各种 AI 模型集成到一个统一的接口中。无论是热门的 GPT-4、Claude、Gemini，还是开源的 LLaMA、Mistral 等，都可以通过 OpenRouter 轻松访问。这就好比你有一个万能遥控器，可以控制各种不同品牌的电器，极大地简化了操作流程。

二、OpenRouter 的主要功能

（一）统一 API 访问

OpenRouter 提供了一个标准化的 API，允许用户通过单一接口与多个 AI 模型进行交互。这意味着开发者无需为每个模型单独编写复杂的代码，只需更换 API 密钥和基础 URL，就能轻松切换模型。这种高度的兼容性，让开发过程变得更加高效和便捷。

（二）模型多样性

OpenRouter 拥有丰富的模型库，涵盖了从大型商业模型到开源模型的各种选择。用户可以根据自己的需求和预算，灵活选择最适合的模型。无论是需要高性能的商业模型，还是希望节省成本的开源选项，OpenRouter 都能满足。

（三）灵活定价

OpenRouter 采用基于上游提供商费率的定价机制，提供有竞争力的即用即付和订阅定价选项。用户可以根据自己的使用情况，选择最合适的付费方式。此外，平台还提供了一些免费模型，供用户进行初步的测试和开发。

（四）交互式游乐场

为了帮助用户更好地了解和使用不同的 AI 模型，OpenRouter 提供了一个交互式游乐场。在这里，用户可以自由地试验不同的模型和提示，观察它们的输出和性能。这不仅有助于用户找到最适合自己的模型，还能激发更多的创意和灵感。

（五）开发者友好的集成

OpenRouter 支持与各种应用程序和框架的集成。无论是 Python、Java 还是 JavaScript，开发者都可以轻松地将 OpenRouter 集成到自己的项目中。此外，平台还提供了详细的文档和示例代码，帮助开发者快速上手。

三、OpenRouter 的使用方法

（一）注册账户

首先，访问 OpenRouter 官网（OpenRouter “Sign In” 按钮，使用 Google/GitHub 账号或个人邮箱注册。

（二）获取 API 密钥

注册完成后，点击右上角的头像，选择 “Keys”，然后点击 “Create Key”，创建一个新的 API 密钥。这个密钥将用于后续的 API 调用，因此请妥善保存。

（三）选择模型

在 OpenRouter 的 “Models” 页面，你可以浏览所有可用的模型，并选择你想要使用的模型。每个模型都有详细的介绍和参数设置，帮助你更好地了解其功能和性能。

带有free标识的为免费模型

点进去后，此处为调用模型的名称

（四）构建代码

以 Python 为例，以下是一个简单的代码示例，展示如何使用 OpenRouter 调用 AI 模型：

import requests
import json

url = "https://openrouter.ai/api/v1/chat/completions"
model = "deepseek/deepseek-r1-distill-llama-70b:free"  # 选择的模型
request_headers = {
    "Authorization": "Bearer 你的API-key",  # 替换为你的 API 密钥
    "HTTP-Referer": "http://localhost:8088",
    "X-Title": "test"
}
default_prompt = "You are an AI assistant that helps people find information."

def llm(user_prompt, system_prompt=default_prompt):
    messages = [
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": user_prompt},
    ]
    request_json = {
        "model": model,
        "messages": messages,
        "max_tokens": 2048
    }
    response = requests.request(
        url=url,
        method="POST",
        json=request_json,
        headers=request_headers
    )
    return json.loads(response.content.decode('utf-8'))['choices'][0]['message']['content']

if __name__ == '__main__':
    print(llm("你好，介绍一下你自己"))