OpenRouter 入门教程：一个 API 玩转 500+AI 模型

Ne0inhk

— 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

Java程序员的职业加速器：飞算JavaAI一键生成完整工程代码，轻松应对开发挑战

Java程序员的职业加速器：飞算JavaAI一键生成完整工程代码，轻松应对开发挑战

Java程序员的职业加速器：飞算JavaAI一键生成完整工程代码，轻松应对开发挑战 一、引言 作为一名中高级Java开发者，日常工作中最具挑战性的任务常常不是代码本身，而是如何应对老旧项目的复杂架构、频繁迭代的新增需求，以及反复琢磨的模块接口设计。这些问题不仅消耗大量的时间和精力，还可能影响开发效率，导致代码质量参差不齐，甚至延误项目进度。 飞算JavaAI的出现正是为了帮助开发者解决这些痛点。通过其强大的智能引导和一键生成完整工程代码的功能，飞算JavaAI有效减少了重复性劳动，显著提高了开发效率和代码质量，让开发者摆脱繁琐的日常任务，专注于核心业务逻辑的创新与实现。 使用飞算JavaAI，开发者能够显著降低因重复性工作带来的疲劳感和挫败感，提升自信心和工作积极性，在职业发展与个人生活之间找到更好的平衡。 文章目录 * Java程序员的职业加速器：飞算JavaAI一键生成完整工程代码，轻松应对开发挑战 * 一、引言 * 二、基础环境安装 * 三、飞算JavaAI核心功能评测 * 1. 一键生成完整工程代码 * 2. 智能分析

By Ne0inhk
【前端基础】HTML + CSS + JavaScript 快速入门（一）：HTML 详解

【前端基础】HTML + CSS + JavaScript 快速入门（一）：HTML 详解

【前端基础】HTML + CSS + JavaScript 快速入门（一）：HTML 详解 我的主页：寻星探路个人专栏：《JAVA（SE）----如此简单！！！ 》《从青铜到王者，就差这讲数据结构！！！》 《数据库那些事！！！》《JavaEE 初阶启程记：跟我走不踩坑》 《JavaEE 进阶：从架构到落地实战 》《测试开发漫谈》 《测开视角・力扣算法通关》《从 0 到 1 刷力扣：算法 + 代码双提升》 《Python 全栈测试开发之路》没有人天生就会编程，但我生来倔强！！！ 寻星探路的个人简介： 【前端基础】HTML + CSS + JavaScript 快速入门（一）：HTML 详解 摘要：本文是前端开发系列教程的第一篇。我们将从零开始认识 HTML 的基本结构，

By Ne0inhk
基于 Java 的消息队列选型年度总结：RabbitMQ、RocketMQ、Kafka 实战对比

基于 Java 的消息队列选型年度总结：RabbitMQ、RocketMQ、Kafka 实战对比

文章目录 * 基于 Java 的消息队列选型年度总结：RabbitMQ、RocketMQ、Kafka 实战对比 🚀 * 一、为什么需要消息队列？🤔 * 二、三大消息队列详解 📚 * 1. RabbitMQ * 2. RocketMQ * 3. Apache Kafka * 三、三大消息队列概览 📊 * 四、架构设计对比 🏗️ * 1. RabbitMQ 架构 * 2. RocketMQ 架构 * 3. Kafka 架构 * 五、Java 集成实战 💻 * 1. RabbitMQ + Spring Boot 示例 * 2. RocketMQ + Spring Boot 示例 * 3. Kafka + Spring Boot 示例

By Ne0inhk