OpenRouter 入门教程：一个 API 玩转 500+AI 模型

天一生水water2026-02-14 12:35

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

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。

bash 复制代码 
# 安装依赖
pip install openai python-dotenv

基础案例：调用GPT-3.5-turbo

python 复制代码 
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
    }
)

async def main():
    # 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）

python 复制代码 
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）

bash 复制代码 
# 安装SDK
pip install openrouter
python 复制代码 
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"
)

async def main():
    # 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：

python 复制代码 
# 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:free

async def free_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：

python 复制代码 
async def streaming_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
    )
    
    async for 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：

python 复制代码 
async def multi_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：

python 复制代码 
async def code_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：

python 复制代码 
async def model_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：

python 复制代码 
async def parameter_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：

python 复制代码 
async def tool_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 ：
  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！

相关推荐
threerocks1 小时前
AI 时代掌握 Markdown，是最基础也最必要的技能 （小红书长文也可以用哦）
人工智能·ai编程
看-是灰机2 小时前
openclaw部署
人工智能
硅基流动2 小时前
阻碍企业私有化大模型落地的“三座大山”
人工智能
宁远x2 小时前
大模型张量并行和序列并行介绍
人工智能·深度学习
三寸3372 小时前
ChatGPT Plus国内订阅三种方案深度对比：风险、成本分析
人工智能·ai·chatgpt
ZBLHai2 小时前
三款实用投标辅助工具网站推荐
大数据·人工智能
wenzhangli72 小时前
OoderA2UI流式样式设计：SkillCenter重磅组件实现传统组件一键换新
人工智能·网络协议·开源
三点水-here2 小时前
03 - KV Cache与批处理：大模型推理的内存管理核心技术
服务器·人工智能·ai编程
byzh_rc2 小时前
[深度学习网络从入门到入土] 拓展 - 激活函数
网络·人工智能·深度学习
热门推荐
01GitHub 镜像站点02Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services03爬虫逆向之观安（观镜WEB应用安全防护系统）04openClaw安装飞书插件｜核心踩坑：spawn EINVAL 错误终极解决指南05BongoCat - 跨平台键盘猫动画工具06HTB 赛季10 - Pterodactyl - user07UV安装并设置国内源08243 行 microGPT：把“训练 + 推理”拆到骨头里09openclaw配置教程（linux+局域网ollama）10openclaw 配置飞书 报错 应用未建立长连接