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
  

二、准备工作：注册与API密钥获取

1. 注册账号

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：

3. 创建API密钥

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
}
)

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）

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"
)

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：

# 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：

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：

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：

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：

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：

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：

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

最佳实践

六、进阶方向

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！