首页
AI 服务
API 服务
OpenRouter - API

OpenRouter - API

📋 服务信息

提供者： OpenRouter
服务类型： API 服务
API 端点： https://openrouter.ai/api/v1
免费类型： 永久免费（有使用限制）
API 兼容性： 完全兼容 OpenAI API

🎯 服务简介

OpenRouter API 通过统一的接口提供 47+ 个免费 AI 模型，完全兼容 OpenAI API 格式，让您可以轻松切换和测试不同的模型。

核心优势：

  • 🎯 一站式访问 - 一个 API 密钥访问 47+ 模型
  • 🔄 OpenAI 兼容 - 无缝迁移现有代码
  • 🎁 大量免费模型 - 包括 Llama 3.1 405B 等顶级模型
  • 🚀 智能路由 - 自动选择最优提供者
  • 💰 灵活定价 - 免费模型永不扣费

🚀 快速开始

前提条件

必需：

  • ✅ 已创建 API 密钥

详细步骤请参考：OpenRouter 注册指南

5 分钟快速示例

使用 OpenAI SDK（推荐）

Python
from openai import OpenAI

# 配置 OpenRouter
client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="YOUR_OPENROUTER_API_KEY",
)

# 调用免费模型
response = client.chat.completions.create(
    model="meta-llama/llama-3.3-70b-instruct:free",
    messages=[
        {"role": "user", "content": "介绍一下 OpenRouter"}
    ]
)

print(response.choices[0].message.content)

🤖 免费模型列表

如何识别免费模型

免费模型的 model ID 以 :free 结尾：

  • ✅ meta-llama/llama-3.3-70b-instruct:free
  • ❌ meta-llama/llama-3.3-70b-instruct（付费）

顶级免费模型

Model ID 参数量 上下文 特点
meta-llama/llama-3.3-70b-instruct:free 70B 128K Meta 最新
meta-llama/llama-3.1-405b-instruct:free 405B 128K 超大参数
deepseek/deepseek-r1-0528:free - 64K 推理专家
qwen/qwen-3-235b-a22b:free 235B 128K 阿里旗舰
mistralai/mistral-small-3.1-24b:free 24B 32K Mistral 高效

轻量快速模型

Model ID 参数量 上下文 特点
meta-llama/llama-3.2-3b-instruct:free 3B 128K 轻量快速
google/gemma-3-4b-instruct:free 4B 8K 小而强大
mistralai/mistral-7b-instruct:free 7B 32K 经典高效

代码专用模型

Model ID 特点
mistralai/devstral-2512:free Mistral 代码专家
qwen/qwen-3-coder:free 通义千问代码版

🔢 配额和限制

API 配额

限制类型 基础层 升级层（$10）
每日请求数 50 requests 1,000 requests
每分钟请求数 20 requests 20 requests
免费模型 47+ 47+
费用 $0 $10 一次性

⚠️ 重要限制

  1. 模型标识： 必须使用 :free 后缀的模型 ID
  2. 配额共享： 所有免费模型共享配额
  3. 速率限制： 超过限制返回 429 错误
  4. 余额保护： 可设置信用限额为 $0 避免误用付费模型

📖 API 使用示例

1. 基础对话

Python（OpenAI SDK）：

Python
from openai import OpenAI

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="YOUR_OPENROUTER_API_KEY"
)

response = client.chat.completions.create(
    model="meta-llama/llama-3.3-70b-instruct:free",
    messages=[
        {"role": "system", "content": "你是一个有帮助的AI助手"},
        {"role": "user", "content": "什么是机器学习？"}
    ]
)

print(response.choices[0].message.content)

2. 流式输出

Python
from openai import OpenAI

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="YOUR_OPENROUTER_API_KEY"
)

stream = client.chat.completions.create(
    model="meta-llama/llama-3.3-70b-instruct:free",
    messages=[
        {"role": "user", "content": "写一篇关于AI的文章"}
    ],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

3. 使用 requests 库

Python
import requests

url = "https://openrouter.ai/api/v1/chat/completions"
headers = {
    "Authorization": "Bearer YOUR_OPENROUTER_API_KEY",
    "Content-Type": "application/json"
}
data = {
    "model": "meta-llama/llama-3.3-70b-instruct:free",
    "messages": [
        {"role": "user", "content": "你好"}
    ]
}

response = requests.post(url, headers=headers, json=data)
print(response.json()["choices"][0]["message"]["content"])

4. cURL 示例

Bash
curl https://openrouter.ai/api/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_OPENROUTER_API_KEY" \
  -d '{
    "model": "meta-llama/llama-3.3-70b-instruct:free",
    "messages": [
      {
        "role": "user",
        "content": "介绍一下 OpenRouter"
      }
    ]
  }'

5. Node.js 示例

JavaScript
const fetch = require('node-fetch');

async function chat() {
    const response = await fetch('https://openrouter.ai/api/v1/chat/completions', {
        method: 'POST',
        headers: {
            'Authorization': 'Bearer YOUR_OPENROUTER_API_KEY',
            'Content-Type': 'application/json'
        },
        body: JSON.stringify({
            model: 'meta-llama/llama-3.3-70b-instruct:free',
            messages: [
                { role: 'user', content: '你好' }
            ]
        })
    });
    
    const data = await response.json();
    console.log(data.choices[0].message.content);
}

chat();

6. 多轮对话

Python
from openai import OpenAI

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="YOUR_OPENROUTER_API_KEY"
)

messages = [
    {"role": "system", "content": "你是一个Python编程助手"}
]

# 第一轮
messages.append({"role": "user", "content": "如何读取文件？"})
response = client.chat.completions.create(
    model="meta-llama/llama-3.3-70b-instruct:free",
    messages=messages
)
messages.append({"role": "assistant", "content": response.choices[0].message.content})

# 第二轮
messages.append({"role": "user", "content": "那写入呢？"})
response = client.chat.completions.create(
    model="meta-llama/llama-3.3-70b-instruct:free",
    messages=messages
)
print(response.choices[0].message.content)

💡 最佳实践

✅ 推荐做法

  1. 选择合适的模型

    # 快速任务
model = "meta-llama/llama-3.2-3b-instruct:free"

# 通用任务
model = "meta-llama/llama-3.3-70b-instruct:free"

# 复杂任务
model = "meta-llama/llama-3.1-405b-instruct:free"

# 中文任务
model = "qwen/qwen-3-235b-a22b:free"

# 代码任务
model = "mistralai/devstral-2512:free"

  2. 设置余额限制

    # 在 OpenRouter 控制台设置
# Settings → Credits → Monthly Limit → $0
# 这样可以防止误用付费模型

  3. 实现错误处理和重试

    import time
from openai import OpenAI, RateLimitError

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="YOUR_OPENROUTER_API_KEY"
)

def call_with_retry(messages, max_retries=3):
    for i in range(max_retries):
        try:
            return client.chat.completions.create(
                model="meta-llama/llama-3.3-70b-instruct:free",
                messages=messages
            )
        except RateLimitError:
            if i < max_retries - 1:
                wait_time = 2 ** i
                print(f"速率限制，等待 {wait_time} 秒...")
                time.sleep(wait_time)
            else:
                raise

  4. 监控使用情况

    # 访问 https://openrouter.ai/activity
# 查看详细的使用统计和成本

  5. 安全管理 API 密钥

    import os
from dotenv import load_dotenv

load_dotenv()
api_key = os.getenv('OPENROUTER_API_KEY')

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key=api_key
)

🔧 常见问题

1. 如何查看所有免费模型？

方法：

  • 访问：https://openrouter.ai/models?free=true
  • 或使用 API： 
    response = requests.get(
    "https://openrouter.ai/api/v1/models",
    headers={"Authorization": f"Bearer {api_key}"}
)
free_models = [m for m in response.json()["data"] if ":free" in m["id"]]

2. 429 错误：Rate Limit Exceeded

原因： 超过每日或每分钟限制

解决：

  • 等待配额重置（每日UTC 00:00）
  • 升级到 1000 requests/day（充值 $10）
  • 实现请求缓存和重试逻辑

3. 为什么会扣费？

原因： 使用了没有 :free 后缀的模型

预防：

Python
def ensure_free_model(model_id):
    if not model_id.endswith(":free"):
        raise ValueError(f"模型 {model_id} 不是免费模型！")
    return model_id

# 使用
model = ensure_free_model("meta-llama/llama-3.3-70b-instruct:free")

4. 如何切换不同模型？

方法：

Python
# 只需修改 model 参数
models_to_try = [
    "meta-llama/llama-3.3-70b-instruct:free",
    "meta-llama/llama-3.1-405b-instruct:free",
    "qwen/qwen-3-235b-a22b:free"
]

for model in models_to_try:
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": "测试"}]
    )
    print(f"{model}: {response.choices[0].message.content[:50]}")

📊 性能优化

1. 模型选择策略

Python
def select_model(task_type, complexity):
    if task_type == "code":
        return "mistralai/devstral-2512:free"
    elif task_type == "chinese":
        return "qwen/qwen-3-235b-a22b:free"
    elif complexity == "high":
        return "meta-llama/llama-3.1-405b-instruct:free"
    else:
        return "meta-llama/llama-3.3-70b-instruct:free"

2. 结果缓存

Python
from functools import lru_cache
import hashlib
import json

cache = {}

def get_cache_key(model, messages):
    content = json.dumps({"model": model, "messages": messages}, sort_keys=True)
    return hashlib.md5(content.encode()).hexdigest()

def cached_completion(model, messages):
    key = get_cache_key(model, messages)
    
    if key in cache:
        print("使用缓存结果")
        return cache[key]
    
    response = client.chat.completions.create(
        model=model,
        messages=messages
    )
    
    cache[key] = response
    return response

3. 批量处理

Python
import asyncio
from openai import AsyncOpenAI

async def batch_process(questions):
    client = AsyncOpenAI(
        base_url="https://openrouter.ai/api/v1",
        api_key="YOUR_OPENROUTER_API_KEY"
    )
    
    tasks = []
    for q in questions:
        task = client.chat.completions.create(
            model="meta-llama/llama-3.3-70b-instruct:free",
            messages=[{"role": "user", "content": q}]
        )
        tasks.append(task)
    
    return await asyncio.gather(*tasks)

# 使用
questions = ["问题1", "问题2", "问题3"]
responses = asyncio.run(batch_process(questions))

📚 相关资源

官方文档

工具和资源

🌟 实战案例

案例 1：多模型对比工具

Python
from openai import OpenAI

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="YOUR_OPENROUTER_API_KEY"
)

def compare_models(prompt, models):
    results = {}
    for model in models:
        response = client.chat.completions.create(
            model=model,
            messages=[{"role": "user", "content": prompt}]
        )
        results[model] = response.choices[0].message.content
    return results

# 使用
models = [
    "meta-llama/llama-3.3-70b-instruct:free",
    "qwen/qwen-3-235b-a22b:free",
    "mistralai/mistral-small-3.1-24b:free"
]

results = compare_models("解释量子计算", models)
for model, answer in results.items():
    print(f"\n{model}:\n{answer[:200]}...")

案例 2：智能模型路由

Python
def smart_router(task, content):
    if "代码" in task or "编程" in task:
        model = "mistralai/devstral-2512:free"
    elif "中文" in task or len(content) > len(content.encode('utf-8')) * 0.7:
        model = "qwen/qwen-3-235b-a22b:free"
    elif len(content) > 5000:
        model = "meta-llama/llama-3.1-405b-instruct:free"
    else:
        model = "meta-llama/llama-3.3-70b-instruct:free"
    
    return model

# 使用
task = "写一个Python函数"
model = smart_router(task, task)
print(f"选择模型: {model}")

服务提供者： OpenRouter

最后更新于