OpenRouter 教程：免费调用 400+ AI 大模型全攻略

🚀万字硬核教程【OpenRouter】：一个 API Key 解锁 400+ AI 大模型，免费白嫖 DeepSeek / Claude / GPT 全攻略（2026最新）

📑 目录导航

• 🌟 一、OpenRouter 是什么？为什么它让开发者疯狂？
• 🏗️ 二、核心架构揭秘：一个请求是怎么被路由的？
• ⚡ 三、5分钟快速上手：注册→Key→调用全流程
• 💻 四、代码实战：Python / JS / curl 三种方式调用
• 🤖 五、2025年最新免费模型大盘点（含性价比评分）
• 📊 六、热门模型性价比横评：选哪个最划算？
• 🔀 七、智能路由深度解析：Auto Router 是怎么工作的？
• 🛠️ 八、高级玩法：流式输出 / Tool Calling / 多模态
• 💡 九、避坑指南：10个使用 OpenRouter 常见问题
• 🚀 十、结语：AI 平权时代来临

🌟 一、OpenRouter 是什么？为什么它让开发者疯狂？

想象一下这个场景：你是一个独立开发者，手头同时有好几个项目，一个需要调用 Claude 写文案，另一个要用 GPT-4o 做图像分析，第三个项目可能更适合 DeepSeek 来干代码的活。结果怎么样？你得在七八个不同的平台注册账号、申请 API Key、充值、管理各自的调用额度……光是“接线”就能耗掉大把时间。

这就是为什么 OpenRouter 一出来就让开发者社区兴奋。简单讲，OpenRouter 是一个 AI 模型聚合路由平台，它的核心价值在于：

• ✅ 一个 API Key，调用全球 400+ 主流 AI 模型
• ✅ 统一接口格式（OpenAI 兼容），零改造成本迁移
• ✅ 自动智能路由，选择最优提供商
• ✅ 自动故障转移，某家挂了自动换备用
• ✅ 实时价格对比，帮你找最便宜的推理节点
• ✅ 部分模型完全免费，DeepSeek V3 / Llama 3 直接白嫖

🏗️ 二、核心架构揭秘：一个请求是怎么被路由的？

图2：OpenRouter 工作原理架构图——从你的应用到 AI 模型的全链路

整个调用链路如下：

你的应用 (任何语言)
↓
POST /api/v1/chat/completions
OpenRouter Core (智能路由层)
├── 解析模型选择
├── 查询实时可用性 & 延迟
├── 选择最优推理节点
├── 故障时自动 Fallback
└── 返回统一格式响应
↓
目标 AI 模型 (Claude / GPT / Gemini / DeepSeek...)

✨ 2.1 核心技术特性一览表

⚡ 三、5分钟快速上手：注册 → Key → 调用全流程

图3：OpenRouter 5分钟快速上手全流程

📝 3.1 注册账号

1. 访问 https://openrouter.ai
2. 点击右上角 Sign Up，支持 Google 账号一键登录
3. 可选：创建 Organization（团队共享账号）

🔑 3.2 获取 API Key

控制台 → Keys → Create Key → 复制 sk-or-v1-xxxx...

💰 3.3 充值（可选）

• 免费额度：每日 50 次免费模型调用（标注 :free 的模型）
• 充值后：余额 $10+ 可提升至每日 1000 次
• 支持：Stripe 国际信用卡（VISA/Mastercard）

🧪 3.4 第一个调用（curl 测试）

curl https://openrouter.ai/api/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-or-v1-你的Key" \
  -d '{
    "model": "deepseek/deepseek-chat-v3-0324:free",
    "messages": [{"role": "user", "content": "你好，介绍一下你自己"}]
  }'

成功响应示例：

{
  "id": "gen-xxxxx",
  "model": "deepseek/deepseek-chat-v3-0324",
  "choices": [{
    "message": {
      "role": "assistant",
      "content": "你好！我是 DeepSeek，一个由深度求索开发的 AI 助手..."
    }
  }],
  "usage": {
    "prompt_tokens": 15,
    "completion_tokens": 48,
    "total_tokens": 63
  }
}

💻 四、代码实战：Python / JS / curl 三种方式调用

🐍 4.1 Python 方式（推荐：使用 openai SDK）

# pip install openai
from openai import OpenAI

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="sk-or-v1-你的Key",
)

# ====================================================================
# 方式一：指定具体模型
# ====================================================================
response = client.chat.completions.create(
    model="anthropic/claude-sonnet-4-5",  # 换模型只改这一行！
    messages=[
        {"role": "system", "content": "你是一个专业的Python开发者"},
        {"role": "user", "content": "写一个快速排序算法，附带注释"}
    ],
    max_tokens=1000,
    temperature=0.7,

    extra_headers={
        "HTTP-Referer": "https://your-app.com",  # 可选，用于统计
        "X-Title": "My AI App", # 可选，显示在排名
    }
)
print(response.choices[0].message.content)

# ====================================================================
# 方式二：批量对比免费模型输出
# ====================================================================
free_models = [
    "deepseek/deepseek-chat-v3-0324:free",
    "meta-llama/llama-3.1-405b-instruct:free",
    "qwen/qwen-2.5-72b-instruct:free",
]
for model in free_models:
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": "用一句话介绍你自己"}],
        max_tokens=100,
    )
    print(f"[{model.split('/')[1]}] {resp.choices[0].message.content}")

# ====================================================================
# 方式三：流式输出（打字机效果）
# ====================================================================
stream = client.chat.completions.create(
    model="openai/gpt-4o-mini",
    messages=[{"role": "user", "content": "写一首关于AI的七言律诗"}],
    stream=True,
)
print("流式输出：")
for chunk in stream:
    delta = chunk.choices[0].delta
    if delta.content:
        print(delta.content, end="", flush=True)
print()

🌐 4.2 Ja vaScript / Node.js 方式

// npm install openai
import OpenAI from 'openai';

const client = new OpenAI({
  baseURL: 'https://openrouter.ai/api/v1',
  apiKey: 'sk-or-v1-你的Key',
  defaultHeaders: {
    'HTTP-Referer': 'https://your-site.com',
    'X-Title': 'My App',
  },
});

// 普通调用
const completion = await client.chat.completions.create({
  model: 'deepseek/deepseek-chat-v3-0324:free',
  messages: [{ role: 'user', content: '用Ja vaScript写一个防抖函数' }],
});
console.log(completion.choices[0].message.content);

// 流式调用
const stream = await client.chat.completions.create({
  model: 'anthropic/claude-haiku-4-5',
  messages: [{ role: 'user', content: '解释一下 React Hooks' }],
  stream: true,
});
for await (const chunk of stream) {
  process.stdout.write(chunk.choices[0]?.delta?.content || '');
}

🔧 4.3 原生 requests 调用（零依赖）

import requests
import json

API_KEY = "sk-or-v1-你的Key"
API_URL = "https://openrouter.ai/api/v1/chat/completions"

def call_openrouter(model, messages, stream=False, **kwargs):
    """通用 OpenRouter 调用函数，支持流式输出"""
    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json",
        "HTTP-Referer": "https://your-app.com",
    }
    payload = {
        "model": model, "messages": messages, "stream": stream, **kwargs
    }

    response = requests.post(API_URL, headers=headers, json=payload, stream=stream)

    if stream:
        for line in response.iter_lines():
            if line and line.startswith(b"data: "):
                data = line[6:]
                if data == b"[DONE]":
                    break
                chunk = json.loads(data)
                content = chunk["choices"][0]["delta"].get("content", "")
                print(content, end="", flush=True)
    else:
        return response.json()["choices"][0]["message"]["content"]

# 示例调用
result = call_openrouter(
    model="deepseek/deepseek-chat-v3-0324:free",
    messages=[{"role": "user", "content": "OpenRouter 有哪些核心优势？"}],
    temperature=0.8,
    max_tokens=500,
)
print(result)

🤖 五、2025年最新免费模型大盘点（含性价比评分）

🏆 5.1 免费模型推荐榜单

🎯 5.2 场景选型速查

🔧 代码生成 → deepseek/deepseek-chat-v3-0324:free
🧮 数学推理 → deepseek/deepseek-r1:free
📝 中文写作 → qwen/qwen-2.5-72b-instruct:free
📄 长文档处理 → meta-llama/llama-3.1-405b-instruct:free
💬 通用对话 → deepseek/deepseek-chat-v3-0324:free
🌍 多语言翻译 → mistralai/mistral-7b-instruct:free

📊 六、热门模型性价比横评：选哪个最划算？

图4：OpenRouter 主流模型价格与多维能力横评（左：价格对比，右：能力雷达）

💵 6.1 付费模型价格对比（2025年5月）

🧮 6.2 成本估算公式

总费用（$）= ( N_input × P_input + N_output × P_output ) / 1,000,000

实例：用 Claude 3.5 Sonnet 处理一篇 5000 字文章（约 3000 tokens 输入 + 2000 tokens 输出）：

费用 = (3000 × 3.0 + 2000 × 15.0) / 1,000,000 = (9000 + 30000) / 1,000,000 ≈ $0.039

一篇文章只要不到 3 毛钱！

🔀 七、智能路由深度解析：Auto Router 是怎么工作的？

图5：OpenRouter 智能路由决策完整流程——从请求到模型选择的全链路

🤖 7.1 Auto Router 模式——让平台帮你决定

将模型设为 openrouter/auto，平台根据 Prompt 内容自动选择最合适的模型：

response = client.chat.completions.create(
    model="openrouter/auto", # 魔法！让 OpenRouter 自动选
    messages=[{"role": "user", "content": "解一道微积分题：∫x²dx"}]
)
# OpenRouter 会自动选择最擅长数学推理的模型

⚙️ 7.2 Provider 级别精细控制

response = client.chat.completions.create(
    model="anthropic/claude-sonnet-4-5",
    messages=[{"role": "user", "content": "..."}],
    extra_body={
        "provider": {
            "order": ["Anthropic", "AWS Bedrock", "Azure"],  # 提供商优先级
            "allow_fallbacks": True,   # 允许自动回退
            "require_parameters": True # 要求支持所有参数
        }
    }
)

🔄 7.3 多模型 Fallback 链——永不中断

# 主模型挂了自动切换备用，业务永不中断
response = client.chat.completions.create(
    model="anthropic/claude-sonnet-4-5",
    extra_body={
        "models": [              # 按优先级依次尝试
            "anthropic/claude-sonnet-4-5",
            "openai/gpt-4o",
            "google/gemini-1.5-pro",
            "deepseek/deepseek-chat:free",  # 最后兜底免费模型
        ]
    },
    messages=[{"role": "user", "content": "..."}]
)

💰 7.4 路由策略对比

🛠️ 八、高级玩法：流式输出 / Tool Calling / 多模态

🔧 8.1 Tool Calling 函数调用

import json

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "获取指定城市的实时天气信息",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名称，如'北京'"},
                "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
            },
            "required": ["city"]
        }
    }
}]

response = client.chat.completions.create(
    model="anthropic/claude-sonnet-4-5",
    messages=[{"role": "user", "content": "东京今天天气怎么样？"}],
    tools=tools,
    tool_choice="auto",
)

# 解析工具调用结果
if response.choices[0].message.tool_calls:
    tool_call = response.choices[0].message.tool_calls[0]
    args = json.loads(tool_call.function.arguments)
    print(f"调用函数: {tool_call.function.name}")
    print(f"参数: {args}")
    # 输出 → 调用函数: get_weather | 参数: {'city': '东京', 'unit': 'celsius'}

🖼️ 8.2 多模态：图片理解

import base64

with open("screenshot.png", "rb") as f:
    image_b64 = base64.b64encode(f.read()).decode("utf-8")

response = client.chat.completions.create(
    model="anthropic/claude-sonnet-4-5",
    messages=[{
        "role": "user",
        "content": [
            {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{image_b64}"}},
            {"type": "text", "text": "请详细描述这张图片，并指出代码中的 Bug"}
        ]
    }]
)
print(response.choices[0].message.content)

💾 8.3 Prompt Caching——省下 90% Token 成本

当系统提示很长（如大量文档），开启缓存可大幅降低成本：

LONG_SYSTEM_PROMPT = "你是一个专业的代码审查员..." + "规范文档内容..." * 200

response = client.chat.completions.create(
    model="anthropic/claude-sonnet-4-5",
    messages=[{
        "role": "system",
        "content": [{
            "type": "text",
            "text": LONG_SYSTEM_PROMPT,
            "cache_control": {"type": "ephemeral"}  # ← 开启缓存
        }]
    }, {
        "role": "user", "content": "审查这段代码：def foo(): pass"
    }]
)

# 查看缓存效果
usage = response.usage
print(f"缓存写入: {usage.prompt_tokens_details.cache_write_input_tokens} tokens")
print(f"缓存命中: {usage.prompt_tokens_details.cached_tokens} tokens")
print(f"节省费用: ~{usage.prompt_tokens_details.cached_tokens * 0.9:.0f} tokens 的成本")

💡 九、避坑指南：10 个使用 OpenRouter 常见问题

🛡️ 生产级健壮调用模板

import time, random
from openai import OpenAI, RateLimitError, APIStatusError

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="sk-or-v1-你的Key",
)

def robust_call(model, messages, max_retries=3, **kwargs):
    """带重试 + 指数退避的生产级调用函数"""
    for attempt in range(max_retries):
        try:
            resp = client.chat.completions.create(
                model=model,
                messages=messages,
                max_tokens=kwargs.pop("max_tokens", 2000),  # 默认设置上限
                **kwargs
            )
            return resp.choices[0].message.content

        except RateLimitError:
            wait = (2 ** attempt) + random.random()  # 指数退避 + 抖动
            print(f"⏳ 限速，{wait:.1f}s 后重试（第 {attempt+1} 次）...")
            time.sleep(wait)

        except APIStatusError as e:
            if e.status_code == 402:
                raise RuntimeError("❌ 余额不足，请前往 openrouter.ai 充值")
            print(f"⚠️API 错误 {e.status_code}: {e.message}")
            if attempt < max_retries - 1:
                time.sleep(1)

    raise RuntimeError(f"🚫 重试 {max_retries} 次后仍失败")

# 调用示例
result = robust_call(
    model="deepseek/deepseek-chat-v3-0324:free",
    messages=[{"role": "user", "content": "你好，介绍 OpenRouter 的优势"}],
    temperature=0.7,
)
print(result)

🚀 十、结语：AI 平权时代来临

OpenRouter 的出现，本质上是 AI 基础设施的民主化。

过去，访问顶级 AI 模型需要在每家平台单独注册、充值、管理 API，开发者的精力被大量浪费在"接线"而非"创造"上。

现在，一个 API Key，400+ 模型随意调用，成本透明，自动路由——这才是开发者应该有的体验。

📋 给开发者的三条建议

📚 参考资料

1. OpenRouter 官方文档：https://openrouter.ai/docs
2. OpenRouter 免费模型列表：https://openrouter.ai/collections/free-models
3. Anthropic Claude API Docs：https://docs.anthropic.com
4. Compound AI Systems — Berkeley AI Research Blog, 2024