⚡

OpenClawLLMRouterSkill llm-router

OpenClaw LLM Router是一个统一的大型语言模型网关，支持70+不同的AI模型，通过一个API密钥即可访问，包括GPT-4、Claude、Gemini等，适用于多模型聊天、模型比较、视觉分析等多种应用场景，支持成本优化和自动后备策略，提高开发效率和系统稳定性。

AI应用 0 次安装 34 次浏览 更新于 2/24/2026

OpenClaw LLM Router 🧠

统一的大型语言模型（LLM）网关，由AIsa提供支持。

一个API密钥。70+模型。与OpenAI兼容。

用一个API密钥替换100+个API密钥。通过统一的、与OpenAI兼容的API访问GPT-4、Claude-3、Gemini、Qwen、Deepseek、Grok等。

🔥 你能做什么？

多模型聊天

"与GPT-4聊天进行推理，切换到Claude进行创意写作"

模型比较

"比较GPT-4、Claude和Gemini对同一个问题的回答"

视觉分析

"用GPT-4o分析这张图片 - 里面有什么物体？"

成本优化

"将简单查询路由到快速/便宜的模型，将复杂查询路由到GPT-4"

后备策略

"如果GPT-4失败，自动尝试Claude，然后是Gemini"

为什么选择LLM Router？

特性 LLM Router 直接API
API密钥 1 10+
SDK兼容性 OpenAI SDK 多个SDK
计费 统一 每个提供者
模型切换 更改字符串 代码重写
后备路由 内置 DIY
成本跟踪 统一 分散

支持的模型家族

家族 开发者 示例模型
GPT OpenAI gpt-4.1, gpt-4o, gpt-4o-mini, o1, o1-mini, o3-mini
Claude Anthropic claude-3-5-sonnet, claude-3-opus, claude-3-sonnet
Gemini Google gemini-2.0-flash, gemini-1.5-pro, gemini-1.5-flash
Qwen Alibaba qwen-max, qwen-plus, qwen2.5-72b-instruct
Deepseek Deepseek deepseek-chat, deepseek-coder, deepseek-v3, deepseek-r1
Grok xAI grok-2, grok-beta

注意:模型可用性可能有所不同。请查看marketplace.aisa.one/pricing以获取当前可用模型和定价的完整列表。

快速开始

export AISA_API_KEY="your-key"

API端点

与OpenAI兼容的聊天完成

POST https://api.aisa.one/v1/chat/completions

请求

curl -X POST "https://api.aisa.one/v1/chat/completions" \
  -H "Authorization: Bearer $AISA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4.1",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "Explain quantum computing in simple terms."}
    ],
    "temperature": 0.7,
    "max_tokens": 1000
  }'

参数

参数 类型 必需 描述
model string 是 模型标识符（例如，gpt-4.1, claude-3-sonnet）
messages array 是 对话消息
temperature number 否 随机性（0-2，默认：1）
max_tokens integer 否 最大响应令牌
stream boolean 否 启用流（默认：false）
top_p number 否 核采样（0-1）
frequency_penalty number 否 频率惩罚（-2至2）
presence_penalty number 否 存在惩罚（-2至2）
stop string/array 否 停止序列

消息格式

{
  "role": "user|assistant|system",
  "content": "message text or array for multimodal"
}

响应

{
  "id": "chatcmpl-xxx",
  "object": "chat.completion",
  "created": 1234567890,
  "model": "gpt-4.1",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Quantum computing uses..."
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 50,
    "completion_tokens": 200,
    "total_tokens": 250,
    "cost": 0.0025
  }
}

流响应

curl -X POST "https://api.aisa.one/v1/chat/completions" \
  -H "Authorization: Bearer $AISA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-3-sonnet",
    "messages": [{"role": "user", "content": "Write a poem about AI."}],
    "stream": true
  }'

流返回服务器发送的事件（SSE）：

data: {"id":"chatcmpl-xxx","choices":[{"delta":{"content":"In"}}]}
data: {"id":"chatcmpl-xxx","choices":[{"delta":{"content":" circuits"}}]}
...
data: [DONE]

视觉/图像分析

通过传递图像URL或base64数据来分析图像：

curl -X POST "https://api.aisa.one/v1/chat/completions" \
  -H "Authorization: Bearer $AISA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4o",
    "messages": [
      {
        "role": "user",
        "content": [
          {"type": "text", "text": "What is in this image?"},
          {"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}}
        ]
      }
    ]
  }'

功能调用

启用工具/功能以获得结构化输出：

curl -X POST "https://api.aisa.one/v1/chat/completions" \
  -H "Authorization: Bearer $AISA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4.1",
    "messages": [{"role": "user", "content": "What is the weather in Tokyo?"}],
    "functions": [
      {
        "name": "get_weather",
        "description": "Get current weather for a location",
        "parameters": {
          "type": "object",
          "properties": {
            "location": {"type": "string", "description": "City name"},
            "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
          },
          "required": ["location"]
        }
      }
    ],
    "function_call": "auto"
  }'

Google Gemini格式

对于Gemini模型，您也可以使用本地格式：

POST https://api.aisa.one/v1/models/{model}:generateContent

curl -X POST "https://api.aisa.one/v1/models/gemini-2.0-flash:generateContent" \
  -H "Authorization: Bearer $AISA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "contents": [
      {
        "role": "user",
        "parts": [{"text": "Explain machine learning."}]
      }
    ],
    "generationConfig": {
      "temperature": 0.7,
      "maxOutputTokens": 1000
    }
  }'

Python客户端

安装

不需要安装 - 仅使用标准库。

CLI用法

# 基本完成
python3 {baseDir}/scripts/llm_router_client.py chat --model gpt-4.1 --message "Hello, world!"

# 带系统提示
python3 {baseDir}/scripts/llm_router_client.py chat --model claude-3-sonnet --system "You are a poet" --message "Write about the moon"

# 流式传输
python3 {baseDir}/scripts/llm_router_client.py chat --model gpt-4o --message "Tell me a story" --stream

# 多轮对话
python3 {baseDir}/scripts/llm_router_client.py chat --model qwen-max --messages '[{"role":"user","content":"Hi"},{"role":"assistant","content":"Hello!"},{"role":"user","content":"How are you?"}]'

# 视觉分析
python3 {baseDir}/scripts/llm_router_client.py vision --model gpt-4o --image "https://example.com/image.jpg" --prompt "Describe this image"

# 列出支持的模型
python3 {baseDir}/scripts/llm_router_client.py models

# 比较模型
python3 {baseDir}/scripts/llm_router_client.py compare --models "gpt-4.1,claude-3-sonnet,gemini-2.0-flash" --message "What is 2+2?"

Python SDK用法

from llm_router_client import LLMRouterClient

client = LLMRouterClient()  # 使用AISA_API_KEY环境变量

# 简单聊天
response = client.chat(
    model="gpt-4.1",
    messages=[{"role": "user", "content": "Hello!"}]
)
print(response["choices"][0]["message"]["content"])

# 带选项
response = client.chat(
    model="claude-3-sonnet",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Explain relativity."}
    ],
    temperature=0.7,
    max_tokens=500
)

# 流式传输
for chunk in client.chat_stream(
    model="gpt-4o",
    messages=[{"role": "user", "content": "Write a story."}]
):
    print(chunk, end="", flush=True)

# 视觉
response = client.vision(
    model="gpt-4o",
    image_url="https://example.com/image.jpg",
    prompt="What's in this image?"
)

# 比较模型
results = client.compare_models(
    models=["gpt-4.1", "claude-3-opus"],
    message="Analyze this quarterly report..."
)
for model, result in results.items():
    print(f"{model}: {result['response'][:100]}...")

用例

1. 成本优化路由

使用更便宜的模型处理简单任务：

def smart_route(message: str) -> str:
    # 简单查询 -> 快速/便宜模型
    if len(message) < 50:
        model = "gpt-3.5-turbo"
    # 复杂推理 -> 强大模型
    else:
        model = "gpt-4.1"
    
    return client.chat(model=model, messages=[{"role": "user", "content": message}])

2. 后备策略

自动后备失败：

def chat_with_fallback(message: str) -> str:
    models = ["gpt-4.1", "claude-3-sonnet", "gemini-2.0-flash"]
    
    for model in models:
        try:
            return client.chat(model=model, messages=[{"role": "user", "content": message}])
        except Exception:
            continue
    
    raise Exception("All models failed")

3. 模型A/B测试

比较模型输出：

results = client.compare_models(
    models=["gpt-4.1", "claude-3-opus"],
    message="Analyze this quarterly report..."
)

# 记录以供分析
for model, result in results.items():
    log_response(model=model, latency=result["latency"], cost=result["cost"])

4. 专业模型选择

为每项任务选择最佳模型：

MODEL_MAP = {
    "code": "deepseek-coder",
    "creative": "claude-3-opus",
    "fast": "gpt-3.5-turbo",
    "vision": "gpt-4o",
    "chinese": "qwen-max",
    "reasoning": "gpt-4.1"
}

def route_by_task(task_type: str, message: str) -> str:
    model = MODEL_MAP.get(task_type, "gpt-4.1")
    return client.chat(model=model, messages=[{"role": "user", "content": message}])

错误处理

错误返回带有error字段的JSON：

{
  "error": {
    "code": "model_not_found",
    "message": "Model 'xyz' is not available"
  }
}

常见错误代码：

  • 401 - 无效或缺少API密钥
  • 402 - 积分不足
  • 404 - 模型未找到
  • 429 - 速率限制超出
  • 500 - 服务器错误

最佳实践

  1. 使用流式传输 以改善长响应的用户体验
  2. 设置max_tokens 以控制成本
  3. 实现后备 以提高生产可靠性
  4. 缓存响应 以处理重复查询
  5. 通过响应元数据 监控使用情况
  6. 使用适当的模型 - 不要将GPT-4用于简单任务

OpenAI SDK兼容性

只需更改基础URL和密钥：

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AISA_API_KEY"],
    base_url="https://api.aisa.one/v1"
)

response = client.chat.completions.create(
    model="gpt-4.1",
    messages=[{"role": "user", "content": "Hello!"}]
)
print(response.choices[0].message.content)

定价

基于令牌的定价因模型而异。请查看marketplace.aisa.one/pricing以获取当前费率。

模型家族 近似成本
GPT-4.1 / GPT-4o ~$0.01 / 1K令牌
Claude-3-Sonnet ~$0.01 / 1K令牌
Gemini-2.0-Flash ~$0.001 / 1K令牌
Qwen-Max ~$0.005 / 1K令牌
DeepSeek-V3 ~$0.002 / 1K令牌

每个响应都包括usage.cost和usage.credits_remaining。

开始使用

  1. 在aisa.one注册
  2. 从仪表板获取您的API密钥
  3. 添加积分（按需支付）
  4. 设置环境变量：export AISA_API_KEY="your-key"

完整的API参考

查看API Reference以获取完整的端点文档。