# OpenRouter - 统一AI API网关 ## 概述 OpenRouter 提供单一 API 来访问来自 OpenAI、Anthropic、Google、Meta、Mistral 等的 200 多种语言模型。它提供智能路由、流媒体、成本优化和标准化 OpenAI 兼容接口。 **主要特点**： * 通过一个 API 访问 200 多个模型 * OpenAI兼容接口（直接替换） * 智能模型路由和回退 * 实时流式响应 * 成本跟踪和优化 * 模型性能分析 * 函数调用支持 * 视觉模型支持 **定价模型**： * 按代币付费（无订阅） * 批量可享受折扣 * 含积分的免费套餐 * 每个型号的定价有所不同 **安装**： npm install openai # 使用 OpenAI SDK # 或 pip 安装 openai # Python ## 快速入门 ### 1\.获取API密钥 # 在 https://openrouter.ai/keys 注册导出 OPENROUTER_API_KEY="sk-or-v1-..." ### 2\.基本聊天完成从“openai”导入 OpenAI； const 客户端 = 新 OpenAI({ baseURL: 'https://openrouter.ai/api/v1', apiKey: process.env.OPENROUTER_API_KEY, 默认标题：{ 'HTTP-Referer': 'https://your-app.com', // 可选 'X-Title': '您的应用程序名称', // 可选 } }); 异步函数 chat() { const 完成 = 等待 client.chat.completions.create({ 模型：'anthropic/claude-3.5-sonnet'，消息：[ { role: 'user', content: '用简单的术语解释量子计算' } ], }); console.log(completion.choices[0].message.content); } ### 3\.流式响应异步函数streamChat() { const 流 = 等待 client.chat.completions.create({ 型号：'openai/gpt-4-turbo', 消息：[ { role: 'user', content: '写一个关于人工智能的短篇故事' } ], 流：真实， }); for wait (const 流块) { const content = chunk.choices[0]?.delta?.content || ''; process.stdout.write(内容); } } ## 模型选择策略 ### 可用型号类别 **旗舰型号**（最高品质）：常量旗舰模型 = { claude: 'anthropic/claude-3.5-sonnet', // 最佳推理 gpt4: 'openai/gpt-4-turbo', // 最佳通用 gemini: 'google/gemini-pro-1.5', // 最佳长上下文 opus: 'anthropic/claude-3-opus', // 最佳复杂任务 }; **快速模型**（低延迟）：常量 fastModels = { claude: 'anthropic/claude-3-haiku', // 最快的克劳德 gpt35: 'openai/gpt-3.5-turbo', // 快速 GPT gemini: 'google/gemini-flash-1.5', // 快速双子座 llama: 'meta-llama/llama-3.1-8b-instruct', // 快速开源 }; **成本优化模型**：常量预算模型 = { haiku: 'anthropic/claude-3-haiku', // 每 100 万个代币 0.25 美元/1.25 美元 gemini: 'google/gemini-flash-1.5', // 每 100 万个代币 0.075 美元/0.30 美元 llama: 'meta-llama/llama-3.1-8b-instruct', // 每 100 万个代币 0.06 美元/0.06 美元 mixtral: 'mistralai/mixtral-8x7b-instruct', // 每 100 万代币 0.24 美元/0.24 美元 }; **专业型号**： const 专门模型 = { Vision: 'openai/gpt-4-vision-preview', // 图像理解 code: 'anthropic/claude-3.5-sonnet', // 代码生成 longContext: 'google/gemini-pro-1.5', // 2M 令牌上下文 function: 'openai/gpt-4-turbo', // 函数调用 }; ### 模型选择逻辑接口模型选择器{ 任务：“聊天”| '代码' | '愿景' | '功能' | '概括'; 优先级：“质量” | '速度' | '成本'; 最大成本？：数字； // 每 1M 代币的最大成本上下文大小？：数字； } 函数 selectModel(条件：ModelSelector): string { if (criteria.task === '愿景') { 返回“openai/gpt-4-vision-preview”； } if (criteria.task === '代码') { 返回 criteria.priority === '质量' ？ '人类/克劳德-3.5-十四行诗' : 'meta-llama/llama-3.1-70b-instruct'; } if (criteria.contextSize && criteria.contextSize > 100000) { 返回“google/gemini-pro-1.5”； // 2M上下文 } // 按优先级默认选择开关（标准.优先级）{ 案例“质量”：返回“人类/克劳德-3.5-十四行诗”；案例“速度”：返回 'anthropic/claude-3-haiku'; 案例“成本”：返回 criteria.maxCost && criteria.maxCost < 0.5 ？ '谷歌/gemini-flash-1.5' : '人类/克劳德-3-俳句'; 默认：返回“openai/gpt-4-turbo”； } } // 用法常量模型 = selectModel({ 任务：'代码'，优先级：“质量”， }); ## 流媒体实现 ### TypeScript 流式处理和错误处理异步函数robustStreamingChat( 提示：字符串，模型：字符串 = 'anthropic/claude-3.5-sonnet' ）{ 尝试{ const 流 = 等待 client.chat.completions.create({ 模型, 消息：[{角色：'用户'，内容：提示}]，流：真实，最大令牌数：4000， }); 让 fullResponse = ''; for wait (const 流块) { const delta = chunk.choices[0]?.delta; if (delta?.content) { fullResponse += delta.content； process.stdout.write(delta.content); } // 处理函数调用 if (delta?.function_call) { console.log('\n函数调用:', delta.function_call); } // 检查完成原因 if (chunk.choices[0]?.finish_reason) { console.log(`\n[已完成: ${chunk.choices[0].finish_reason}]`); } } 返回完整响应； } 捕获（错误）{ if (错误实例错误) { console.error('流媒体错误：', error.message); } 抛出错误； } } ### Python 流从 openai 导入 OpenAI 客户端 = OpenAI( base_url =“https://openrouter.ai/api/v1”， api_key=os.environ.get("OPENROUTER_API_KEY"), ） defstream_chat（提示：str，模型：str =“anthropic/claude-3.5-sonnet”）：流 = client.chat.completions.create( 型号=型号， messages=[{"角色":"用户","内容":提示}], 流=真，）完整响应=“” 对于流中的块： if chunk.choices[0].delta.content: 内容 = chunk.choices[0].delta.content 完整响应 += 内容打印（内容，结束=“”，刷新= True） print() # 新行返回完整响应 ### React 流组件从'react'导入{useState}；函数 StreamingChat() { const [响应，setResponse] = useState(''); const [isStreaming, setIsStreaming] = useState(false); 异步函数handleSubmit（提示：字符串）{ setIsStreaming(true); setResponse(''); 尝试{ const res = 等待 fetch('https://openrouter.ai/api/v1/chat/completions', { 方法：'POST'，标题：{ '授权': `承载 ${process.env.OPENROUTER_API_KEY}`, '内容类型'：'应用程序/json'， }, 正文：JSON.stringify({ 模型：'anthropic/claude-3.5-sonnet'，消息：[{角色：'用户'，内容：提示}]，流：真实， }), }); const reader = res.body?.getReader(); const 解码器 = new TextDecoder(); 而（真）{ const { 完成，值 } = 等待读者！.read(); 如果（完成）中断； const chunk = detector.decode(value); constlines = chunk.split('\n').filter(line => line.trim()); for (const line oflines) { if (line.startsWith('数据: ')) { const data = line.slice(6); if (data === '[DONE]') 继续; 尝试{ const parsed = JSON.parse(data); const content = parsed.choices[0]?.delta?.content || ''; setResponse(上一个 => 上一个 + 内容); } 捕获 (e) { // 跳过无效的 JSON } } } } } 捕获（错误）{ console.error('流媒体错误：', error); }最后{ setIsStreaming(假); } } 返回（

<文本区域值={响应} 只读行={20} 列={80} placeholder="响应将出现在这里..." />

）； } ## 函数调用 ### 基本函数调用常量工具 = [ { 类型：'函数'，函数：{ 名称：'获取天气'，描述：“获取某个位置的当前天气”，参数：{ 类型：'对象'，属性：{ 地点：{ 类型：'字符串'，描述：'城市名称，例如旧金山', }, 单位：{ 类型：'字符串'，枚举：['摄氏度'，'华氏度']， }, }, 必需：['位置']， }, }, }, ]; 异步函数 chatWithFunctions() { const 完成 = 等待 client.chat.completions.create({ 型号：'openai/gpt-4-turbo', 消息：[ { role: 'user', content: '东京的天气怎么样？' } ], 工具，工具选择：'自动'， }); const 消息=completion.choices[0].message; if (message.tool_calls) { for (const toolCall of message.tool_calls) { console.log('函数：', toolCall.function.name); console.log('参数：', toolCall.function.arguments); // 执行函数 const args = JSON.parse(toolCall.function.arguments); const 结果 = 等待 getWeather(args.location, args.unit); // 返回结果 const followUp = 等待 client.chat.completions.create({ 型号：'openai/gpt-4-turbo', 消息：[ { role: 'user', content: '东京的天气怎么样？' }, 留言， { 角色：“工具”， tool_call_id：toolCall.id，内容：JSON.stringify(结果), }, ], 工具， }); console.log(followUp.choices[0].message.content); } } } ### 多步函数调用异步函数 multiStepFunctionCall(userQuery: string) { const messages = [{ 角色：'用户'，内容：userQuery }]; 让迭代计数 = 0; const 最大迭代次数 = 5; while (迭代计数 < 最大迭代次数) { const 完成 = 等待 client.chat.completions.create({ 型号：'openai/gpt-4-turbo', 消息，工具，工具选择：'自动'， }); const 消息=completion.choices[0].message; messages.push(消息); if (!message.tool_calls) { // 不再调用函数，返回最终响应返回消息内容； } // 执行所有函数调用 for (const toolCall of message.tool_calls) { const functionName = toolCall.function.name; const args = JSON.parse(toolCall.function.arguments); // 执行函数（实现您的函数注册表） const 结果 =等待executeFunctionCall(函数名, args); 消息.push({ 角色：“工具”， tool_call_id：toolCall.id，内容：JSON.stringify(结果), }); } 迭代计数++； } throw new Error('达到最大迭代次数'); } ## 成本优化 ### 代币计数和成本估算从“tiktoken”导入{encoding_for_model}；接口成本估算{ 提示令牌：数字；完成令牌：数量；提示费用：数量；完成成本：数量；总成本：数量； } const 模型定价 = { 'anthropic/claude-3.5-sonnet': { 输入: 3.00, 输出: 15.00 }, // 每 1M 代币 'anthropic/claude-3-haiku': { 输入: 0.25, 输出: 1.25 }, 'openai/gpt-4-turbo': { 输入: 10.00, 输出: 30.00 }, 'openai/gpt-3.5-turbo': { 输入: 0.50, 输出: 1.50 }, 'google/gemini-flash-1.5': { 输入: 0.075, 输出: 0.30 }, }; 函数估计成本（提示：字符串，预期完成：数量，型号: 串 ): 成本估算 { const 编码器=encoding_for_model('gpt-4'); // 近似值 const PromptTokens = 编码器.encode(prompt).length; constcompletionTokens=expectedCompletion; 常量定价 = modelPricing[型号] || { 输入：0，输出：0 }； const PromptCost = (promptTokens / 1_000_000) * 定价.input; const 完成成本 = (completionTokens / 1_000_000) * 定价. 输出; 返回{ 提示令牌，完成令牌，提示费用，完成成本，总成本：提示成本+完成成本， }; } // 用法常量估计 = 估计成本（ “解释量子计算”， 500, // 预期响应令牌 '人类/克劳德-3.5-十四行诗' ）； console.log(`预计成本：$${estimate.totalCost.toFixed(4)}`); ### 按预算动态选择模型异步函数预算优化聊天（提示：字符串， maxCostPerRequest: number = 0.01 // 最大 0.01 美元）{ // 用昂贵的模型进行估计 const 昂贵估计 = 估计成本( 提示， 1000, '人类/克劳德-3.5-十四行诗' ）；让 selectedModel = 'anthropic/claude-3.5-sonnet'; if (expenseEstimate.totalCost > maxCostPerRequest) { // 尝试更便宜的型号 const CheapEstimate = 估计成本( 提示， 1000, '人择/claude-3-俳句' ）； if (cheapEstimate.totalCost > maxCostPerRequest) { selectedModel = 'google/gemini-flash-1.5'; } 否则{ selectedModel = 'anthropic/claude-3-haiku'; } } console.log(`选定的模型：${selectedModel}`); const 完成 = 等待 client.chat.completions.create({ 型号：所选型号，消息：[{角色：'用户'，内容：提示}]， }); 返回completion.choices[0].message.content； } ### 批量降低成本异步函数batchProcess（提示：字符串[]，模型：字符串）{ // 并行处理多个提示并限制速率常量并发 = 5；常量结果 = []; for (让 i = 0; i < 提示长度; i += 并发) { const batch =提示.slice(i, i + 并发); const batchResults = 等待 Promise.all( 批处理.map（提示=> client.chat.completions.create({ 模型, 消息：[{角色：'用户'，内容：提示}]， max_tokens: 500, // 限制代币数量以控制成本 }) ））；结果.push(...batchResults); // 速率限制延迟 if (i + 并发 < 提示长度) { 等待新的 Promise(resolve => setTimeout(resolve, 1000)); } } 返回结果； } ## 模型回退和重试策略 ### 自动回退 const modelFallbackChain = [ '人类/克劳德-3.5-十四行诗'， 'openai/gpt-4-turbo', '人类/克劳德 3 俳句', '谷歌/gemini-flash-1.5', ]; 异步函数 chatWithFallback( 提示：字符串，最大重试次数：数量 = 3 ): 承诺<字符串> { for (modelFallbackChain 的 const 模型) { 尝试{ console.log(`尝试模型：${model}`); const 完成 = 等待 client.chat.completions.create({ 模型, 消息：[{角色：'用户'，内容：提示}]，最大令牌数：2000， }); 返回completion.choices[0].message.content || ''; } 捕获（错误）{ console.warn(`模型 ${model} 失败:`, 错误); // 继续下一个模型 if (model === modelFallbackChain[modelFallbackChain.length - 1]) { throw new Error('所有模型均失败'); } } } throw new Error('没有可用的模型'); } ### 速率限制的指数退避异步函数 retryWithBackoff( fn: () => Promise, 最大重试次数：数量 = 5 ): 承诺 { 让最后一个错误：错误； for (让 i = 0; i < maxRetries; i++) { 尝试{ 返回等待 fn(); } 捕获（错误）{ 最后错误 = 错误作为错误； // 检查速率限制是否错误 if (error.status === 429) { 常量延迟 = Math.pow(2, i) * 1000; // 指数退避 console.log(`速率有限。在 ${delay}ms 内重试...`); 等待新的 Promise(解决 => setTimeout(解决, 延迟)); } 否则{ 抛出错误； // 不可重试的错误 } } } 抛出最后一个错误！； } // 用法 const 结果 = 等待 retryWithBackoff(() => client.chat.completions.create({ 模型：'anthropic/claude-3.5-sonnet'，消息：[{角色：'用户'，内容：'你好'}]， }) ）； ## 提示工程最佳实践 ### 系统提示一致性 const 系统提示 = { 简洁：“你是一个有用的助手。”简洁、直接。', 详细：'您是一位知识渊博的专家。通过示例提供全面的答案。', code: '你是一位专家程序员。提供干净、注释良好的代码和解释。', 创意：“你是创意写作助理。要有想象力和吸引力。', }; 异步函数 chatWithPersonality( 提示：字符串，个性：系统提示类型键）{ const 完成 = 等待 client.chat.completions.create({ 模型：'anthropic/claude-3.5-sonnet'，消息：[ { 角色：'系统'，内容：systemPrompts[个性] }, { 角色：'用户'，内容：提示 }, ], }); 返回completion.choices[0].message.content； } ### 少量提示异步函数 FewShotClassification(text: string) { const 完成 = 等待 client.chat.completions.create({ 型号：'openai/gpt-4-turbo', 消息：[ { 角色：'系统'， content: '将文本情绪分类为积极、消极或中性。', }, { role: '用户', content: '我喜欢这个产品！' }, { 角色: '助理', 内容: '积极' }, { role: '用户', content: '这太糟糕了。' }, { 角色: '助理', 内容: '消极' }, { 角色：'用户'，内容：'工作正常。' }, { 角色: '助理', 内容: '中立' }, { 角色：'用户'，内容：文本 }, ], }); 返回completion.choices[0].message.content； } ### 思维链条提示异步函数reasoningTask（问题：字符串）{ const 完成 = 等待 client.chat.completions.create({ 模型：'anthropic/claude-3.5-sonnet'，消息：[ { 角色：'用户'，内容: `${问题}\n\n我们一步步解决这个问题:\n1.`, }, ], 最大令牌数：3000， }); 返回completion.choices[0].message.content； } ## 速率限制和限制 ### 速率限制处理程序类 RateLimitedClient { 私有 requestQueue: Array<() => Promise> = []; 私人处理= false；私有请求数= 60；私有 requestInterval = 60000 / this.requestsPerMinute; 异步入队 (请求: () => Promise): Promise { 返回新的 Promise((解决, 拒绝) => { this.requestQueue.push(async() => { 尝试{ const 结果 = 等待请求(); 解决（结果）； } 捕获（错误）{ 拒绝（错误）； } }); this.processQueue(); }); } 私有异步 processQueue() { if (this.processing || this.requestQueue.length === 0) return; this.处理 = true; while (this.requestQueue.length > 0) { const request = this.requestQueue.shift()!; 等待请求（）；等待新的 Promise(resolve => setTimeout(resolve, this.requestInterval)); } this.处理 = false; } } // 用法 const RateLimitedClient = new RateLimitedClient(); const 结果 = 等待rateLimitedClient.enqueue(() => client.chat.completions.create({ 模型：'anthropic/claude-3.5-sonnet'，消息：[{角色：'用户'，内容：'你好'}]， }) ）； ## 视觉模型 ### 图像理解异步函数analyzeImage（imageUrl：字符串，问题：字符串）{ const 完成 = 等待 client.chat.completions.create({ 型号：'openai/gpt-4-vision-preview', 消息：[ { 角色：'用户'，内容：[ { 类型：'文本'，文本：问题 }, { 类型： 'image_url', image_url: { url: imageUrl } }, ], }, ], 最大令牌数：1000， }); 返回completion.choices[0].message.content； } // 用法常量结果 = 等待分析图像（ 'https://example.com/image.jpg', “这张图片里有什么物体？” ）； ### 多图像分析异步函数compareImages(imageUrls: string[]) { const 完成 = 等待 client.chat.completions.create({ 型号：'openai/gpt-4-vision-preview', 消息：[ { 角色：'用户'，内容：[ { type: 'text', text: '比较这些图像并描述差异：' }, ...imageUrls.map(url => ({ 输入：'image_url' 作为常量，图片网址：{网址}， }））， ], }, ], }); 返回completion.choices[0].message.content； } ## 错误处理和监控 ### 综合错误处理程序接口错误响应{ 错误：{ 消息：字符串；类型：字符串；代码：字符串； }; } 异步函数robustCompletion（提示：字符串）{ 尝试{ const 完成 = 等待 client.chat.completions.create({ 模型：'anthropic/claude-3.5-sonnet'，消息：[{角色：'用户'，内容：提示}]， }); 返回completion.choices[0].message.content； } catch（错误：任何）{ // 速率限制错误 if (error.status === 429) { console.error('超出速率限制。请稍候。'); 抛出新错误（'RATE_LIMIT_EXCEEDED'）； } // 无效的 API 密钥 if (error.status === 401) { console.error('无效的 API 密钥'); 抛出新错误（'INVALID_API_KEY'）； } // 未找到模型 if (error.status === 404) { console.error('找不到模型'); 抛出新错误（'MODEL_NOT_FOUND'）； } // 服务器错误 if (error.status >= 500) { console.error('OpenRouter 服务器错误'); 抛出新错误（'SERVER_ERROR'）； } // 未知错误 console.error('未知错误：', error); 抛出错误； } } ### 请求/响应日志记录类 LoggingClient { 异步聊天（提示：字符串，模型：字符串）{ const startTime = Date.now(); console.log('[请求]', { 时间戳：new Date().toISOString(), 模型, 提示长度：提示长度， }); 尝试{ const 完成 = 等待 client.chat.completions.create({ 模型, 消息：[{角色：'用户'，内容：提示}]， }); const 持续时间 = Date.now() - startTime; console.log('[响应]', { 时间戳：new Date().toISOString(), 持续时间，用法：完成.用法， finishReason：completion.choices[0].finish_reason， }); 返回完成； } 捕获（错误）{ console.error('[错误]', { 时间戳：new Date().toISOString(), 持续时间：Date.now() - 开始时间，错误， }); 抛出错误； } } } ## 最佳实践 1. **型号选择**： * 使用快速模型（俳句、Flash）来完成简单的任务 * 使用旗舰模型（Sonnet、GPT-4）进行复杂推理 * 考虑上下文大小要求 * 针对您的用例测试多个模型 2. **成本优化**： * 请求前估算费用 * 尽可能使用更便宜的型号 * 实施代币限制 * 缓存常见响应 * 批量相似请求 3. **流媒体**： * 始终对面向用户的应用程序使用流式传输 * 处理连接中断 * 显示进度指示器 * 缓冲部分响应 4. **错误处理**： * 使用指数退避实现重试逻辑 * 使用模型回退来提高可靠性 * 记录所有错误以供调试 * 优雅地处理速率限制 5. **及时工程**： * 使用系统提示保持一致性 * 针对特定任务实施小样本学习 * 使用思维链进行复杂推理 * 保持提示简洁以降低成本 6. **速率限制**： * 遵守 API 速率限制 * 实现请求排队 * 使用指数退避 * 监控使用指标 7. **安全**： * 切勿在客户端代码中暴露 API 密钥 * 使用环境变量 * 实现服务器端代理 * 验证用户输入 8. **监控**： * 跟踪代币使用情况 * 监控响应时间 * 记录错误和失败 * 分析模型性能 ## 常见陷阱 ❌ **在前端公开 API 密钥**： // 错误 - API 密钥暴露 const 客户端 = 新 OpenAI({ baseURL: 'https://openrouter.ai/api/v1', apiKey: 'sk-or-v1-...', // 暴露！ }); ✅ **正确 - 服务器端代理**： // 后端代理 app.post('/api/chat', async (req, res) => { const { 提示 } = req.body; const 完成 = 等待 client.chat.completions.create({ 模型：'anthropic/claude-3.5-sonnet'，消息：[{角色：'用户'，内容：提示}]， }); res.json(完成); }); ❌ **不处理流错误**： // 错误 - 没有错误处理 for wait (const 流块) { console.log(chunk.choices[0].delta.content); } ✅ **正确 - 带有错误处理**：尝试{ for wait (const 流块) { const content = chunk.choices[0]?.delta?.content || ''; process.stdout.write(内容); } } 捕获（错误）{ console.error('流错误：', error); // 实施重试或回退 } ❌ **忽略速率限制**： // 错误 - 没有速率限制 const承诺=提示.map(提示=>聊天(提示)); 等待 Promise.all(promises); // 可能会达到速率限制 ✅ **正确 - 有速率限制**：常量结果 = []; for (让 i = 0; i < 提示长度; i += 5) { const batch =提示.slice(i, i + 5); const batchResults = wait Promise.all(batch.map(chat)); 结果.push(...batchResults); 等待新的 Promise(r => setTimeout(r, 1000)); // 批次之间的延迟 } ## 性能优化 ### 缓存响应 const responseCache = new Map<字符串, 字符串>(); 异步函数cachedChat（提示：字符串，模型：字符串）{ const cacheKey = `${model}:${prompt}`; 如果（responseCache.has（cacheKey））{ console.log('缓存命中'); 返回responseCache.get(cacheKey)!; } const 完成 = 等待 client.chat.completions.create({ 模型, 消息：[{角色：'用户'，内容：提示}]， }); const 响应=completion.choices[0].message.content || ''; responseCache.set(cacheKey, 响应); 返回响应； } ### 并行处理异步函数parallelChat（提示：字符串[]，模型：字符串）{ const 结果 = 等待 Promise.all( 提示.地图（提示=> client.chat.completions.create({ 模型, 消息：[{角色：'用户'，内容：提示}]， }) ））； return results.map(r => r.choices[0].message.content); } ## 资源 * **文档**： * **API参考**： * **型号列表** : * **定价** ： * **状态页面**： ## 相关技能 * **MCP 服务器**：与模型上下文协议集成（构建时） * **TypeScript API 集成**：类型安全的 OpenRouter 客户端 * **Python API 集成**：Python SDK 使用模式 ## 总结 * **OpenRouter** 提供对 200 多个 LLM 的统一访问 * **兼容 OpenAI** API，方便迁移 * **通过模型选择和代币管理优化成本** * **流式传输**，提供响应式用户体验 * **用于工具集成的函数调用** * **用于图像理解的视觉模型** * **可靠性的后备策略** * **速率限制**和错误处理必不可少 * **非常适合**多模型应用程序、成本敏感型部署、避免供应商锁定

开放路由器

包含技能