Skip to content

About

AI API / LLM guide: model selection, pricing, OpenAI-compatible endpoints, Claude Code & Codex integration, troubleshooting. AI API 模型选型、价格对比、工具接入与排错指南。Claude / GPT / Gemini / DeepSeek / Kimi / Qwen. By Orbis.

Topics

Resources

Contributing

Stars

5 stars

Watchers

0 watching

Forks

Latest commit

 

History

8 Commits

Folders and files

Repository files navigation

AI API Guide · 模型选型与接入 / Model Selection & Integration

从 Claude、GPT、Gemini、DeepSeek、Kimi、Qwen,到 Claude Code、Codex、Cline 和 AI 工作流:先弄清怎么选,再开始调用。

A practical guide to AI API providers, LLM model selection, API pricing and cost comparison, OpenAI-compatible endpoints, coding tool integration, and troubleshooting. Connect models to Claude Code, Codex, Cline, chat clients and AI workflows. Maintained by Orbis; read the full English guide.

模型与线路 · 接入文档 · Orbis · English

这里整理 AI API、LLM API 与 API 中转服务的选型方法、模型家族、客户端配置要点、调用成本和常见错误。由 Orbis 维护;Orbis 是提供多模型、多线路接入的商业 API 平台。文中的选型方法也适用于其他服务,不是第三方独立排名。


Orbis:低价多模型 API / Affordable Multi-Model API

DeepSeek V4.1 Flash 专供线路:普通输入 ¥0.05 / 百万 tokens,输出 ¥0.20 / 百万 tokens。 从低成本对话、批量处理到 AI 编程,在 Orbis 按预算选择模型和线路。

热门模型价格 / Featured API Pricing

单位:¥ / 100 万 tokens(¥ / 1M tokens)。以下为 2026-10-19 公开报价,每行对应指定线路。

模型 / Model 线路 / Route 普通输入 / Input 输出 / Output 缓存读取 / Cache read
DeepSeek V4.1 Flash 通用 · Orbis专供线路 ¥0.05 ¥0.2 ¥0.01
Kimi K3 通用 · Orbis专供线路 ¥0.1 ¥0.5 ¥0.4
GPT-6.1 Sol GPT · HA线路 ¥0.225 ¥1.125 ¥0.01125
GLM 5.3 通用 · Orbis专供线路 ¥0.5 ¥2 ¥0.25

费用有多低? 以上述 DeepSeek 线路为例,100 万普通输入 tokens + 100 万输出 tokens,按表中单价计算共 ¥0.25;相同用量的 Kimi K3 为 ¥0.60。这是文本用量算例,不含缓存写入、其他模态或额外计费项。

为什么选 Orbis / Why Orbis

  • 低成本起步 / Low-cost entry:专供线路提供低价模型选择,先用小预算跑通自己的任务。
  • 按量付费,无月费 / Pay as you go:按实际用量计费,余额不过期,无需为固定月套餐买单。
  • 多模型、多线路 / Models and routes in one place:同一平台选择 Claude、GPT、Gemini、DeepSeek、Kimi 等模型;线路价格公开,自己决定使用哪一条。
  • 兼容常用 API / Familiar API formats:提供 OpenAI 兼容及 Anthropic 协议线路,便于接入已有应用;具体端点与能力以所选线路为准。
  • ¥ 计价,查看用量 / ¥ pricing and usage tracking:按标价估算预算,在控制台查看调用用量与费用。

查看全部模型与线路价格 → · 进入 Orbis,开始接入 →

价格以对应线路页面的最新报价为准;缓存读取、缓存写入分别计费,Kimi K3 此线路的缓存读取单价高于普通输入单价。上表为公开报价核对,不代表逐线路实测结论。

快速选择 / Quick Start

你的问题 从这里开始 要拿到的结果
想给 Claude Code、Codex 或 Cline 接模型 工具接入 工具需要的协议、地址格式和验证步骤
想比较 Claude、GPT、DeepSeek、Kimi 等 API 模型选型 按实际任务挑候选模型,再比较线路
想找便宜的 AI API,又怕成本算错 价格与成本 输入、输出、缓存和失败重试的完整成本
已有 OpenAI SDK 项目,想换服务 协议与迁移 不把“兼容”误解为所有端点都支持
遇到 401、404、429 或流式中断 排错表 一个可定位的最小问题
在做 RAG、Agent、n8n 或 Dify 工作流 应用场景 先核对真正需要的模型能力
想直接使用 Orbis Orbis 接入 选模型、选线路、创建对应 Key

目录 / Contents

API 服务选型 / Choosing an AI API Provider

别只比较模型数量或最低单价。先挑一个真实任务,例如修改一段项目代码、总结一份文档或调用一次外部工具,再按同样的输入比较候选方案。

维度 应该核对什么 可以留下的证据
模型与线路 模型 ID、服务提供方式、可选择的线路 当前接入卡与模型列表
协议 Chat Completions、Responses、Messages 中需要哪一种 实际请求路径与脱敏结果
功能 流式、工具调用、结构化输出、图片输入 对应功能的请求与响应,不能只测试普通聊天
成本 输入、输出、缓存、计费单位、币种、重试 usage 与对应账单;标明测试时间
可靠性 失败率、首字延迟、完成时间、并发限制 多次、有时间范围的测试,而非一次成功
数据处理 日志保留、上游处理规则、删除方式 服务说明;不清楚时不提交敏感数据
支持与迁移 故障反馈、状态页、替换服务的成本 迁移清单、问题回复与变更说明

官方 API、聚合 API、API 中转、自部署网关不是同一种产品。 官方 API 通常直接对接一家提供方;聚合或中转服务集中接入和计费;自部署网关则需要自行承担部署、运维及上游接入。选择取决于你的任务与维护能力。

模型选型 / LLM Model Selection

同一家族的不同版本、不同线路也可能有不同的上下文、输出上限和功能。下表是选择时的问题清单,不是能力排名,也不代表 Orbis 当前提供表中每一种功能。

模型家族 接入时优先确认 建议用自己的什么任务比较
Claude API 客户端需要 Anthropic Messages 还是兼容接口;工具调用和流式事件是否完整 项目代码修改、长文档理解、多轮工具任务
GPT / OpenAI API 需要 Chat Completions 还是 Responses;哪些参数和工具可用 结构化提取、代码编辑、工具调用
Gemini API 原生接口与兼容接口的功能差异;图片、音频等输入格式 自己的多模态样本、长资料问答
DeepSeek API 模型 ID、推理输出处理、缓存计费、工具兼容性 中文任务、代码任务、批量文本处理
Kimi API 长上下文约束、输出上限、Agent 所需的工具调用 长材料提取、跨文档问答、多步任务
Qwen API 具体模型是文本、视觉还是其他模态;部署与服务协议 中文提取、视觉输入、应用内对话
GLM API 模型版本、流式与工具格式、客户端接入要求 编程工具、工作流和中文任务

三步缩小选择范围: 先按功能筛选 → 用同一组真实样本比较 → 结合成本与失败情况决定。短题答对、模型自报名称或一次接口成功都不能证明模型身份。

查看 Orbis 当前模型与线路。具体版本、可用状态和报价以选择的线路页面为准。

工具接入 / Claude Code, Codex, Cline & Chat Client Integration

先准备三个值:服务地址(Base URL)、该线路的 API Key、精确的模型 ID。再核对工具所需协议。下面列的是配置检查重点,不是逐工具实测兼容承诺。

工具 / 客户端 配置前检查 首次连接后要验证
Claude Code 当前版本支持的认证和 provider 方式;服务端协议是否匹配 多轮对话、工具事件、流式结束和错误返回
Codex / Codex CLI provider 配置、认证来源、wire API 与服务端接口 简单请求,再到文件读取或代码修改任务
Cline / Roo Code / Kilo Code 当前版本的 provider 选项;模型能力配置与实际能力是否一致 工具调用参数、流式、上下文与输出上限
Cursor 自定义 API Key / Base URL 对哪些功能生效、账户条件和当前版本限制 目标功能本身;聊天能用不等于所有 Agent 功能能用
Cherry Studio provider 类型、Base URL 是否自动拼接路径、模型 ID 普通对话,再分别检查图片或工具功能
Open WebUI / LobeHub 连接配置、后端网络可达性、模型发现与手动模型配置 模型列表和实际消息请求分别验证
Dify 模型 provider、聊天模型与 embedding 模型是否分别配置 文本生成;若做知识库,再测试索引和检索
n8n 节点与凭据类型、节点版本、可配置的服务地址 单节点调用成功后,再验证完整工作流
LangChain / AI SDK 所选适配器使用哪种协议、是否支持当前功能 普通文本、streaming、tool calling 分开测试

通用配置顺序

  1. 从服务的接入页复制地址和模型 ID,不从第三方截图猜写。
  2. 按工具版本选择正确的 provider / 协议选项。
  3. 填入环境变量或工具提供的凭据设置;不要把真实 Key 写进公开配置。
  4. 用一条短消息确认基本请求,再检查应用真正需要的功能。
  5. 记录工具版本、模型、线路、日期和结果,便于升级后复查。

/v1 是否应写进 Base URL,取决于客户端会不会自动拼接;不要机械地添加或删除。若最终请求出现重复路径,先修正地址拼接。

协议与迁移 / OpenAI-compatible APIs, Anthropic & API Migration

OpenAI-compatible 描述兼容范围,并不自动保证支持所有 OpenAI 接口。 迁移时把以下接口和能力分别检查:

接口 / 能力 为什么需要单独检查
Chat Completions 消息格式、流式 chunk、工具调用和 usage 字段各有要求
Responses 不能仅凭 Chat Completions 成功推断可用;客户端可能依赖特定事件
Anthropic Messages 认证头、请求结构与事件格式不同于 Chat Completions
Structured output 普通 JSON 文本不等于严格符合指定 schema
Tool / function calling 应检查参数、调用 ID、结果回传及后续轮次
Embeddings 向量维度与模型变化可能要求重建已有索引
Images / audio / video 可能采用独立端点、异步任务或不同计费单位

更换 API 服务的最小检查清单

  • 地址、认证和模型 ID 已替换,生产 Key 没有进入版本库。
  • 应用所需端点在新线路上存在。
  • 普通响应、流式、工具调用分别验证。
  • 错误码、超时和重试逻辑不会产生无限重试或意外费用。
  • usage 字段与账单单位对得上。
  • 用真实小样本比较质量,保留可恢复的原配置。

API 价格与成本 / API Pricing & Token Cost Comparison

比较便宜的 LLM API,先统一 币种、单位、模型、线路和功能。每百万 tokens、每张图片、每秒视频、每次请求不能直接横向比较。充值到账的额度单位也不一定等于实际货币。

文本调用成本

不考虑缓存、阶梯价格和其他费用时:

单次成本 = 输入 tokens ÷ 1,000,000 × 输入单价
         + 输出 tokens ÷ 1,000,000 × 输出单价
批量成本 = 各次实际调用成本之和

以下全部是假设价格,只演示算法,不是 Orbis 或任何厂商报价:输入 ¥1 / 百万 tokens,输出 ¥4 / 百万 tokens。

假设场景 输入 输出 单次估算 1,000 次相同调用
短文本提取 2,000 tokens 500 tokens ¥0.004 ¥4
文档总结 20,000 tokens 2,000 tokens ¥0.028 ¥28
一次较长代码请求 40,000 tokens 5,000 tokens ¥0.060 ¥60

Agent 一项任务通常可能包含多次请求。应统计整项任务的输入、输出、工具循环和重试;不能用一次请求价格代表任务总价。

缓存与重试容易漏算什么?

  • 缓存命中、未命中、写入是否采用不同单价?usage 中是否能区分?
  • 历史上下文是否在后续轮次再次计入输入?
  • 请求失败、中途取消或重试如何计费?需要以服务规则和账单核对。
  • 长上下文是否触发不同价格档位?
  • 图片、音频、视频是否还有额外计费项?

比较 Orbis 各条线路的当前价格。先做小量任务,核对用量和账单,再扩大批量规模。

应用场景 / RAG, AI Agents, Translation & Multimodal Workflows

场景 优先确认的能力 验证一个什么样的结果
RAG / 文档问答 文本生成、embedding 或已有检索服务;可选 rerank 回答能引用样本文档,检索失败时不会编造来源
AI Agent / 自动化 工具调用、状态管理、错误处理、成本边界 能完成一个受控的多步骤任务,并停止于预算或失败边界
AI 翻译 / 批处理 结构化输出、长度控制、术语一致性 多条样本无漏译,输入输出逐项对应
代码审查 / AI 编程 代码理解、上下文、工具调用 修改经过项目检查,而不是只生成看起来正确的代码
图像理解 / OCR 具体线路支持图像输入,格式和尺寸要求清楚 从自己的图片提取正确字段
图像、视频、语音生成 独立端点、产物格式、异步状态、计费单位 产物能获取和使用,任务失败能明确识别

这里是需求检查表。模型广场中的能力标签,不替代具体线路的实际功能测试。

常见错误 / API Troubleshooting & FAQ

现象 先检查 下一步
401 / Unauthorized Key 是否完整、属于当前服务,认证方式是否正确 重新核对凭据来源,不在 Issue 粘贴真实 Key
403 / Forbidden 模型、线路或账户是否有访问权限 查看返回错误信息;更换 Key 不能替代权限核实
404 / Model not found 请求路径、精确模型 ID、所选线路提供的模型 区分“端点不存在”和“模型不存在”
429 / Rate limit 请求频率、并发、额度和响应说明 按服务提示退避,设置最大重试次数
400 / 参数不支持 当前端点接受的字段、参数值和消息格式 简化为最小请求,再逐项加入参数
流式中断 / SSE 不完整 客户端事件解析、网络超时、网关缓冲及上游错误 保存脱敏错误与请求 ID;普通响应成功不能排除流式问题
工具调用失败 tools schema、调用 ID、工具结果格式、后续消息 单独测试一次工具调用与结果回传
费用高于估计 输出量、多轮上下文、缓存和重试 对照每次 usage 与账单,而不只看提示词字数

ChatGPT 或 Claude 的订阅能直接当 API 额度吗?

不要假定聊天产品订阅与开发者 API 共享额度。确认实际购买的产品、授权方式与账单来源;在 Orbis 中使用的是对应线路的 API Key。

能只改 Base URL 就完成迁移吗?

只有在协议、端点、模型名称、认证和应用所需能力都匹配时,改动才可能很少。先验证最小请求,再验证完整任务。

如何判断模型是否被替换或能力受限?

用固定样本、相同参数与可信基线做多次对比,可以发现异常,但不能单凭模型自报、一道题或风格证明身份。记录可观察差异,并向服务方核实。

API 中转站与 OpenRouter 类多模型服务怎么比较?

先比较你实际要用的模型、协议、计费、数据处理和可靠性证据,再看接入便利度。本站由 Orbis 维护,不提供没有证据的“第一名”或竞品质量结论。

有没有免费 API 或试用额度?

区分长期免费额度、限时活动和一次性赠额,并核对限制。本文不承诺 Orbis 存在免费额度;当前政策以网站展示为准。

通过 Orbis 接入 / Connect Models, Routes & API Keys

Orbis 把模型及可选择的分组线路集中展示。根据已查看的产品页面,同一模型可有不同线路,价格与协议按线路区分,API Key 绑定所选分组。

  1. 选模型:在模型广场找到目标模型。
  2. 选线路:比较价格、协议和参数说明,打开该线路的接入页。
  3. 创建 Key:选择与线路一致的分组;Key 只放在你自己的凭据设置中。
  4. 复制配置:使用接入页给出的 Base URL 和模型 ID。
  5. 小量验证:先完成短请求,再验证流式、工具调用等所需能力,核对账单。

网站展示、线路声明和实际测试是三类不同证据。标记为“配置声明 · 执行未知”的参数,不能当作已验证功能。

下一步:查看模型与线路 · 阅读接入文档 · 进入 API Key 页面

AI 开源项目与工具导航 / AI Resource Directory

按你正在做的事情找工具。以下链接指向项目自身的 GitHub 仓库,简介与归档状态核对日期为 2026-10-19。收录不代表已完成 Orbis 兼容测试;部署或商用前查看该项目当前许可证和版本要求。

AI 网关与 API 管理 / AI Gateways

项目 用途 什么时候看它
LiteLLM 统一模型接入与调用管理 已有多个上游 Key,希望统一接入
New API 模型聚合与分发管理 需要模型、渠道与用户接入管理
One API API 适配与 Key 分发 维护现有 One API 接入体系
Bifrost 模型及 Agent 网关 评估路由、预算与故障切换
Higress AI 原生 API 网关 已有网关基础设施,准备接入 AI 流量
Portkey Gateway 多模型请求路由 需要集中处理上游请求策略
agentgateway Agent 与 MCP 代理 需要管理 Agent 与 MCP 服务之间的访问

AI 编程与对话客户端 / Coding & Chat

项目 用途 什么时候看它
Cline 编程 Agent 在开发流程中调用模型与工具
Kilo Code Agent 编程平台 评估模型驱动的工程工作流
Aider 终端结对编程 从终端与模型协作修改代码
Cherry Studio 多模型桌面工作台 集中使用不同模型与助手
Open WebUI 模型对话界面 为模型服务提供网页对话入口
LobeHub Agent 工作空间 组织多个助手和任务

工作流与应用开发 / Workflows & SDKs

项目 用途 什么时候看它
Dify Agent 工作流与 RAG 应用 搭建带知识库的业务应用
n8n 可视化自动化工作流 将 AI 步骤连接到业务系统
LangChain Agent 应用开发 用代码组织模型、工具和任务
LlamaIndex 文档处理与检索应用 将自己的资料接入 AI 应用
AI SDK TypeScript AI 应用工具包 在 Web 应用中集成模型交互

评估、观测与本地推理 / Evaluation & Inference

项目 用途 什么时候看它
Langfuse 调用链观测与评估 定位 Agent 多步骤调用的成本和失败
Promptfoo 提示词与应用评估 比较多个模型在相同样本上的结果
Ollama 模型运行工具 尝试在自己的设备上运行模型
vLLM 模型推理与服务引擎 有算力和运维能力,需要部署模型服务

旧教程中的项目 / Projects in Older Tutorials

Roo Code 与 Flowise 的上述仓库在核对时标记为 Archived。阅读旧教程仍有参考价值;新项目选型时先确认是否有后续维护仓库,以及当前版本的支持范围。

网关、客户端和模型服务怎么配合? 客户端负责交互,工作流负责安排步骤,网关负责转发和管理请求,模型服务负责推理。搭建一个网关并不会附送上游模型额度。若只是希望给现有客户端接入模型,可以先从 Orbis 的模型与线路 选择服务,再按客户端需要的协议配置。

聚合 API、自部署网关与本地模型 / Hosted vs Self-hosted

方案 你需要准备 主要成本 适合什么情况
直接接模型厂商 API 对应厂商账户、Key、客户端 各家的调用费用与集成维护 明确只需要一家模型服务
使用多模型服务,如 Orbis 平台账户、所选线路 Key 所选模型和线路的实际用量 希望比较模型并快速接入,不自行维护网关
自部署 LiteLLM 等网关 服务器、网关配置、上游 Key 上游调用费、服务器与维护 已有多个上游,需要统一入口
自部署 New API / One API 部署环境、数据库、渠道配置 上游调用费、存储、维护 需要自己管理模型分发体系
本地运行模型 合适的硬件、模型文件、运行工具 硬件、电力、部署时间 希望在自己的设备上完成推理
自建推理服务 算力、模型、服务引擎、监控 算力利用率与运维投入 有持续用量和模型服务维护能力

OpenRouter alternative / 多模型 API 替代方案怎么选?

“替代”要落到具体功能上:你需要的是统一余额、更多模型、特定协议、某个便宜的线路,还是自己的 Key 管理?先写下现在应用实际使用的端点和功能,再选服务。品牌相似、模型同名,并不保证迁移时请求完全相同。

如果重点是低成本接入,可以先看 Orbis 价格表,对同一任务比较“完成成本”。如果重点是管理你已经购买的多家 Key,则先看 网关项目。二者解决的问题不同,也可以组合使用。

自部署网关是否更便宜?

把成本拆开:上游推理费用 + 服务器 + 存储与日志 + 维护时间。网关可以帮助统一管理,但不会自动降低上游单价。个人低频使用可以先比较托管服务的实际账单;已有团队用量、需要统一权限或路由策略时,再评估自部署带来的管理收益。

最小调用示例 / Python, JavaScript & cURL

这些是 Chat Completions 通用请求模板,不是每条 Orbis 线路的实测接入配置。先从所选线路复制支持该协议的 Base URL、Key 和模型 ID。AI_BASE_URL 应包含该线路要求的 API 前缀;下面只追加 /chat/completions。

在本地环境中设置 AI_BASE_URL、AI_API_KEY、AI_MODEL。不要把 Key 放进网页前端、GitHub 仓库或截图。以下代码不自动重试,错误会明确报出。

Python:标准库调用 / Python Standard Library

不需要安装 SDK。保存为 request.py,配置环境变量后运行 python3 request.py。

import json
import os
import urllib.request

endpoint = os.environ["AI_BASE_URL"].rstrip("/") + "/chat/completions"
payload = {
    "model": os.environ["AI_MODEL"],
    "messages": [{"role": "user", "content": "Reply with one short greeting."}],
    "stream": False,
}
request = urllib.request.Request(
    endpoint,
    data=json.dumps(payload).encode("utf-8"),
    headers={
        "Authorization": "Bearer " + os.environ["AI_API_KEY"],
        "Content-Type": "application/json",
    },
    method="POST",
)
with urllib.request.urlopen(request, timeout=60) as response:
    result = json.load(response)
print(json.dumps(result, ensure_ascii=False, indent=2))

成功后先查看 choices 中的返回内容及 usage。如果返回 404,检查拼接后的路径和模型 ID;不要直接在地址末尾继续加一层 /v1。

JavaScript:服务端 fetch / Server-side JavaScript

使用提供内置 fetch 的 Node.js 运行环境,保存为 request.mjs,运行 node request.mjs。这段代码应运行在服务端或本机终端。

const { AI_BASE_URL, AI_API_KEY, AI_MODEL } = process.env;
if (!AI_BASE_URL || !AI_API_KEY || !AI_MODEL) {
  throw new Error("Set AI_BASE_URL, AI_API_KEY and AI_MODEL first");
}
const response = await fetch(
  `${AI_BASE_URL.replace(/\/+$/, "")}/chat/completions`,
  {
    method: "POST",
    headers: {
      Authorization: `Bearer ${AI_API_KEY}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({
      model: AI_MODEL,
      messages: [{ role: "user", content: "Reply with one short greeting." }],
      stream: false,
    }),
    signal: AbortSignal.timeout(60_000),
  },
);
if (!response.ok) throw new Error(`HTTP ${response.status}`);
console.log(JSON.stringify(await response.json(), null, 2));

cURL:检查原始 HTTP 响应 / Raw HTTP

需要 curl 和 jq。用 jq 构造 JSON,避免模型 ID 中的字符破坏请求体。

: "${AI_BASE_URL:?Set AI_BASE_URL first}"
: "${AI_API_KEY:?Set AI_API_KEY first}"
: "${AI_MODEL:?Set AI_MODEL first}"
jq -n --arg model "$AI_MODEL" \
  '{model: $model, messages: [{role: "user", content: "Hello"}], stream: false}' \
  > request.json
curl --fail-with-body --silent --show-error --max-time 60 \
  "${AI_BASE_URL%/}/chat/completions" \
  -H "Authorization: Bearer ${AI_API_KEY}" \
  -H 'Content-Type: application/json' \
  --data-binary @request.json

下一步:从普通聊天到应用功能 / Beyond Text Chat

要增加的功能 需要改变什么 判断成功的标准
Streaming / 流式输出 使用流式请求,并逐条解析事件 收到内容和结束事件,处理中途失败
Tool calling / 工具调用 提供工具定义,执行经允许的工具,再回传结果 模型能基于真实工具结果继续回答
JSON output / 结构化输出 根据协议启用输出约束,并进行本地解析校验 字段、类型、必填项符合预期
Vision / 图片输入 使用该线路接受的图像消息格式 能正确回答与图片内容相关的问题
Responses / Messages 更换端点、请求结构和解析器 用新协议单独跑通整个请求流程

低成本 AI 应用预算 / Low-cost API Budget Playbook

以下使用开头 DeepSeek V4.1 Flash 专供线路 的公开报价:普通输入 ¥0.05 / 1M,输出 ¥0.20 / 1M。用量是假设场景,费用是按报价计算;不含缓存及其他计费项,不是生产吞吐量或任务质量承诺。

场景 每次普通输入 每次输出 每次估算 1,000 次估算
分类、打标签 1,000 tokens 100 tokens ¥0.00007 ¥0.07
短文本翻译 2,000 tokens 1,000 tokens ¥0.00030 ¥0.30
文档摘要 20,000 tokens 2,000 tokens ¥0.00140 ¥1.40
较长代码问答 40,000 tokens 5,000 tokens ¥0.00300 ¥3.00

如何降低 Agent、RAG 与 AI 编程费用?

成本来自哪里 可以先做的调整 需要同时观察
每轮重复发送大量历史 保留必要历史,压缩旧工具输出 是否丢失任务约束和重要事实
检索返回过多文档 去重,按相关性选择片段 正确答案所需片段是否还在
所有任务都用昂贵模型 简单分类和复杂推理分别选模型 完成率,不能只比较输入单价
Agent 一直调用工具 设轮数、时间、费用上限 触顶时明确返回未完成状态
输出过长 在任务里指定结果格式和长度 是否截断必要内容
错误自动反复重试 区分限流、权限、参数错误;限制次数 不要重试无法自行恢复的错误
缓存价格理解错误 把普通输入、缓存读、缓存写分开统计 命中率与实际账单变化

便宜和划算的区别 / Price vs Cost per Completed Task

假设模型 A 每次尝试 ¥0.01,20 次完成 10 项任务,总花费 ¥0.20,平均每项完成任务 ¥0.02。模型 B 每次 ¥0.015,10 次完成同样 10 项任务,总花费 ¥0.15,平均每项 ¥0.015。这个假设例子说明:更低的单次价格可能被失败和重试抵消。

评估时同时记录 总花费、完成任务数、平均完成时间、人工修正量。选择最便宜且能满足你任务标准的线路,而不是只看模型名或输入报价。

AI 应用组合与工作流 / Practical Workflow Recipes

Dify 知识库 / Document Q&A

基本流程:文档 → 切分 → embedding → 检索 → 可选 rerank → 文本模型回答。聊天模型的 API Key 不代表一定能调用 embedding 或 rerank。先用一份短文档检查检索片段,再查看回答引用,最后扩展资料量。

预算分成两部分:导入文档时的处理费用,以及每次问答时的检索和生成费用。更换 embedding 模型后,应检查向量维度及已有索引是否仍适用。

n8n 批量摘要 / Batch Summarization

基本流程:读取记录 → 按条组织输入 → 调用模型 → 校验输出 → 保存结果。给每条记录一个稳定 ID,保存成功和失败状态;恢复执行时跳过已完成项。并发从小量开始,遇到限流再调整,而不是直接把全部数据同时发送。

AI 编程 / Coding Agents

基本流程:明确任务 → 读取相关文件 → 模型提出修改 → 执行允许的操作 → 运行项目检查。先用一个小修复验证工具调用及代码编辑,确认后再扩大任务。预算应覆盖所有轮次、文件内容和工具输出,而不是只计算第一句需求。

翻译与结构化提取 / Translation & Extraction

为每条输入保留 ID,明确术语表及输出字段。将输出解析失败、漏项和内容失败分开记录。批量任务先用一小组长短不同的样本检查,避免一条过长文本导致整批无法处理。

图片、语音与视频 / Multimodal Tasks

先确认自己需要的是图片理解还是图片生成、语音识别还是语音合成。这些任务可能有独立协议和计费单位。异步任务应保存 task ID,检查最终状态和产物是否可下载;请求被接受不等于生成完成。

LLM API、Agent 与 MCP 的区别 / LLM APIs, Agents & MCP

用户任务
  → 客户端或 Agent:组织上下文、决定下一步
    → LLM API:调用模型生成内容或工具请求
    → 工具连接:读取文件、查询资料、执行获准操作
      → MCP Server:以约定接口提供工具或资源
  → 返回结果,并记录调用与费用

MCP 是连接工具和资源的一种方式,不是模型额度,也不会让不支持工具调用的线路自动获得完整 Agent 能力。即使模型返回了工具调用参数,仍需要应用验证参数、执行操作并回传结果。

常见疑问 区分方式
买了 API,是不是就有 Agent? API 提供模型调用;Agent 还需要任务循环、工具和状态管理
MCP Server 是否等于 API 中转? MCP Server 提供工具或资源;模型网关主要管理模型请求
工具调用是否代表命令已执行? 模型可能只是提出调用请求,实际执行由应用完成
一个模型能聊天,是否就能用于编程 Agent? 还要检查工具参数、长上下文、流式事件与客户端协议
工作流工具是否免费提供模型? 工具的软件许可和模型调用费用应分别核对

更多常见问题 / More API Questions

便宜 API 能直接用在 Claude Code、Codex 或 Cursor 吗?

要同时满足客户端的协议、认证和所用功能。先确认具体线路,再做一个小任务。某个编辑器中的聊天功能可用,不代表其 Agent、补全和其他功能都会走相同的自定义 API。

API Key、Base URL、模型 ID 分别是什么?

Key 用于认证和权限;Base URL 指向模型服务入口;模型 ID 指定调用对象。三者来自同一套接入说明才有意义。模型的展示名称可能与请求中需要的 ID 不同。

为什么模型列表里看得到,却调用失败?

列表只是可发现信息。实际调用还受 Key 所属分组、账户额度、线路状态和具体端点影响。保存错误类型和请求 ID,逐项检查,而不是反复刷新模型列表。

1M tokens 等于多少汉字?

没有固定换算。模型使用的 tokenizer、语言、代码和符号都会改变 token 数。预算先用代表性样本的实际 usage 外推;不要把“百万 tokens”写成“百万字”。

免费 AI API 适合生产使用吗?

先看额度周期、限速、允许的用途和到期规则。试用额度可以用于验证流程;生产预算应按试用结束后的费用计算,并准备额度用尽时的明确错误处理。

流式输出会不会自动更便宜?

流式只是传输方式,不等于少生成 tokens。它可以更早展示内容,但费用仍取决于具体计费规则和实际用量。取消请求后,上游是否立即停止以及如何计费,需要单独核对。

OpenAI-compatible 能不能调用 Claude 或 Gemini?

只有服务为相应模型提供该兼容协议时才可以。协议转换还可能影响工具、图片、推理字段或其他特性;用应用真正需要的功能验证。

模型会自动联网搜索吗?

普通文本请求并不自动包含联网搜索。需要模型服务提供相应工具,或由应用先检索再把资料交给模型。仅有最新日期或自信的回答不能证明实际搜索过。

为什么长对话越来越贵?

许多客户端会把历史消息再次加入后续请求,工具输出也可能进入上下文。观察每轮输入量,保留必要信息,适时整理历史;同时注意不要删掉影响结果的约束。

多人共用一个 Key 可以吗?

先核对平台规则和权限需求。实际管理中,为不同应用或使用者分开配置凭据更容易定位费用和撤销访问。不要在前端代码里公开主 Key。

自部署模型就没有 API 费用了吗?

可能不再向外部平台按 token 付费,但仍有硬件、算力、电力和运维成本。比较时用同样的任务量和质量要求,并考虑闲置资源。

怎样反馈问题更快得到处理?

提供时间、客户端版本、模型 ID、线路、端点、错误码和脱敏后的最小请求。如果有 request ID 一并提供;不要提供完整 Key 或私人文档。可使用本仓库的 问题模板。

AI API 术语表 / Glossary

术语 含义 为什么会影响你
API Key 调用凭据 决定权限及费用归属
Base URL 服务基础地址 拼接错误可能导致 404
Model ID 请求中的模型标识 展示名称不一定能直接调用
Token 模型处理文本等内容的计量单元 字数不能直接替代账单用量
Context window 单次上下文容量 影响能放入多少资料与历史
Output limit 输出上限 与上下文窗口不是同一个数
Streaming / SSE 持续发送事件或内容 客户端需要处理结束和错误事件
TTFT 首个 token 的等待时间 反映开始看到输出前的等待
Tokens per second token 输出速度 不等于整个任务的完成速度
RPM / TPM 每分钟请求数 / token 数 两种限制可能分别触发
Concurrency 同时进行的请求数 与每分钟总请求数不同
Prompt cache 复用已处理的输入部分 需要区分缓存读、写和未命中
Tool calling 模型提出结构化工具请求 应用仍需执行和回传结果
Structured output 约束输出结构 仍要校验业务内容是否正确
Embedding 将内容转换为向量 用于检索等任务,模型变化影响索引
Rerank 对候选结果重新排序 可以改变最终传给模型的材料
RAG 检索资料后再生成回答 检索质量和回答质量都要检查
Agent 结合模型、工具和状态执行任务 费用可能包含很多轮调用
MCP 工具与资源连接协议 不等同于模型 API 或模型额度
BYOK 使用自己的 Key 通常仍需承担 Key 对应上游费用
Fallback 失败后的替代处理 应明确是否切模型、切线路及如何计费
Observability 观测调用、错误与费用 帮助定位复杂任务为什么慢或贵

客户端接入实操 / Client Integration Recipes

以下步骤帮助你组织一次接入,不绑定某个版本的菜单名称。配置字段以所装版本为准;当前线路的地址、协议、模型 ID 从服务接入页复制。先完成短请求,再增加工具、图片或知识库功能。

Cherry Studio:先建一个最小对话配置

适合希望在桌面上使用不同模型进行日常对话的人。项目入口:Cherry Studio。

  1. 新增与线路协议匹配的服务配置,给它起一个能区分线路的名称。
  2. 填入该线路的 Base URL 和 Key,再填写精确模型 ID。
  3. 先用纯文本新会话测试,避免旧对话携带不兼容的图片或工具消息。
  4. 核对返回内容和用量,再分别测试需要的附件或工具功能。
遇到的情况 优先处理
名称相同,不知道用了哪个渠道 给配置标明模型、线路和用途
能获取模型但不能聊天 查看请求端点、分组权限和返回错误
新会话正常,旧会话失败 检查旧消息中的格式与上下文长度
更换线路后费用变化 记录两条线路的价格和实际 usage

验收目标:能知道这次请求用了哪个模型、哪条线路,以及在哪查看费用。

Open WebUI / LobeHub:先确认后端能连通

适合需要网页对话入口或组织多个助手的人。项目入口:Open WebUI · LobeHub。

  1. 找到实际发送模型请求的运行环境,区分浏览器、本机服务与容器。
  2. 在该环境验证目标地址可访问,再配置模型服务连接。
  3. 添加一个测试模型,只发送一条短文本。
  4. 若要给其他人使用,再检查成员权限和凭据可见范围。
遇到的情况 优先处理
本机可用,容器失败 检查容器内 DNS、网络与代理配置
把 localhost 当成宿主机 确认请求进程所在的网络环境
页面显示模型,发送一直等待 检查服务端请求日志和超时
多人共享时费用难归属 分开应用或成员凭据,保留调用归属

验收目标:从网页发出的真实请求能够完成,且服务器日志中不暴露完整 Key。

Cline / Kilo Code / Aider:用小代码任务验证

项目入口:Cline · Kilo Code · Aider。先选择当前客户端支持、且与线路相符的 provider 配置方式。

  1. 在测试项目中准备一个范围明确的小问题,例如修正一个函数的边界条件。
  2. 只加入必要文件,避免一开始就发送整个仓库的内容。
  3. 检查工具读取、编辑与结果回传是否完成,审查实际 diff。
  4. 运行项目现有检查,并查看整个任务的累计用量。
遇到的情况 优先处理
可以回答,但不能完成编辑 查看工具调用及结果回传链路
模型反复读取同一个文件 检查工具结果是否被正确交给模型
修改正确但任务迟迟不结束 检查结束条件和重复检查循环
费用明显高于聊天 统计代码、历史、工具输出和全部轮次

验收目标:完成一项可以复查的代码修改,检查通过,任务能结束。Claude Code、Codex 等客户端也可用同一小任务评估,但协议和配置字段需要分别核对。

Dify:把聊天与知识库分开接通

项目入口:Dify。先跑通模型,再组合文档处理与检索。

  1. 配置一个文本模型,建立只包含输入和回答的最小应用。
  2. 如需知识库,单独配置所需 embedding 服务。
  3. 导入一份内容已知的短文档,确认切分和索引完成。
  4. 提问文档中的事实,分别查看检索片段与最终回答。
遇到的情况 优先处理
聊天成功,知识库导入失败 检查 embedding 配置及文档解析
检索为空,回答却很肯定 明确无资料时的回答方式
找到了片段,答案不正确 检查送给生成模型的上下文和指令
修改模型后历史索引异常 检查向量模型、维度和索引兼容性

验收目标:一个有答案的问题能引用对应材料,一个文档中没有答案的问题能明确说明未找到。

n8n:先接通单条,再扩大批量

项目入口:n8n。把模型调用放在可观察的处理步骤中。

  1. 准备一条带唯一 ID 的输入记录,配置对应凭据与节点。
  2. 检查发送给模型的字段,避免把整个上游对象都塞进提示词。
  3. 验证响应字段,再将结果保存到目标系统。
  4. 增加少量输入,观察限流、失败分支与恢复执行。
遇到的情况 优先处理
单条成功,多条缺结果 检查每条输入是否都有输出或失败记录
工作流重跑导致重复写入 使用输入 ID 做去重或更新
请求成功,后续节点报错 检查输出结构和字段映射
偶发 429 后全部中断 设置有上限的重试及可恢复失败状态

验收目标:每条输入都能追踪到结果或明确错误,重新运行不会重复处理已完成的外部操作。

请求设计与参数 / Request Design & Parameters

先确定输入、输出与完成条件

一个容易检查的请求,应说明任务、材料、输出格式与失败时如何回答。模型参数只能辅助,不会替代明确的任务定义。

组成 示例 要避免什么
任务 从订单文字提取订单号和总额 只说“分析一下”
材料边界 仅使用给定文本 混入无关聊天历史
输出格式 返回包含两个字段的 JSON 一边要求 JSON,一边要求长篇解释
缺失处理 找不到金额时返回 null 要求任何情况都必须给出金额
验收 字段存在,金额与原文相符 只检查 HTTP 状态码

参数按线路支持范围使用

参数概念 作用 使用建议
输出 token 上限 限制最多生成多少内容 具体字段随协议不同,先查线路支持
Temperature 调整采样随机性 低值也不保证事实正确或完全确定
Top-p 约束采样候选范围 不要同时随意调整多个采样参数
Stop sequence 指定停止字符串 检查是否可能截断合法内容
Reasoning setting 调整推理相关行为 参数名称、可选值和计费按线路核对
Response format 声明输出形式 仍需本地校验结构和业务内容
Seed 某些服务提供的采样控制 不把它当跨服务一致性的保证
Metadata 关联业务标识 只传所需信息,勿写入敏感原文

不支持的字段应明确移除或调整,不要依赖服务静默忽略。调试时先用最小字段集,再一次增加一个参数。

结构化提取:一个可直接改写的提示词

任务:从下方订单文本提取信息。
只使用订单文本,不根据常识补全缺失内容。
返回 JSON 对象,不加 Markdown 代码围栏。
字段:
- order_id:字符串;找不到则为 null
- total:数字;找不到则为 null
- currency:字符串;找不到则为 null

订单文本:
订单号 A-1001,总额 28.50,币种 CNY。

预期业务结果如下;如果线路支持严格输出约束,可以再用相应协议声明字段结构。

{
  "order_id": "A-1001",
  "total": 28.5,
  "currency": "CNY"
}

业务验收还要包含缺字段、多个金额、退款订单等样本。一个格式正确的 JSON 仍可能提取错金额。

总结长文档:分清事实和推断

请总结给定文档,输出以下三部分:
1. 主要结论:最多 5 条,每条附原文段落编号。
2. 尚未解决的问题:只列原文明确提到的事项。
3. 信息缺口:指出回答问题所需但文档没有提供的信息。
不得把推断写成原文事实。
如果无法从文档得到结论,明确写“文档未提供”。

为文档段落增加稳定编号,比仅要求“附来源”更容易检查。摘要任务要检查关键条件、例外和数值,不仅检查文字是否流畅。

翻译:保留不可改动的内容

将以下文本翻译成英文。
保留产品名称、变量名、URL、金额和编号。
遵循提供的术语表;术语表未覆盖的词按上下文翻译。
保持输入段落顺序,每段对应一段输出。
无法确定的术语单独列出,不自行扩展事实。

批量翻译时把输入 ID 放在输出中,避免靠顺序猜对应关系。保留原文以便抽查,不要直接覆盖唯一副本。

流式输出与工具调用 / Streaming & Tool Calling

SSE 为什么容易出现“有内容但报错”?

网络分块、SSE 事件和模型输出不是同一层。一次网络读取可能包含半个事件,也可能包含多个事件。

层次 需要处理 常见错误
HTTP 状态码、响应类型、连接超时 收到错误 JSON 仍按 SSE 解析
字节流 跨块字符、缓冲区 每块独立解码导致字符损坏
SSE 事件 事件边界及多行数据 假定一个网络块就是一个事件
协议内容 文本、工具增量、结束与错误 只处理文本,丢弃其他事件
应用状态 完成、取消、中断 有部分文字就标记成功

建议分别记录“收到首个输出”“收到正常结束”“连接提前关闭”。这样才能区分慢启动、长生成与真正中断。

一个工具调用应该走完哪些步骤?

1. 应用告诉模型:有哪些工具、参数是什么。
2. 模型返回一个或多个工具调用请求。
3. 应用校验工具名称、参数和操作权限。
4. 应用执行允许的操作,保存真实结果。
5. 应用按协议回传调用 ID 和工具结果。
6. 模型根据结果继续回答或提出下一步。
7. 达到完成条件或预算上限后结束。

不应把模型输出的一段命令直接当作执行授权。尤其是删除、支付、发送消息等操作,应由应用自己的权限和确认机制控制。

工具调用调试记录

字段 记录什么 用途
task_id 整项业务任务 ID 串起多轮请求
request_id 模型请求 ID 与服务日志对应
tool_call_id 协议中的调用 ID 对应工具结果
tool_name 实际工具名称 检查是否调用错工具
argument_validation 参数通过或失败 区分生成问题与执行问题
execution_status 成功、失败或未执行 避免把未执行误当成功
elapsed_ms 工具执行耗时 定位模型之外的等待

只保存排查需要的内容。工具参数和结果可能包含用户数据,公开反馈前应脱敏。

账单核对与离线算价 / Billing Reconciliation

将报价和用量统一到同一口径

要核对的字段 为什么重要
报价时间与线路 同名模型可能对应不同报价
计费单位 每百万、每千、每次不能混算
普通输入 不能重复包含已单独计费的缓存部分
缓存读取 可能是独立类别,也可能是输入中的子项
缓存写入 确认是否已包含普通输入费用
输出 检查推理用量如何归类
其他模态或工具 图片、音频、搜索可能单独计费
舍入规则 单次展示值相加未必等于账单精度

先阅读 usage 字段定义,把重叠计数转换为不重叠类别,再相乘求和。不能把所有看起来像 token 数的字段直接相加。

Python 离线费用计算器

下面只计算普通输入和输出,不联网、不读取 Key。单价取本 README 所列 DeepSeek 线路报价,样例用量是假设值;更换线路时应更新单价。

from decimal import Decimal

PER_MILLION = Decimal("1000000")
INPUT_PRICE = Decimal("0.05")
OUTPUT_PRICE = Decimal("0.20")


def estimate(input_tokens, output_tokens):
    for value in (input_tokens, output_tokens):
        if type(value) is not int or value < 0:
            raise ValueError("Token counts must be non-negative integers")
    return (
        Decimal(input_tokens) * INPUT_PRICE
        + Decimal(output_tokens) * OUTPUT_PRICE
    ) / PER_MILLION


samples = [
    ("classification", 1000, 100),
    ("translation", 2000, 1000),
    ("summary", 20000, 2000),
    ("code", 40000, 5000),
]
for name, input_tokens, output_tokens in samples:
    per_request = estimate(input_tokens, output_tokens)
    per_thousand = per_request * 1000
    print(f"{name}: one=¥{per_request:.5f}, 1000=¥{per_thousand:.2f}")

预期输出:

classification: one=¥0.00007, 1000=¥0.07
translation: one=¥0.00030, 1000=¥0.30
summary: one=¥0.00140, 1000=¥1.40
code: one=¥0.00300, 1000=¥3.00

对账时出现差额怎么办?

  1. 对齐同一条请求,确认不是把整个 Agent 任务和单次请求比较。
  2. 对齐报价日期、模型、线路及实际计费单位。
  3. 检查缓存、推理、工具或其他模态费用是否遗漏。
  4. 检查客户端、SDK、网关是否各自重试,产生多次调用。
  5. 保存请求 ID、usage 与费用记录,再提交脱敏问题。

打开 Orbis 线路价格,先核对少量真实调用,再扩大预算。

按现象排查 / Troubleshooting by Symptom

终端成功,应用失败

把两边的实际请求进行对照,而不是只比较输入框内容。

对照项 可能的差异
最终 URL 应用自动拼接了不同前缀或端点
模型 ID 应用发送的是别名或旧模型
认证头 应用使用了另一套凭据
请求体 应用加入了线路不接受的参数
运行环境 应用进程或容器无法访问相同网络

先缩减到与终端相同的短文本请求,再逐项恢复功能。

返回 200,但没有可用结果

HTTP 成功只表示传输层正常处理了请求,还要检查响应内容。

响应情况 检查动作
返回的是任务 ID 按异步协议查询最终结果
模型返回工具请求 执行获准工具并回传结果
输出为空 检查结束原因、输出限制和返回字段
内容出现在不同字段 按当前协议解析,不套用其他端点结构
JSON 外层正常,业务字段缺失 按业务规则判定失败或待处理

不要通过返回空字符串把异常掩盖成成功,否则批处理会产生难发现的缺失结果。

偶发超时,重试后出现重复操作

超时不等于服务端没有执行。网络断开时,上游可能已经完成生成或工具操作。

操作 重试前考虑
普通文本生成 可能重复产生调用费用
写入数据库 用业务唯一键防止重复记录
发邮件、发消息 核对发送状态后再决定是否重试
支付或订单动作 使用业务系统的幂等与查询机制
异步生成任务 保存已有 task ID,避免重复创建

给业务操作分配稳定 ID,比依赖“重试应该没事”更可靠。

速度慢,到底慢在哪里?

时间段 可能的观察点
发出请求前 应用队列、文件读取、检索
建立连接 DNS、网络、TLS、代理
等待首个输出 排队、输入处理、推理准备
输出过程中 输出长度、生成速度、缓冲
模型回答后 工具执行、写入目标系统、界面更新

记录整个任务耗时,也记录首字等待和工具耗时。仅凭浏览器里“转了很久”无法判断是哪一层。

短文本正常,长文本失败

需要检查 处理方向
总输入和预留输出 给输出留出容量,不只看输入长度
历史与工具消息 去掉无关重复内容
单文件和请求体大小 区分字节限制与 token 限制
网关或客户端超时 检查生成是否在超时后仍进行
文档处理方式 用检索或分段处理代替全部塞入

分段摘要还需要合并阶段检查,避免各段之间的条件和结论丢失。

模型选型小样本包 / Small Evaluation Kit

准备一组固定样本,让候选模型处理相同的材料。下面是任务设计模板,不是已完成的模型评测。

样本 输入设计 验收重点
信息提取 一段有明确订单号和金额的文本 字段和值正确
缺失信息 删除订单中的金额 返回缺失,不编造
多个候选 同时出现原价、优惠和实付 选择任务指定金额
摘要 含结论、前提和例外的短文 条件和例外保留
翻译 包含术语、变量名和数字 不改动不可翻译字段
代码修复 一个带现成测试的小错误 修改通过测试且范围合理
工具使用 需查一次数据才能回答 真正使用返回数据
RAG 文档包含答案并有段落编号 答案及引用正确
无答案 RAG 文档中没有所问事实 明确无法从材料得到
长上下文 关键条件放在不同位置 找到并综合必要信息

建议保存的评估记录

{
  "sample_id": "invoice-missing-total",
  "model_id": "your-model-id",
  "route": "your-route",
  "client_version": "your-client-version",
  "expected": "total is null",
  "observed": null,
  "passed": null,
  "input_tokens": null,
  "output_tokens": null,
  "elapsed_ms": null,
  "cost": null,
  "tested_at": null
}

null 表示未测试或未记录,不等于零费用或失败。填入真实结果后再统计,避免把计划表当成测试报告。

怎么读评估结果?

  • 成功率:通过样本数除以实际完成测试的样本数,同时列出未完成项。
  • 完成成本:包含失败尝试的总费用除以成功完成任务数;零成功时不计算有限单价。
  • 延迟:区分首次输出时间与完整任务时间,保留慢请求。
  • 修正量:记录需要多少人工检查和修改,避免只看自动通过率。
  • 适用范围:小样本只能支持该组任务,不能证明所有应用都更好。

从试用到稳定使用 / From Trial to Routine Use

阶段 要完成的事情 保留的结果
选择 选模型、线路、协议和预算 接入信息与报价日期
接通 一个短文本请求 可复查的响应
功能 测试应用需要的流式、工具或图片 各功能结果
质量 跑固定业务样本 成功与失败样本
成本 对照实际用量和账单 每项任务费用
小批量 控制并发,处理失败 可恢复的执行记录
日常使用 设置费用提醒与异常观察 用量趋势和问题记录
变更后 升级或换线路后复查关键样本 新旧配置与结果差异

Orbis 的起步路径是:选模型与线路 → 创建匹配的 Key → 接入现有工具 → 用小任务核对功能和费用。优先把便宜的线路用于能够通过自己验收标准的任务,再逐步增加用量。

验证与更新 / Verification, Updates & Contributions

内容核对日期:2026-10-19。 首版完成选型、配置检查与成本说明;尚未发布逐线路端到端兼容测试结果,也没有实测性能排行。验证如何记录,见验证方法。

  • 价格与模型可用性:查看 Orbis 当前线路页;本文的数字成本例子为假设算例。
  • 纠错或接入需求:提交 Issue,附工具版本、模型与脱敏错误。
  • 内容贡献:贡献指南;提交真实经验或可复现的修正。
  • 更新历史:CHANGELOG。

维护关系

本项目由 Orbis 维护,包含指向 Orbis 商业服务的链接;不代表所提及模型厂商、客户端或框架的官方项目或背书。链接中的 UTM 用于区分访问来源,不包含 API Key。

原创内容按 MIT License 提供;第三方名称和商标属于其各自所有者。

About

AI API / LLM guide: model selection, pricing, OpenAI-compatible endpoints, Claude Code & Codex integration, troubleshooting. AI API 模型选型、价格对比、工具接入与排错指南。Claude / GPT / Gemini / DeepSeek / Kimi / Qwen. By Orbis.

Topics

Resources

Contributing

Stars

5 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors