大模型 API 大全：国内外主流模型接口汇总（2026 版）
2026 年了，市面上的大模型多到让人眼花缭乱。OpenAI、Claude、Gemini、通义千问、DeepSeek、Kimi、文心一言……每家的 API 格式不同、价格不同、能力也不同。这篇文章帮你一次搞清楚所有主流大模型 API，附带代码示例、价格对比和选型建议，建议收藏！
目录
国际篇：六大主流模型
国内篇：八大主流模型
API 调用代码示例大全
价格与能力横评对比
选型指南
第一章：国际篇
1.1 OpenAI — 行业标杆
项目
信息
官网
https://platform.openai.com
API 文档
https://platform.openai.com/docs
Base URL
https://api.openai.com/v1
认证方式
Bearer Token
主流模型
GPT-4o, GPT-4o-mini, o1, o3
模型矩阵：
模型
定位
输入价格 ($/1M tokens)
输出价格 ($/1M tokens)
上下文窗口
GPT-4o
旗舰多模态
$2.50
$10.00
128K
GPT-4o-mini
高性价比
$0.15
$0.60
128K
o3
深度推理
$10.00
$40.00
200K
o4-mini
推理性价比
$1.10
$4.40
200K
快速接入：
from openai import OpenAI
client = OpenAI(api_key="sk-xxxxxxxxxxxxxxxx")
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": "你是一名资深 DBA"},
{"role": "user", "content": "SQL Server 死锁怎么排查？"}
]
)
print(response.choices[0].message.content)
特点：
生态最成熟，SDK 和文档最完善
几乎所有国内模型都兼容 OpenAI 的 API 格式
价格偏贵，但能力天花板高
需要科学上网
1.2 Anthropic Claude — 编程与长文本之王
项目
信息
官网
https://www.anthropic.com
API 文档
https://docs.anthropic.com
Base URL
https://api.anthropic.com/v1
认证方式
API Key (Header: x-api-key)
主流模型
Claude Opus 4, Claude Sonnet 4, Claude Haiku 3.5
模型矩阵：
模型
定位
输入价格 ($/1M tokens)
输出价格 ($/1M tokens)
上下文窗口
Claude Opus 4
旗舰推理
$15.00
$75.00
200K
Claude Sonnet 4
均衡主力
$3.00
$15.00
200K
Claude Haiku 3.5
快速低价
$0.80
$4.00
200K
快速接入：
import anthropic
client = anthropic.Anthropic(api_key="sk-ant-xxxxxxxxxxxxxxxx")
response = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=4096,
messages=[
{"role": "user", "content": "帮我写一个 Python 爬虫"}
]
)
print(response.content[0].text)
特点：
代码生成能力业界顶级
超长上下文（200K tokens）
安全性设计出色，拒绝率低
API 格式与 OpenAI 不同，需要注意
1.3 Google Gemini — 谷歌的多模态大模型
项目
信息
官网
https://ai.google.dev
API 文档
https://ai.google.dev/docs
Base URL
https://generativelanguage.googleapis.com/v1beta
认证方式
API Key (Query Param)
主流模型
Gemini 2.5 Pro, Gemini 2.5 Flash
模型矩阵：
模型
定位
输入价格 ($/1M tokens)
输出价格 ($/1M tokens)
上下文窗口
Gemini 2.5 Pro
旗舰多模态
$1.25
$10.00
1M
Gemini 2.5 Flash
高速多模态
$0.15
$0.60
1M
Gemini 2.0 Flash
轻量级
免费额度充足
免费额度充足
1M
快速接入：
import google.generativeai as genai
genai.configure(api_key="AIzaxxxxxxxxxxxxxxxx")
model = genai.GenerativeModel("gemini-2.5-pro")
response = model.generate_content("解释一下什么是 Transformer 架构")
print(response.text)
特点：
百万级上下文窗口，处理超长文档无敌
多模态能力强（文本、图片、视频、音频）
Flash 模型免费额度慷慨
国内访问需要代理
1.4 Meta Llama — 开源模型标杆
项目
信息
开源地址
https://llama.meta.com
模型
Llama 4, Llama 3.3, Llama 3.2
使用方式
自部署 / 通过 API 提供商调用
许可证
Llama 社区许可
模型矩阵：
模型
参数量
特点
Llama 4 Scout
17B 激活
MoE 架构，10M 上下文
Llama 4 Maverick
17B 激活
MoE，多模态，400K 上下文
Llama 3.3 70B
70B
纯文本，性价比之王
Llama 3.2 8B
8B
轻量级，适合端侧部署
通过 API 提供商调用（无需自部署）：
# 方式一：通过 Groq（超快推理）
from openai import OpenAI
client = OpenAI(
api_key="gsk_xxxxxxxx",
base_url="https://api.groq.com/openai/v1"
)
response = client.chat.completions.create(
model="llama-3.3-70b-versatile",
messages=[{"role": "user", "content": "Hello!"}]
)
# 方式二：通过 Together AI
client2 = OpenAI(
api_key="xxxxxxxx",
base_url="https://api.together.xyz/v1"
)
response2 = client2.chat.completions.create(
model="meta-llama/Llama-3.3-70B-Instruct-Turbo",
messages=[{"role": "user", "content": "Hello!"}]
)
特点：
完全开源，可私有化部署，数据不出域
通过 Groq 调用速度极快（800+ tokens/s）
社区生态丰富，微调方案多
中文能力相对国产模型稍弱
1.5 Mistral — 欧洲之光
项目
信息
官网
https://mistral.ai
API 文档
https://docs.mistral.ai
Base URL
https://api.mistral.ai/v1
认证方式
Bearer Token
模型矩阵：
模型
定位
输入价格 ($/1M tokens)
输出价格 ($/1M tokens)
Mistral Large
旗舰
$2.00
$6.00
Mistral Medium
均衡
$2.70
$8.10
Mistral Small
轻量
$0.10
$0.30
Codestral
代码专精
$0.30
$0.90
快速接入（兼容 OpenAI 格式）：
from openai import OpenAI
client = OpenAI(
api_key="xxxxxxxxxxxxxxxx",
base_url="https://api.mistral.ai/v1"
)
response = client.chat.completions.create(
model="mistral-large-latest",
messages=[{"role": "user", "content": "Bonjour!"}]
)
特点：
小模型性价比极高（Small 模型 $0.10/1M 输入）
Codestral 专攻代码生成
欧洲公司，数据隐私合规（GDPR）
兼容 OpenAI API 格式
1.6 Cohere — 企业级 RAG 专家
项目
信息
官网
https://cohere.com
API 文档
https://docs.cohere.com
Base URL
https://api.cohere.ai/v2
主流模型
Command R+, Command R, Embed v3
模型矩阵：
模型
定位
价格 ($/1M tokens)
特点
Command R+
旗舰
输入 $2.50 / 输出 $10.00
RAG 优化，引用溯源
Command R
均衡
输入 $0.15 / 输出 $0.60
多语言支持好
Embed v3
向量嵌入
$0.10 / 1M tokens
多语言 Embedding
特点：
RAG 场景原生优化，自带引用溯源
Embed v3 是多语言 Embedding 的优秀选择
企业级数据安全保障
支持 100+ 语言
第二章：国内篇
2.1 阿里通义千问（百炼平台）
项目
信息
官网
https://bailian.console.aliyun.com
API 文档
https://help.aliyun.com/zh/model-studio
Base URL
https://dashscope.aliyuncs.com/compatible-mode/v1
认证方式
Bearer Token（兼容 OpenAI 格式）
模型矩阵：
模型
定位
输入价格 (元/千 tokens)
输出价格 (元/千 tokens)
上下文窗口
qwen-max-latest
旗舰
¥0.020
¥0.060
128K
qwen-plus-latest
均衡
¥0.004
¥0.012
131K
qwen-turbo-latest
高速
¥0.002
¥0.006
131K
qwen-coder-plus
代码
¥0.002
¥0.006
131K
qwen-long
长文本
¥0.0005
¥0.002
10M
快速接入：
from openai import OpenAI
client = OpenAI(
api_key="sk-xxxxxxxxxxxxxxxx", # 百炼 API Key
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)
response = client.chat.completions.create(
model="qwen-max-latest",
messages=[
{"role": "system", "content": "你是一名资深 DBA"},
{"role": "user", "content": "SQL Server 性能优化有哪些方法？"}
]
)
print(response.choices[0].message.content)
特点：
完全兼容 OpenAI API 格式，切换成本为零
qwen-long 支持千万级上下文（10M tokens）
中文能力第一梯队
价格极具竞争力，turbo 模型几乎白菜价
支持 Function Calling、多模态
2.2 DeepSeek — 国产性价比之王
项目
信息
官网
https://platform.deepseek.com
API 文档
https://api-docs.deepseek.com
Base URL
https://api.deepseek.com/v1
认证方式
Bearer Token（兼容 OpenAI 格式）
模型矩阵：
模型
定位
输入价格 (元/千 tokens)
输出价格 (元/千 tokens)
上下文窗口
DeepSeek-V3
旗舰通用
¥0.001
¥0.002
128K
DeepSeek-R1
深度推理
¥0.004
¥0.016
128K
DeepSeek-V3-0324
最新版本
¥0.001
¥0.002
128K
快速接入：
from openai import OpenAI
client = OpenAI(
api_key="sk-xxxxxxxxxxxxxxxx",
base_url="https://api.deepseek.com/v1"
)
response = client.chat.completions.create(
model="deepseek-chat", # 或 deepseek-reasoner
messages=[{"role": "user", "content": "用 Python 写一个归并排序"}]
)
print(response.choices[0].message.content)
特点：
价格极低，V3 模型输入仅 ¥0.001/千 tokens
R1 推理模型能力媲美 OpenAI o1
完全兼容 OpenAI API 格式
代码能力强劲
开源模型（DeepSeek-V3、DeepSeek-R1）可私有部署
2.3 月之暗面 Kimi（Moonshot AI）
项目
信息
官网
https://platform.moonshot.cn
API 文档
https://platform.moonshot.cn/docs
Base URL
https://api.moonshot.cn/v1
认证方式
Bearer Token（兼容 OpenAI 格式）
模型矩阵：
模型
定位
输入价格 (元/千 tokens)
输出价格 (元/千 tokens)
上下文窗口
moonshot-v1-8k
短文本
¥0.012
¥0.012
8K
moonshot-v1-32k
中文本
¥0.024
¥0.024
32K
moonshot-v1-128k
长文本
¥0.060
¥0.060
128K
快速接入：
from openai import OpenAI
client = OpenAI(
api_key="sk-xxxxxxxxxxxxxxxx",
base_url="https://api.moonshot.cn/v1"
)
response = client.chat.completions.create(
model="moonshot-v1-128k",
messages=[{"role": "user", "content": "总结一下这篇 10 万字的报告"}]
)
print(response.choices[0].message.content)
特点：
超长上下文处理能力强（128K 起步）
长文档理解和总结能力出色
兼容 OpenAI API 格式
适合需要处理大量文档的场景
2.4 百度文心一言（ERNIE）
项目
信息
官网
https://qianfan.cloud.baidu.com
API 文档
https://cloud.baidu.com/doc/WENXINWORKSHOP
Base URL
https://qianfan.baidubce.com/v2/chat/completions
认证方式
Bearer Token（兼容 OpenAI 格式）
模型矩阵：
模型
定位
输入价格 (元/千 tokens)
输出价格 (元/千 tokens)
ERNIE 4.0
旗舰
¥0.030
¥0.090
ERNIE 3.5
均衡
¥0.0008
¥0.002
ERNIE Speed
高速
免费
免费
快速接入：
from openai import OpenAI
client = OpenAI(
api_key="bce-v3/xxxxxxxx",
base_url="https://qianfan.baidubce.com/v2"
)
response = client.chat.completions.create(
model="ernie-4.0-8k-latest",
messages=[{"role": "user", "content": "写一首关于春天的诗"}]
)
print(response.choices[0].message.content)
特点：
ERNIE Speed 免费额度足够个人使用
中文理解和生成能力优秀
深度集成百度生态（搜索、知识图谱）
已兼容 OpenAI API 格式
2.5 智谱 ChatGLM / GLM-4
项目
信息
官网
https://open.bigmodel.cn
API 文档
https://open.bigmodel.cn/dev/api
Base URL
https://open.bigmodel.cn/api/paas/v4
认证方式
API Key (Header)
模型矩阵：
模型
定位
输入价格 (元/千 tokens)
输出价格 (元/千 tokens)
GLM-4-Plus
旗舰
¥0.050
¥0.050
GLM-4-Air
均衡
¥0.001
¥0.001
GLM-4-Flash
高速
免费
免费
GLM-4V
多模态
¥0.004
¥0.004
快速接入：
from zhipuai import ZhipuAI
client = ZhipuAI(api_key="xxxxxxxxxxxxxxxx")
response = client.chat.completions.create(
model="glm-4-plus",
messages=[{"role": "user", "content": "解释量子计算的基本原理"}]
)
print(response.choices[0].message.content)
特点：
GLM-4-Flash 完全免费，注册即用
模型开源（ChatGLM 系列），可私有部署
多模态模型 GLM-4V 性价比高
学术背景深厚，研究能力强
2.6 字节跳动豆包（火山引擎）
项目
信息
官网
https://www.volcengine.com/product/doubao
API 文档
https://www.volcengine.com/docs/82379
Base URL
https://ark.cn-beijing.volces.com/api/v3
认证方式
Bearer Token（兼容 OpenAI 格式）
模型矩阵：
模型
定位
输入价格 (元/千 tokens)
输出价格 (元/千 tokens)
Doubao-pro
旗舰
¥0.0008
¥0.002
Doubao-lite
轻量
¥0.0004
¥0.001
快速接入：
from openai import OpenAI
client = OpenAI(
api_key="xxxxxxxxxxxxxxxx",
base_url="https://ark.cn-beijing.volces.com/api/v3"
)
response = client.chat.completions.create(
model="doubao-pro-32k", # endpoint ID
messages=[{"role": "user", "content": "帮我分析一下这段代码的性能问题"}]
)
print(response.choices[0].message.content)
特点：
价格极低，Pro 模型输入仅 ¥0.0008/千 tokens
与字节跳动生态深度集成
兼容 OpenAI API 格式
使用 endpoint ID 而非模型名，需先在控制台创建
2.7 腾讯混元
项目
信息
官网
https://cloud.tencent.com/product/hunyuan
API 文档
https://cloud.tencent.com/document/product/1729
认证方式
SecretId + SecretKey（腾讯云签名）
模型矩阵：
模型
定位
输入价格 (元/千 tokens)
输出价格 (元/千 tokens)
hunyuan-pro
旗舰
¥0.030
¥0.100
hunyuan-standard
均衡
¥0.004
¥0.008
hunyuan-lite
轻量
免费
免费
快速接入：
# 腾讯混元使用 OpenAI 兼容模式
from openai import OpenAI
client = OpenAI(
api_key="xxxxxxxxxxxxxxxx",
base_url="https://api.hunyuan.cloud.tencent.com/v1"
)
response = client.chat.completions.create(
model="hunyuan-lite",
messages=[{"role": "user", "content": "你好"}]
)
print(response.choices[0].message.content)
特点：
hunyuan-lite 完全免费
深度集成腾讯云和微信生态
适合微信生态内的应用开发
2.8 讯飞星火
项目
信息
官网
https://www.xfyun.cn/doc/spark
API 文档
https://www.xfyun.cn/doc/spark/Web.html
认证方式
WebSocket / HTTP
模型矩阵：
模型
定位
价格
Spark 4.0 Ultra
旗舰
按 token 计费
Spark Pro
均衡
按 token 计费
Spark Lite
轻量
免费额度
特点：
语音识别 + 大模型联动能力强
教育、医疗领域有深度优化
适合语音交互类应用
第三章：代码示例大全
3.1 统一调用封装（一个函数调用所有模型）
由于大多数国内外模型都兼容 OpenAI 格式，我们可以写一个统一封装：
from openai import OpenAI
# 模型配置表
MODEL_CONFIGS = {
"openai": {
"base_url": "https://api.openai.com/v1",
"api_key": "sk-xxxxxxxx",
"model": "gpt-4o"
},
"qwen": {
"base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
"api_key": "sk-xxxxxxxx",
"model": "qwen-max-latest"
},
"deepseek": {
"base_url": "https://api.deepseek.com/v1",
"api_key": "sk-xxxxxxxx",
"model": "deepseek-chat"
},
"moonshot": {
"base_url": "https://api.moonshot.cn/v1",
"api_key": "sk-xxxxxxxx",
"model": "moonshot-v1-128k"
},
"groq-llama": {
"base_url": "https://api.groq.com/openai/v1",
"api_key": "gsk_xxxxxxxx",
"model": "llama-3.3-70b-versatile"
},
"mistral": {
"base_url": "https://api.mistral.ai/v1",
"api_key": "xxxxxxxx",
"model": "mistral-large-latest"
},
}
def ask_llm(provider: str, question: str, system_prompt: str = None) -> str:
"""
统一调用各大模型 API
"""
config = MODEL_CONFIGS[provider]
client = OpenAI(
api_key=config["api_key"],
base_url=config["base_url"]
)
messages = []
if system_prompt:
messages.append({"role": "system", "content": system_prompt})
messages.append({"role": "user", "content": question})
response = client.chat.completions.create(
model=config["model"],
messages=messages
)
return response.choices[0].message.content
# 使用示例
answer = ask_llm("deepseek", "SQL Server 索引碎片怎么处理？")
print(answer)
# 换个模型试试
answer2 = ask_llm("qwen", "SQL Server 索引碎片怎么处理？")
print(answer2)
3.2 流式输出（Streaming）
from openai import OpenAI
client = OpenAI(
api_key="sk-xxxxxxxx",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)
stream = client.chat.completions.create(
model="qwen-max-latest",
messages=[{"role": "user", "content": "写一篇 3000 字的 AI 发展史"}],
stream=True # 开启流式输出
)
for chunk in stream:
if chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end="", flush=True)
3.3 Function Calling / Tool Use
import json
from openai import OpenAI
client = OpenAI(
api_key="sk-xxxxxxxx",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)
# 定义工具
tools = [
{
"type": "function",
"function": {
"name": "get_db_status",
"description": "获取数据库实例的运行状态",
"parameters": {
"type": "object",
"properties": {
"instance_name": {
"type": "string",
"description": "数据库实例名称"
}
},
"required": ["instance_name"]
}
}
}
]
# 你的工具实现
def get_db_status(instance_name):
# 实际查询数据库状态的逻辑
return json.dumps({
"instance": instance_name,
"status": "running",
"cpu_usage": "45%",
"memory_usage": "68%",
"connections": 230
})
# 调用模型
response = client.chat.completions.create(
model="qwen-max-latest",
messages=[{"role": "user", "content": "查看 PROD-DB-01 的运行状态"}],
tools=tools,
tool_choice="auto"
)
# 处理工具调用
message = response.choices[0].message
if message.tool_calls:
for tool_call in message.tool_calls:
if tool_call.function.name == "get_db_status":
args = json.loads(tool_call.function.arguments)
result = get_db_status(args["instance_name"])
# 把结果返回给模型
response2 = client.chat.completions.create(
model="qwen-max-latest",
messages=[
{"role": "user", "content": "查看 PROD-DB-01 的运行状态"},
message,
{
"role": "tool",
"tool_call_id": tool_call.id,
"content": result
}
]
)
print(response2.choices[0].message.content)
3.4 Claude API 调用示例（非 OpenAI 格式）
import anthropic
client = anthropic.Anthropic(api_key="sk-ant-xxxxxxxxxxxxxxxx")
# 基础调用
response = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=4096,
system="你是一名资深 DBA，擅长 SQL Server 性能优化。",
messages=[
{"role": "user", "content": "如何排查 SQL Server 死锁？"}
]
)
print(response.content[0].text)
print(f"输入 tokens: {response.usage.input_tokens}")
print(f"输出 tokens: {response.usage.output_tokens}")
3.5 Gemini API 调用示例
import google.generativeai as genai
genai.configure(api_key="AIzaxxxxxxxxxxxxxxxx")
model = genai.GenerativeModel(
model_name="gemini-2.5-pro",
system_instruction="你是一名资深 DBA"
)
# 单轮对话
response = model.generate_content("SQL Server 死锁怎么排查？")
print(response.text)
# 多轮对话
chat = model.start_chat(history=[])
chat.send_message("什么是数据库索引？")
chat.send_message("那聚簇索引和非聚簇索引有什么区别？")
print(chat.history[-1].parts[0].text)
第四章：价格与能力横评
4.1 输入价格排行（从低到高）
排名
模型
输入价格
备注
1
Gemini 2.0 Flash
免费
有免费额度上限
2
GLM-4-Flash
免费
注册即用
3
ERNIE Speed
免费
百度生态
4
hunyuan-lite
免费
腾讯生态
5
DeepSeek-V3
¥0.001/千 tokens
极致性价比
6
Doubao-lite
¥0.0004/千 tokens
字节生态
7
qwen-turbo
¥0.002/千 tokens
阿里云
8
GPT-4o-mini
$0.15/1M tokens
约 ¥1.1/千 tokens
9
Mistral Small
$0.10/1M tokens
约 ¥0.7/千 tokens
10
Claude Haiku 3.5
$0.80/1M tokens
约 ¥5.8/千 tokens
4.2 旗舰模型对比
维度
GPT-4o
Claude Sonnet 4
Gemini 2.5 Pro
qwen-max
DeepSeek-V3
通用能力
强
极强
强
强
强
代码能力
强
极强
强
强
强
中文能力
中
中
中
极强
极强
推理能力
强
强
强
强
强
多模态
文本+图片+音频
文本+图片
文本+图片+视频+音频
文本+图片
文本+图片
上下文
128K
200K
1M
128K
128K
价格
贵
贵
中
低
极低
国内可访问
需代理
需代理
需代理
直接访问
直接访问
4.3 国产模型价格 PK
模型
输入 (元/千 tokens)
输出 (元/千 tokens)
综合性价比
DeepSeek-V3
¥0.001
¥0.002
极致
Doubao-lite
¥0.0004
¥0.001
极致
qwen-turbo
¥0.002
¥0.006
很高
ERNIE 3.5
¥0.0008
¥0.002
很高
GLM-4-Air
¥0.001
¥0.001
高
Moonshot-v1-8k
¥0.012
¥0.012
中等
第五章：选型指南
5.1 按场景选型
场景
推荐模型
理由
个人学习/研究
GLM-4-Flash / ERNIE Speed
免费，够用
轻量级聊天机器人
DeepSeek-V3 / qwen-turbo
极低价格，中文能力强
企业知识库 RAG
qwen-plus / Command R+
RAG 优化，成本可控
代码生成/辅助编程
Claude Sonnet 4 / DeepSeek-R1
代码能力顶级
复杂推理/分析
GPT-4o / o3 / DeepSeek-R1
推理能力强
超长文档处理
Gemini 2.5 Pro / qwen-long
百万级上下文
多模态应用
Gemini 2.5 Pro / GPT-4o
文本+图片+视频+音频
数据安全/私有部署
Llama / DeepSeek / ChatGLM
开源，可自部署
预算充足不差钱
GPT-4o + Claude Sonnet 4
能力天花板
5.2 按预算选型
月预算
推荐方案
免费
GLM-4-Flash + ERNIE Speed + hunyuan-lite
< 100 元
DeepSeek-V3 主力 + qwen-turbo 备用
100-1000 元
qwen-plus 主力 + DeepSeek-V3 兜底
1000-10000 元
GPT-4o-mini + qwen-max + DeepSeek-V3
> 10000 元
GPT-4o + Claude Sonnet 4 + 国产兜底
5.3 最佳实践：多模型路由
聪明的做法不是只选一个模型，而是根据任务复杂度动态路由：
def smart_route(question: str) -> str:
"""
智能路由：简单问题用便宜模型，复杂问题用强模型
"""
# 1. 先用便宜模型判断问题复杂度
classifier = OpenAI(
api_key="sk-xxx",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)
classify_result = classifier.chat.completions.create(
model="qwen-turbo-latest",
messages=[{
"role": "system",
"content": "判断问题的复杂度，只回答 'simple' 或 'complex'"
}, {
"role": "user",
"content": question
}]
)
complexity = classify_result.choices[0].message.content.strip()
# 2. 根据复杂度路由到不同模型
if complexity == "simple":
# 简单问题 -> 便宜模型（DeepSeek-V3，¥0.001/千tokens）
return ask_llm("deepseek", question)
else:
# 复杂问题 -> 强模型（GPT-4o）
return ask_llm("openai", question)
总结
核心结论
国内模型首选：DeepSeek-V3（最便宜）、通义千问（最全面）、智谱 GLM（免费模型）
国际模型首选：Claude Sonnet 4（代码最强）、GPT-4o（综合能力最强）、Gemini 2.5 Pro（最长上下文）
兼容性最佳：几乎所有国内模型都兼容 OpenAI API 格式，切换只改 base_url 和 api_key
性价比策略：多模型路由，简单问题用便宜模型，复杂问题用强模型
一句话总结
选大模型就像选数据库——没有最好的，只有最适合的。了解每家的价格和能力，根据场景动态路由，才是最聪明的做法。
相关阅读
安装 Hermes 桌面版，连接阿里云百炼
向量数据库：为什么大模型离不开它
OpenAI API 官方文档
Anthropic API 官方文档
阿里云百炼官方文档
关于作者
一名天天和各家大模型 API 打交道的技术人。写这篇文章的初衷是：每次换模型都要查一遍文档，不如一次整理全，以后换模型只改两行代码。