鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

1分钟对接500个大模型?这才叫 AI 开发!

编程导航
编程导航
2025-10-31 17:56
阅读 1359
编程导航
2025-10-31 17:56
阅读 1359

你是小阿巴,刚入职的 AI 应用开发工程师。

屑老板说:公司最近要做一个智能客服系统,小阿巴,你是新人,所以这个重任就交给你了!故天将降大任于新人也~

你一听,心想:不就是调个 API 的事儿嘛,有啥难的?

于是你撸起袖子就开始写代码,先接入了 OpenAI 的 GPT 模型。

刚刚搞定,屑老板说:还要加上 Claude 模型,听说它在某些场景下表现更好。

于是你又写了一堆调用 Claude 模型的代码。

结果刚写完,屑老板又说:嗯,听过国产的通义千问也不错,也一起接入吧!

你皱了皱眉,心想:又得写调用这个模型的代码了,老板你是不是有点过分了。。。

屑老板仿佛听到了你的心声:

  • 哦,对了,调用 AI 是有成本的,得做好用户鉴权
  • 哦哦,为了防止恶意用户疯狂调用 AI,还得做好限流控制
  • 哦哦哦,AI 生成的内容可能有问题,还得校验内容安全
  • 哦哦哦哦!还要保证系统稳定,不能因为某个模型挂了就导致整个服务都不能用
  • 哦哦哦哦哦!!咱这个项目肯定能火,还得考虑 AI 怎么抗住大量请求
  • 哦哦哦哦哦哦!!!还得能让咱们观察到 AI 的调用次数和成本,好降本增效啊
  • 哦哦哦哦哦哦哦。。。

你看着渐渐发狂的老板,开始怀疑人生:调个 AI 接口怎么这么复杂?

⭐️ 本文对应视频版:https://bilibili.com/video/BV14NyrBTEeB

什么是 AI 网关?

这时,号称 “AI 小王子” 的鱼皮走了过来,看到你愁眉苦脸的样子,笑道:怎么,这很难么?

你有些不爽:你这是站着说话不腰疼,这么多要求,不得写一大坨代码?

鱼皮:老板说的这些场景,都可以通过 AI 网关 解决呀~

你疑惑地问:网关?那是啥?

鱼皮:网关就像是火车站的检票口,所有乘客都要先经过检票口,检票员会检查你的车票,然后指引你去正确的站台。

在系统架构中,前端用户发来的请求要先经过网关,网关会统一处理用户认证、拦截恶意请求、控制流量、监控统计请求等等,然后把请求转发到后端服务器进行处理。

你点了点头:哇哦,这样一来,如果我后端有多个服务,不用给每个服务单独写这些功能了。

鱼皮:没错,而且如果一个后端服务挂了,网关还可以自动将请求转发到其他服务。

你有些好奇了:那你刚刚提到的 AI 网关又是什么?

鱼皮:传统的 API 网关通常放在你的应用和各种后端服务之间;而 AI 网关是专门为 AI 应用设计的,放在你的应用和各种 AI 模型服务之间(比如 OpenAI、通义千问、DeepSeek 等等)。

你的应用只需要发送 标准请求 给 AI 网关,它就会自动帮你完成用户鉴权、限流控制、安全防护、故障转移、负载均衡、监控统计等一系列复杂的操作,并且将请求转发给 AI 大模型进行处理。

如果你要对接不同的大模型,只需要修改标准请求中的大模型名称,AI 网关就会帮你完成路由,不用针对每种模型写一套对接的代码啦~

你欢呼雀跃:这也太强了,有了 AI 网关,老板提到的所有问题都能解决了!那现在有哪些 AI 网关产品可以用呢?

AI 网关选型

很多 AI 玩家第一个接触到的 AI 网关可能是 OpenRouter,它更像是一个 AI 模型的聚合平台,支持通过统一的接口对接几百种模型。

很多 AI 工具都支持配置 OpenRouter,对于普通的 AI 使用者来说,可以通过它使用到更多的大模型、更稳定的服务。

你问到:那还有专门面向开发者的 AI 网关产品吗?

鱼皮点点头:当然,现在市面上已经有不少成熟的 AI 网关产品了。比如你上网一搜,排名靠前的是下面几个:

1)Vercel AI Gateway:这是最近很火的一个新产品,最大的特点是上手容易,而且 零加价,如果你使用自己的 API Key,网关本身不收额外费用。适合前端开发者快速搭建全栈 AI 应用。

2)Cloudflare AI Gateway:Cloudflare 作为全球最大的 CDN 服务商之一,它的 AI Gateway 主要优势是全球节点覆盖广,安全防护能力强。

3)Kong AI Gateway:Kong 本身就是一个很成熟的 API 网关,现在专门为 AI 场景做了增强,企业级功能比较完善。

4)Higress AI:阿里云开源的 AI 网关,支持 100 多种大模型的统一协议转换,提供语义缓存、令牌限流、MCP 转换等企业级功能,适合有复杂 AI 集成需求的企业。

你挠了挠头:看起来也太复杂了吧,我应该怎么上手 AI 网关呢?

鱼皮:别担心,我们可以从相对简单的 Vercel AI Gateway 开始学习。光说不练假把式,给我 2 分钟,带你实战掌握 Vercel AI Gateway 的用法~

Vercel AI Gateway 实战

1、注册并获取 API Key

首先打开 Vercel 官网 注册账号,绑定银行卡可以免费获得 5 美元的使用额度,对于学习测试来说够用了。

然后在控制台创建 API Key,注意不要泄露哦:

2、官方 Demo

接下来,你可以通过官方提供的快速开始教程来创建项目并跑通 AI 对话的 Demo:

简单来说就 4 个步骤:

  1. 创建新项目
  2. 安装 AI SDK 和 AI Gateway 的依赖包
  3. 配置环境变量,填入 API Key 配置信息
  4. 编写示例 Demo 代码

3、减压小能手项目

但是官方提供的 Demo 有点过于简单了,我们不妨利用 AI 来做一个《减压小能手》网站项目吧,让用户可以和专门帮人减压的 AI 聊天。

这里我选用的 AI 开发工具是 Cursor,直接让 AI 帮我生成符合要求的完整前端 + 后端代码。

由于 Vercel AI Gateway 是比较新的玩意,AI 可能不理解它的用法,所以我直接把 Vercel AI Gateway 的官方文档扔给 Cursor,让他通过文档来学习用法。

完整提示词如下:

▼
markdown
复制代码
你是一位专业的程序员,请帮我开发《减压小能手》网站,用户可以通过和专门帮人减压的 AI 聊天来缓解压力。 ## 开发要求 1. 需要包含完整的前端和后端,后端使用 Node.js 2. 使用 Vercel 的 AI Gateway 实现 AI 能力,需要先通过官方文档来获取尽可能多的用法:https://vercel.com/docs/ai-gateway/getting-started 3. 以完成核心功能为目标,确保项目可以正常运行,不用输出文档、也不要做任何多余的功能 4. 整体网站界面采用让人放松的浅色,响应式适配各种尺寸的设备

点击执行后,AI 会先调用 MCP 工具从网页中获取到信息,这里我用的是 Firecrawl MCP:

大概 6 分钟左右,AI 完成了全部代码的生成。可惜这里 AI 不是很听话,还是给我生成了一堆文档,比生成代码本身的时间都多!

然后在根目录下创建 .env 环境变量配置文件,填入 AI Gateway 的 API Key:

最后,安装依赖并执行启动脚本:

访问 localhost:3000 就能看到项目啦:

有一说一,效果可真不错,又给了我一点点动力再多写几个字哈哈:

你感叹道:有了 AI + AI 网关这套组合拳,开发 AI 项目也太快了吧!

鱼皮点点头:没错,而且整个过程中我们不用担心某个模型挂掉,网关会自动处理这些问题。

4、更多特性

不仅如此,Vercel AI Gateway 支持非常多的国内外大模型,不同模型的计费标准都不一样:

你还可以配置自己的模型 API Key:

此外,还提供了 可观测性 等企业级功能,帮你了解 AI 的调用情况和成本分析:

你双眼放光:哇塞,那我以后开发 AI 项目就用它了!

鱼皮无奈地摇了摇头:小阿巴,你要记住 “没有银弹”。

如果你的个人项目只需要简单地调用单个 AI 模型,直接调用 API 就够了;如果你个人或团队的小项目需要用到 AI 网关的特性(比如集成多个模型),那么可以选用 Vercel AI Gateway;而如果你要开发企业级应用,对安全性和稳定性要求很高,选用 Higress 或者 Kong 这种更专业的网关更合适,能帮你少写亿点点屎山代码 💩!

结局

几个月后,你用 AI 网关重构了公司的智能客服系统,效果非常好。

你感慨道:这就是站在巨人的肩膀上啊,果然不要重复造轮子,懒人推动世界进步!

鱼皮娇嗔:所以这就是你懒得给我点赞的理由???

更多

💻 编程学习交流:编程导航
📃 简历快速制作:老鱼简历
✏️ 面试刷题神器:面试鸭
📖 AI 学习指南:AI 知识库

站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
400
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
11
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
260
12
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
260
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题