企业官网建设流程全解析

阿里万相3.0上线 OpenRouter，意味着什么？简单说，你不需要再关心本地显卡够不够、显存占用多少、驱动版本对不对，直接在 OpenRouter 上申请一个 API Key，就能用 HTTP 请求调用万相 3.0 的多模态生成能力。这个模式对于那些想快速验证效果、做内容生产工具，或者只是想把生成能力接进现有系统的团队来说，性价比非常直接。

这次我们要做的事也很明确：注册 OpenRouter、找到阿里万相 3.0 的模型入口、把 API Key 配好，然后用 curl、Python requests 和 OpenAI SDK 三种方式把接口调通，最后再补一套批量任务脚本设计，顺带解决“模型列表里找不到模型”“API 调用 404”“余额不足”这类高频问题。

从搜索热度看，大家关心的点集中在 OpenRouter 注册、充值、API Key 使用，还有“配置后找不到某个模型”这类细节上。这篇文章会尽量把这些问题都覆盖到。

适配哪些读者？第一类是本地显卡不够但想用万相能力的人；第二类是想把万相 3.0 接进自动化流程、做批量生成的开发者；第三类是刚接触 OpenRouter，想知道这套 API 聚合平台怎么玩的人。看完这篇文章，你应该能独立完成从账号到批量任务的全链路打通。

1. 核心能力速览

核心优势有三点。第一，零部署成本，没有环境依赖；第二，接口标准，OpenRouter 提供统一的 API 格式，换模型不需要改太多代码；第三，接入链路短，拿到 Key 就能跑通。

需要提醒的是，万相 3.0 在 OpenRouter 上具体开放哪些生成能力、支持哪些参数，要以模型页面的实际说明为准。OpenRouter 模型列表更新很快，有些能力可能在不同时间有调整，所以下文涉及模型 ID 和参数的地方，都以你从模型页复制到的内容为准。

2. 适用场景与使用边界

2.1 适合什么场景

第一类：快速效果验证。想看看万相 3.0 生成图或视频的效果，又不想先折腾部署，用 OpenRouter 是最省时间的路径。申请 Key、复制模型 ID、发一次请求，结果直接回来。

第二类：业务系统集成。比如你正在做一款内容创作工具，需要给用户提供“文生图”“图生视频”的能力，直接通过 API 接入，比自己在服务器上维护推理服务省心很多。OpenRouter 还支持 OpenAI SDK 兼容格式，意味着很多现有的生成代码可以复用。

第三类：批量生成测试。如果你有一批 Prompt 需要逐个测试效果，通过脚本循环调用 API，比在 WebUI 里一张张生成要高效得多。后面第 7 节会给出一套批量脚本示例。

2.2 不适合什么场景

数据隐私要求极高的场景不建议走这种公开 API。你的输入内容会发送到第三方平台，涉密数据、未公开的商业素材、他人隐私信息都不应该直接送进去。

超大批量且成本敏感的场景也需要先算账。API 按量计费，当调用量特别大时，单次费用累计起来会超过本地部署的硬件成本。这种情况更适合本地部署推理服务。

完全离线环境就不用考虑了。OpenRouter 提供的是在线 API，没有网络就无法调用。

2.3 安全与合规边界

使用任何生成模型，都要注意几个基本底线：

• 不要用生成能力制造虚假信息、伪造证据、冒充他人。
• 涉及人脸生成、声音克隆、版权素材、品牌元素时，必须确认拥有合法授权。
• 输出内容如果用于商用，要提前确认模型服务条款和生成内容的使用限制。
• API Key 要妥善保管，不要提交到公开代码仓库，避免被他人盗用造成费用损失。

3. 环境准备与前置条件

在正式调用之前，先把环境准备清单过一遍。OpenRouter 本身是云端 API，所以本地环境要求很低。

操作系统：Windows 10/11、macOS、主流 Linux 发行版均可 网络要求：能正常访问 OpenRouter 官网和 API 服务 Python（可选）：3.8 及以上，用于 requests 和 openai SDK 调用 工具：curl、Postman/Apifox 任选

3.1 需要准备的信息

• OpenRouter 账号登录凭证
• OpenRouter API Key
• 账户余额（用于按量扣费）
• 万相 3.0 的模型 ID，以 OpenRouter 模型页展示为准

3.2 国内网络下的可达性检查

很多用户问“OpenRouter 国内能用吗”，这个问题没有一个全国统一的答案，取决于你的网络环境和 OpenRouter 服务的实时可达性。更稳妥的判断是：OpenRouter 是海外服务，因此在国内网络环境直连时可能出现延迟高、请求超时或部分页面无法加载的情况。

这里只建议做一件事：先测试，再使用。可以通过一条命令检查 API 基础连通性：

curl -I --max-time 10 https://openrouter.ai/api/v1

如果这个请求能正常返回 HTTP 响应头，说明基础连通性没问题。如果长时间超时，说明当前网络到 OpenRouter 的链路不稳定，这时候就不要继续配置了，先解决网络可达性问题再使用。接口调用同理，建议在服务端或能稳定访问海外 API 的网络环境中运行。

3.3 Python 依赖安装

如果要用 Python 调用，建议先装好 requests 和 openai 两个库。

pip install requests openai

openai 库并不是只能调用 OpenAI 的服务，因为 OpenRouter 的 API 端点和响应格式与 OpenAI 兼容，所以可以直接用这个 SDK 指定 base_url 来访问 OpenRouter。这个特性在后文会详细演示。

4. 注册、充值、查找万相 3.0

4.1 注册与登录

访问 OpenRouter 官网，进入登录页面，通常支持邮箱注册和 Google/GitHub 等第三方账号登录。注册完成后进入控制台，这里能看到 API Key、余额和调用记录。如果是第一次使用 OpenRouter，建议按下面顺序操作：

1. 登录 OpenRouter 控制台。
2. 检查账户余额，新账户如果有赠送额度，可以先用于小规模测试；没有额度则先充值。
3. 进入 API Keys 页面，创建一个新的 Key，命名最好能区分用途，例如wanxiang-test。
4. 把 Key 复制保存到本地安全位置，关闭页面后可能无法再次查看完整 Key。

关于充值，OpenRouter 支持的支付方式以平台页面实际展示为准，一般支持国际信用卡或平台内余额充值。充值金额建议从小到大，先充一小笔，跑通流程后再根据用量追加。支付过程中注意核对金额、币种和手续费，避免多付不必要的成本。

4.2 找到万相 3.0 模型

登录后，在 OpenRouter 的模型列表页，搜索“万相”或“Wan”相关关键词，就可以看到对应的模型入口。点进模型页后关注三个信息：

• 模型 ID，即 API 请求时填写的 model 字段内容；
• 支持的生成能力列表，例如文生图、图生视频、视频生成等；
• 计费方式，按张数/按 Token 还是按秒计费。

这里有个高频问题：“为什么我在 OpenRouter 配置后找不到想要的模型？”原因通常是下面几种：

• 关键词拼写不对。不同模型在 OpenRouter 上的命名可能和中文习惯不一致，优先搜索英文名或模型官方名称。
• 模型尚未在该区域/该平台版本上架。OpenRouter 模型的可见性可能受平台策略影响。
• 页面缓存或地区原因导致模型列表加载不完整，刷新页面或换个网络环境再看。
• 有些用户把“API 调用中的模型 ID”和“网页显示的模型名称”搞混了。API 调用必须用模型页上的完整 ID，而不是显示名称。

如果确实在模型列表里找不到万相 3.0，保守的做法是返回模型页刷新，或者用另一个网络环境重新访问。如果始终找不到，就说明当前没有可用的入口，不要硬凑一个不存在的模型 ID 去调用。

4.3 API Key 的保存与使用

创建好 Key 后，在代码里不要直接写死，推荐用环境变量保存。下面是 Windows 和类 Unix 系统的设置方式。

# Linux / macOS 临时设置 export OPENROUTER_API_KEY=sk-or-你的key

:: Windows 命令行临时设置 set OPENROUTER_API_KEY=sk-or-你的key

更推荐把 Key 放在项目根目录的.env文件中，并用.gitignore排除提交。如果你用的是 Python，可以借助 python-dotenv 加载：

pip install python-dotenv

import os from dotenv import load_dotenv load_dotenv() API_KEY = os.getenv("OPENROUTER_API_KEY") print("Key 已加载：" + ("是" if API_KEY else "否"))

这样做的好处是，代码本身不包含敏感信息，即使仓库被分享出去，也不会直接泄露 Key。

5. 接口 API 调用示例

OpenRouter 的 API 基础地址是https://openrouter.ai/api/v1，鉴权方式是在请求头中携带Authorization: Bearer <API_KEY>。模型 ID 从模型页复制。下面的示例假设你已经拿到了有效的 Key 和模型 ID。

5.1 curl 快速验证

先跑一个最小请求，目的是验证 Key、模型 ID 和网络链路是否都正常。

curl -X POST "https://openrouter.ai/api/v1/chat/completions" \ -H "Authorization: Bearer $OPENROUTER_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "你的万相模型ID", "messages": [ { "role": "user", "content": "生成一张赛博朋克风格的城市夜景图" } ] }'

注意，这里用的是 chat/completions 接口，因为 OpenRouter 对大部分模型统一走这个协议。如果万相 3.0 在 OpenRouter 上有独立的生成接口（例如专门的多模态生成端点），要以模型页的调用说明为准。curl 请求返回 200 并带响应体，说明链路已通。

5.2 Python requests 调用

如果你要在脚本里用，requests 是最直观的方式。

import os import requests API_KEY = os.getenv("OPENROUTER_API_KEY") MODEL_ID = "你的万相模型ID" url = "https://openrouter.ai/api/v1/chat/completions" headers = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json", } payload = { "model": MODEL_ID, "messages": [ { "role": "user", "content": "生成一张赛博朋克风格的城市夜景图", } ], # 如果模型支持更多参数，按模型页说明追加，例如： # "num_images": 1, } response = requests.post(url, headers=headers, json=payload, timeout=120) print("HTTP 状态码:", response.status_code) if response.status_code == 200: data = response.json() print("生成结果:", data) else: print("错误信息:", response.text)

这段代码的关键点是超时时间设得比较长，因为生成类模型响应时间普遍比普通文本接口慢，默认 30 秒可能不够。如果返回 401 或 403，检查 API Key 是否有效；如果是 404，检查模型 ID 是否完整。

5.3 OpenAI SDK 兼容调用

OpenRouter 支持把 base_url 改为自己的地址，这样就能复用 OpenAI SDK 的调用习惯。

from openai import OpenAI client = OpenAI( base_url="https://openrouter.ai/api/v1", api_key=os.getenv("OPENROUTER_API_KEY"), ) response = client.chat.completions.create( model="你的万相模型ID", messages=[ { "role": "user", "content": "生成一张赛博朋克风格的城市夜景图", } ], ) print(response.choices[0].message.content)

这个方式的优势是，如果你的项目之前已经用 OpenAI SDK，现在切换到万相 3.0，只需要改 model 字段和 base_url，代码结构基本不用动。

5.4 关于“Claude Code 如何接入 OpenRouter”

热搜里有一个非常具体的问题：Claude Code 如何接入 OpenRouter 的大模型 API Key。这里可以给一个通用思路：Claude Code 这类代码工具通常支持通过环境变量或配置文件指定第三方模型网关。如果它兼容 OpenAI 风格 API，可以尝试把它的 base_url 指向 OpenRouter，并在配置中填上对应的模型 ID。具体字段名因工具版本而异，所以先查工具本身的接入文档，再对照 OpenRouter 的模型 ID 进行配置。注意，不是所有工具都开放了自定义 base_url，如果工具没有这个入口，就不能简单替换。

6. 功能测试与效果验证

接口调通之后，不要急着上生产，先用一组测试用例把功能边界摸清楚。下面是一个适合大多数多模态生成场景的测试清单。

6.1 文生图测试

如果你确认万相 3.0 支持文生图，先跑单张，再跑多张。

• 测试目的：验证图生成是否正常，检查分辨率、风格还原度。
• 输入示例："一张江南水乡的水彩画，雨后清晨，青石板路"。
• 操作步骤：用 Python requests 脚本发送请求，保存返回结果到本地。
• 判断标准：返回图片地址或 base64 内容且无 HTTP 错误。
• 失败排查：404 通常是模型 ID 不对，400 大概率是参数格式有问题，403 是鉴权失败。

6.2 图生视频或文生视频测试

如果模型支持视频生成，建议先验证最短时长/最简单提示词，因为视频类请求耗时更长，响应体也可能更大。

• 输入示例："城市繁忙的十字路口，延时摄影效果，4秒"。
• 预期结果：返回视频文件地址或可下载的临时链接。
• 判断标准：链接能正常下载且内容不是错误页。
• 失败排查：视频生成超时是常见现象，适当加大 timeout；如果是返回 URL 但无法下载，检查网络可达性。

6.3 自定义参数测试

不同的模型支持不同参数，比如宽高比、生成数量、视频时长、运动幅度等。建议先读取模型页的说明，再用小批量参数逐一测试。每次只改一个参数，不要同时改多个，这样出了问题更容易定位。

6.4 失败后的重试策略

在线 API 天然存在偶发超时和限流，所以测试阶段就要考虑重试。基本原则是：收到网络错误、5xx、429 时可以做有限次重试；收到 4xx 时不要盲目重试，先检查请求格式和 Key 状态。重试之间加入退避等待，避免在限流状态下继续大量请求。

7. 批量任务与工程化

如果只是调用一两次，脚本随便写。但如果要做批量生成，必须考虑队列、重试、日志和结果管理。下面给出一套最小可用的批量脚本设计。

7.1 批量任务设计思路

1. 输入管理：把需要生成的 Prompt 放在一个文本文件或 JSON 文件里，每行一条或每条一个对象。
2. 任务循环：按顺序读取每一条 Prompt，调用 API。
3. 结果保存：每次成功调用后，把结果写入独立文件，防止后面中断导致结果丢失。
4. 日志记录：记录每个任务的开始时间、结束时间、HTTP 状态码、耗时时长。
5. 失败重试：对可重试错误做指数退避重试，重试次数建议不超过 3 次。
6. 并发控制：初期先单线程跑，确认稳定后再考虑并发；并发过大会触发限流。

7.2 批量脚本示例

import os import time import json import requests from datetime import datetime API_KEY = os.getenv("OPENROUTER_API_KEY") MODEL_ID = "你的万相模型ID" URL = "https://openrouter.ai/api/v1/chat/completions" def generate_one(prompt, retry_times=3): headers = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json", } payload = { "model": MODEL_ID, "messages": [{"role": "user", "content": prompt}], } for attempt in range(retry_times): try: resp = requests.post(URL, headers=headers, json=payload, timeout=180) if resp.status_code == 200: return resp.json() if resp.status_code in (400, 401, 403, 404): # 请求格式或鉴权问题，重试无意义 print(f"不可重试错误: {resp.status_code} {resp.text[:200]}") return None # 429、5xx 等可重试错误 wait = 2 ** attempt print(f"重试 {attempt + 1}/{retry_times}，等待 {wait}s") time.sleep(wait) except requests.exceptions.Timeout: print(f"请求超时，进行第 {attempt + 1} 次重试") time.sleep(2 ** attempt) except Exception as e: print(f"未知异常: {e}") time.sleep(2 ** attempt) return None def batch_generate(input_file, output_dir): with open(input_file, "r", encoding="utf-8") as f: prompts = [line.strip() for line in f if line.strip()] os.makedirs(output_dir, exist_ok=True) results = [] for idx, prompt in enumerate(prompts): start = time.time() print(f"[{datetime.now().isoformat()}] 开始任务 {idx + 1}/{len(prompts)}") result = generate_one(prompt) elapsed = time.time() - start item = { "index": idx + 1, "prompt": prompt, "success": result is not None, "elapsed": round(elapsed, 2), "result": result, } results.append(item) # 每个任务单独保存一份结果 with open(os.path.join(output_dir, f"task_{idx + 1:04d}.json"), "w", encoding="utf-8") as f: json.dump(item, f, ensure_ascii=False, indent=2) print(f"[{datetime.now().isoformat()}] 任务 {idx + 1} 完成，耗时 {elapsed:.2f}s") with open(os.path.join(output_dir, "all_results.json"), "w", encoding="utf-8") as f: json.dump(results, f, ensure_ascii=False, indent=2) print("批量任务全部结束") if __name__ == "__main__": batch_generate("prompts.txt", "./output")

prompts.txt 的格式为每行一条提示词：

一张赛博朋克风格的城市夜景图 一张江南水乡的水彩画 一个未来主义风格的室内空间设计图

这套脚本虽然简单，但已经把输入管理、结果持久化、日志记录、失败重试四个关键点都覆盖了。如果需要更高并发，可以在此基础上引入线程池，但要注意限流，不要一上来就开几十个并发。

7.3 JSON 格式批量输入

如果你的 Prompt 还带额外参数，可以用 JSON 文件管理输入。

[ { "prompt": "赛博朋克城市夜景", "width": 1024, "height": 1024 }, { "prompt": "江南水乡水彩画", "width": 768, "height": 512 } ]

然后在脚本中循环读取字典，把 width、height 拼进请求参数。这样批量任务的灵活度更高。

8. 成本控制与性能观察

使用 OpenRouter 这种在线 API，不需要关心本地显存占用，但需要关心另外三个维度：请求耗时、并发上限、费用。

8.1 请求耗时观察

生成类模型的响应时间通常比文本模型长，可能是几十秒到上百秒不等。建议在代码里记录每次请求的耗时，设置一个合理的超时阈值。如果大量请求耗时接近超时上限，就需要检查是不是输入太长、参数太大，或者当前 API 服务负载较高。

8.2 并发与限流

OpenRouter 按计划对 API 请求有速率限制。常见限流表现是返回 429 Too Many Requests。遇到 429 不能继续硬怼，正确做法是指数退避重试，或者在两次请求之间加固定间隔，比如 0.5 到 1 秒。如果你的批量任务规模很大，建议先小批量测试，观察限流阈值后再逐步调高并发。

8.3 费用估算思路

成本估算可以从两个方向入手。一是从模型页拿到单价，乘以计划调用次数；二是先跑一批小规模测试，统计单次调用实际消耗，再按比例换算到大任务量。线上环境建议设定每日预算或请求上限，防止脚本异常导致费用飙升。

# 简单费用估算 unit_price = 0.01 # 替换为模型页实际价格 total_requests = 100 estimated_cost = unit_price * total_requests print(f"预估费用: {estimated_cost}")

8.4 降低成本的策略

• 测试阶段用小参数，比如低分辨率、短时长。
• 大批量任务前先用 5 条数据验证效果。
• 相同 Prompt 不要重复调用，结果做本地缓存。
• 失败任务不要无限重试，设好最大重试次数。

9. 常见问题与排查方法

下面整理一套常见问题表，基本覆盖了 OpenRouter + 阿里万相 3.0 使用过程中会碰到的高频故障。

这里重点说两个容易被忽视的问题。

第一，API Key 的有效性。有些用户注册后遇到 free API Key，但没注意这个 Key 是否有调用权限或余额绑定。建议在正式集成前，先用 curl 发起一次最小请求，确认 200 之后再写业务代码。

第二，模型 ID 不要自己猜。搜索热词里“为什么配置后找不到 stealth/ox-alpha 这个模型”，类似问题在万相 3.0 上也可能出现。OpenRouter 的模型 ID 是平台维护的，可能和你以为的名称不一致。唯一正确的获取方式是从模型页复制，不要靠记忆输入。

10. 最佳实践与使用建议

10.1 先小后大，分步上线

无论你是做测试还是做生产集成，都不要第一次就批量生成几十张图或几十个视频。正确顺序是：最小请求 → 参数扩展 → 小规模批量 → 全量任务。每一步都要检查结果文件，确认无误再进行下一步。

10.2 Key 管理与安全

把 Key 放进环境变量或 .env 文件，不要硬编码在脚本里。Git 提交前检查代码仓库，确保没有把 Key 提交上去。如果 Key 泄露，第一时间在 OpenRouter 控制台吊销并重新创建。

10.3 结果目录规范

建议按日期和任务名组织输出目录：

output/ ├── 20250401/ │ ├── task_0001.json │ ├── task_0002.json │ └── all_results.json

这样后续复盘时，能够清晰知道哪些内容是哪个批次生成的、用了什么 Prompt、什么参数。

10.4 日志与可观测性

批量任务必须记录日志。至少包含：

• 每条任务的 Prompt
• 发起时间、结束时间、耗时
• HTTP 状态码或异常信息
• 结果文件路径

尽量不要用 print 代替日志。如果任务量大，建议使用 Python logging 模块，把日志同时输出到控制台和文件。

10.5 合法合规使用生成内容

使用阿里万相 3.0 生成图片、视频相关内容时，要注意：

• 不生成虚假信息、仿冒他人身份的内容。
• 不生成侵权、违法、危害公共安全的内容。
• 涉及真实人物肖像、品牌标识、受版权保护的素材时，必须获得授权。
• 商用前确认模型服务方的内容使用条款和 OpenRouter 的适用政策。

11. 总结与下一步

阿里万相 3.0 上线 OpenRouter，给开发者的核心价值就是“少部署、快接入”。没有本地显卡压力，也没有复杂的环境配置，注册 OpenRouter、创建 API Key、复制模型 ID，三步就能跑通请求。更重要的是，OpenRouter 兼容 OpenAI SDK 风格的调用方式，这意味着很多现有的生成代码改动成本很低。

建议你拿到 Key 后，第一件事不是跑复杂功能，而是先用 curl 发一个最小请求，确认网络、Key、模型 ID 三个基础条件都成立。然后再用 Python 脚本跑通一个简单生成任务，最后再考虑并发和批量。

最容易踩的坑有三个：模型 ID 从模型页复制而不是自己猜；API Key 不要硬编码在代码里；批量任务必须先做小规模测试再放大。把这三点处理好，后面基本不会遇到大问题。

后续如果你想更深入，可以从这几个方向继续扩展：把批量脚本封装成定时任务；增加数据库记录生成记录；把接口接到聊天机器人或内容管理系统中；或者对比 OpenRouter 上其他多模态模型的效果和成本，选出最适合自己业务的那一个。建议把这篇收藏备用，需要接入的时候照着操作一遍，会省很多查资料的功夫。