OpenClaw CN-LLM 🐉

中国大语言模型统一网关。由 AIsa 提供支持。

使用一个 API Key 即可访问所有国产大语言模型。兼容 OpenAI 接口。

支持 Qwen、DeepSeek、GLM、百川、Moonshot 等 - 统一 API 访问。

🔥 你能做什么

智能对话

"用 Qwen 回答中文问题，用 DeepSeek 进行编程"

深度推理

"用 DeepSeek-R1 完成复杂推理任务"

代码生成

"用 DeepSeek-Coder 生成带解释的 Python 代码"

长文本处理

"用 Qwen-Long 进行超长文档摘要"

模型对比

"比较 Qwen-Max 和 DeepSeek-V3 的回答质量"

支持的模型

Qwen（阿里巴巴）

DeepSeek

注意：价格单位为 M（百万 token）。模型可用性可能会发生变化，请参阅 [marketplace.aisa.one/pricing](https://marketplace.aisa.one/pricing) 获取最新列表。

快速开始

export AISA_API_KEY="your-key"

API 端点

兼容 OpenAI 接口

POST https://api.aisa.one/v1/chat/completions

Qwen 示例

curl -X POST "https://api.aisa.one/v1/chat/completions" \
  -H "Authorization: Bearer $AISA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-max",
    "messages": [
      {"role": "system", "content": "你是一名专业的中文助手。"},
      {"role": "user", "content": "请解释一下什么是大型语言模型？"}
    ],
    "temperature": 0.7,
    "max_tokens": 1000
  }'

DeepSeek 示例

# DeepSeek-V3 通用对话 (671B 参数)
curl -X POST "https://api.aisa.one/v1/chat/completions" \
  -H "Authorization: Bearer $AISA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v3",
    "messages": [{"role": "user", "content": "用 Python 写一个快速排序算法"}],
    "temperature": 0.3
  }'

# DeepSeek-R1 深度推理 (支持 Tools)
curl -X POST "https://api.aisa.one/v1/chat/completions" \
  -H "Authorization: Bearer $AISA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-r1",
    "messages": [{"role": "user", "content": "一个农夫需要将一只狼、一只羊和一颗白菜运过河。船一次只能载农夫和一件物品。如果农夫不在，狼会吃羊，羊会吃白菜。农夫该如何安全过河？"}]
  }'

# DeepSeek-V3.1 Terminus 最新版本
curl -X POST "https://api.aisa.one/v1/chat/completions" \
  -H "Authorization: Bearer $AISA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v3.1",
    "messages": [{"role": "user", "content": "实现一个支持 get 和 put 操作的 LRU 缓存"}]
  }'

Qwen3 代码生成示例

curl -X POST "https://api.aisa.one/v1/chat/completions" \
  -H "Authorization: Bearer $AISA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-coder-plus",
    "messages": [{"role": "user", "content": "用 Go 实现一个线程安全的 Map"}]
  }'

参数说明

响应格式

{
  "id": "chatcmpl-xxx",
  "object": "chat.completion",
  "created": 1234567890,
  "model": "qwen-max",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "大型语言模型（LLM）是一种基于深度学习的..."
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 30,
    "completion_tokens": 150,
    "total_tokens": 180,
    "cost": 0.001
  }
}

流式输出

curl -X POST "https://api.aisa.one/v1/chat/completions" \
  -H "Authorization: Bearer $AISA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen-plus",
    "messages": [{"role": "user", "content": "讲一个中国民间故事"}],
    "stream": true
  }'

返回 Server-Sent Events (SSE) 格式：

data: {"id":"chatcmpl-xxx","choices":[{"delta":{"content":"从前"}}]}
data: {"id":"chatcmpl-xxx","choices":[{"delta":{"content":"有"}}]}
...
data: [DONE]

Python 客户端

CLI 使用

# Qwen 对话
python3 {baseDir}/scripts/cn_llm_client.py chat --model qwen3-max --message "你好，请介绍一下自己"

# Qwen3 代码生成
python3 {baseDir}/scripts/cn_llm_client.py chat --model qwen3-coder-plus --message "写一个二分查找算法"

# DeepSeek-R1 推理
python3 {baseDir}/scripts/cn_llm_client.py chat --model deepseek-r1 --message "9.9 和 9.11 哪个更大？请详细推理"

# DeepSeek-V3 对话
python3 {baseDir}/scripts/cn_llm_client.py chat --model deepseek-v3 --message "讲一个故事" --stream

# 带系统提示
python3 {baseDir}/scripts/cn_llm_client.py chat --model qwen3-max --system "你是一位古典诗词专家" --message "写一首关于梅花的诗"

# 模型对比
python3 {baseDir}/scripts/cn_llm_client.py compare --models "qwen3-max,deepseek-v3" --message "什么是量子计算？"

# 列出支持的模型
python3 {baseDir}/scripts/cn_llm_client.py models

Python SDK 用法

from cn_llm_client import CNLLMClient

client = CNLLMClient()  # 使用 AISA_API_KEY 环境变量

# Qwen 对话
response = client.chat(
    model="qwen3-max",
    messages=[{"role": "user", "content": "你好！"}]
)
print(response["choices"][0]["message"]["content"])

# Qwen3 代码生成
response = client.chat(
    model="qwen3-coder-plus",
    messages=[
        {"role": "system", "content": "你是一位专业程序员。"},
        {"role": "user", "content": "用 Python 实现单例模式"}
    ],
    temperature=0.3
)

# 流式输出
for chunk in client.chat_stream(
    model="deepseek-v3",
    messages=[{"role": "user", "content": "讲一个关于成语的故事"}]
):
    print(chunk, end="", flush=True)

# 模型对比
results = client.compare_models(
    models=["qwen3-max", "deepseek-v3", "deepseek-r1"],
    message="解释什么是机器学习"
)
for model, result in results.items():
    print(f"{model}: {result['response'][:100]}...")

使用场景

1. 中文内容生成

# 广告文案
response = client.chat(
    model="qwen3-max",
    messages=[
        {"role": "system", "content": "你是一位专业文案撰写者。"},
        {"role": "user", "content": "为智能手表写一篇产品介绍"}
    ]
)

2. 代码开发

# 代码生成与解释
response = client.chat(
    model="qwen3-coder-plus",
    messages=[{"role": "user", "content": "用 Go 实现一个线程安全的 Map"}]
)

3. 复杂推理

# 数学推理
response = client.chat(
    model="deepseek-r1",
    messages=[{"role": "user", "content": "证明：对于任意正整数 n，n³-n 能被 6 整除"}]
)

4. 视觉理解

# 图像理解
response = client.chat(
    model="qwen3-vl-plus",
    messages=[
        {"role": "user", "content": [
            {"type": "text", "text": "描述这张图片的内容"},
            {"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}}
        ]}
    ]
)

5. 模型路由策略

MODEL_MAP = {
    "chat": "qwen3-max",           # 通用对话
    "code": "qwen3-coder-plus",    # 代码生成
    "reasoning": "deepseek-r1",    # 复杂推理
    "vision": "qwen3-vl-plus",     # 视觉理解
    "fast": "qwen3-coder-flash",   # 快速响应
    "translate": "qwen-mt-flash"   # 机器翻译
}

def route_by_task(task_type: str, message: str) -> str:
    model = MODEL_MAP.get(task_type, "qwen3-max")
    return client.chat(model=model, messages=[{"role": "user", "content": message}])

错误处理

错误返回包含 error 字段的 JSON：

{
  "error": {
    "code": "model_not_found",
    "message": "模型 'xxx' 不可用"
  }
}

常见错误码：

• 401 - API Key 无效或缺失
• 402 - 余额不足
• 404 - 模型未找到
• 429 - 请求速率超限
• 500 - 服务器错误

价格

价格单位：美元/百万 tokens。每个响应中包含 usage.cost 和 usage.credits_remaining。

开始使用

1. 在 [aisa.one](https://aisa.one) 注册
2. 获取 API Key
3. 充值（按量计费）
4. 设置环境变量：export AISA_API_KEY="your-key"

完整 API 参考

完整端点文档请参阅 [API 参考](https://docs.aisa.one/reference/)。