# DeepSeek V4 + Claude Code 手把手带你搞一个 API 中转站 AI 编程时代，人类对 Tokens 的需求量越来越大，供不应求。 于是有些聪明人嗅到了商机，开始搞 API 中转站。 可能很多搞技术的同学都看不上这玩意，觉得不就是转发个请求么？ 但你看看都是谁在做，猎豹移动 CEO 傅盛搞了个 EasyRouter；币圈知名人物孙宇晨搞了个 B.AI，据说已经突破百万用户；甚至连特朗普家族都下场做了个 WorldClaw，四档套餐最贵的卖 9999 美元，买了还有机会抽海湖庄园的私人晚宴门票。。。 ![](https://pic.yupi.icu/1/%2525E5%2525A5%252597%2525E9%2525A4%252590.png) 之前懂王就卖 Crypto Token 割了一波，现在 AI 火了又来卖 API Token。果然没有人比他更懂 Token！ ![](https://pic.yupi.icu/1/image-20260509145553218.png) 看着他们一个个赚得盆满钵满，一般人很难不心动啊。 咳咳，其实 23 年我就做过类似的产品了，不知道有多少朋友还记得「鱼聪明 AI」，当时我还开发了调用中转站的 SDK 来着。后来网站因为成本原因倒闭了，往事不堪回首啊。。。 ![](https://pic.yupi.icu/1/1687152503823-a9d100de-06b0-4c65-ad73-92f5703f186d-20230702140036995.png) 有了失败经验之后，我不打算自己闷头做了，干脆写篇教程，带大家一起从零搞一个！ 这篇文章，我不仅会讲清楚 API 中转站是什么、它的原理是什么，还会手把手带你用 AI 编程做一个出来。分别用 DeepSeek V4 + Claude Code 和 GPT-5.5 + Cursor 各开发一版，让你一次把中转站搞明白。 全文共 8000 多字，点个收藏，咱们开始~ ## 什么是 API 中转站？ 打个比方，你想买个国外的包，但自己不方便直接去海外专柜，于是找了个代购。你把钱给代购，代购帮你去各大品牌店买好寄给你，顺便赚个差价和服务费。 API 中转站干的就是代购的活。 你平时用 AI 聊天、写代码、做应用，不直接对接 AI 模型厂商（比如 OpenAI、DeepSeek、智谱等），而是通过中转站这个「中间商」来调用。中转站把各家 AI 模型的 API 聚合到一个平台上，你注册一个中转站的账号就能调用所有模型，不用到处注册，能方便不少。 ![](https://pic.yupi.icu/1/Gemini_Generated_Image_w1vnohw1vnohw1vn-20260509174715470.jpg) 为什么中转站那么火呢？得看它解决了什么问题。 对于国内开发者来说，想用 Claude、GPT 这类国外模型，支付和网络都是门槛。中转站帮你解决了这些麻烦，支持国内常用的付款方式，国内网络直连，不用折腾。就算你只用国产模型，每家注册一个账号、各管理一套 API Key 也挺麻烦的，中转站可以帮你统一管理。 目前最知名的中转站应该是 **OpenRouter**，聚合了几百个大模型，据说年流水已经过亿美元了。 ![](https://pic.yupi.icu/1/image-20260509161936710.png) 一个中转站就能赚这么多钱，难怪连懂王都来分一杯羹了。 顺便提一下，程序员朋友们可能听说过一个概念叫「AI 网关」，其实它跟 API 中转站是有点区别的。中转站更偏向「帮你代买 API」的二道贩子角色，AI 网关更偏向企业内部统一管理多个模型的基础设施。不过核心技术是相通的。 ## 中转站的原理 我知道很多同学在用或者考虑用中转站，但市面上的中转站鱼龙混杂，很容易踩雷。 想少踩坑，最好的办法就是了解中转站的原理，知道它背后到底在干什么。 中转站的核心其实就两个字：**代理**。 你的请求不直接发给 AI 模型，而是先发到中转站的服务器，中转站帮你转发到对应的模型厂商，拿到结果后再返回给你。 而且大多数中转站都有一个共同的设计，就是对外 “伪装” 成 OpenAI 的接口格式。几乎所有 AI 工具（Claude Code、Cursor、各种 SDK）都支持 OpenAI 格式，所以用户只需要改 2 个参数就能接入中转站，一行业务代码都不用动： ```python client = OpenAI( api_key="sk-relay-xxx", # 改成中转站的 Key base_url="http://你的中转站/v1" # 改成中转站的地址 ) ``` 中转站的服务器收到请求后，会根据你指定的模型名称，把请求路由到对应的 AI 厂商。如果配置了多个 API Key，还会自动轮换，避免单个 Key 被限流。同时记录每次调用的 Token 消耗，用于计费。 ![](https://pic.yupi.icu/1/Gemini_Generated_Image_vjaih0vjaih0vjai-20260509174715559.jpg) 但有个问题，你的所有请求都要经过中转站的服务器，这一层对用户来说完全是个「黑盒」。中转站那边具体做了什么，你根本不知道！ 而很多不靠谱的中转站，正是在这个黑盒里动了手脚。 最近 CISPA 亥姆霍兹信息安全中心发了一篇论文，揭露了一个触目惊心的事实：**近一半的第三方 API 中转站在进行系统性欺诈**！ ![](https://pic.yupi.icu/1/image-20260509133411306.png) 常见的黑心操作有这么几种： 1）模型掉包 你付 GPT-5 的钱，实际跑的是某个廉价开源小模型。论文测了 28 个中转站，竟然高达 45.83% 的 API 端点存在模型身份不匹配，医疗场景下性能差距高达 47%！ 2）虚报 Token 消耗 你实际用了 100 Token，账单上给你写 150。用户付了 14.84 美元，实际只获得 5.7 到 7.7 美元价值的服务。 3）缓存套利 AI 模型厂商对重复出现的内容（比如相同的 System Prompt）会给缓存优惠价，但中转站按原价收你的钱，把这部分差价默默吃掉了。 4）数据收割 更可恶的是，有些中转站收集并贩卖用户的代码和敏感数据！ 调研发现，17 家头部中转站中有 15 家是个人运营，无企业注册、无 ICP 备案。用户充值金额积累到一定程度后，说不定就直接删库跑路了。。。 所以建议大家有条件的话，还是用官方 API 吧。实在要用中转站，也要选有企业资质和备案的大平台。 如果你想更深入地了解中转站，GitHub 上有不少开源项目可以参考。看完这些项目，再自己动手做一个，中转站对你来说就再也没有秘密了。 ## 开源中转站项目 GitHub 上中转站相关的开源项目非常多，可以说是无奇不有。我挑几个有代表性的给大家看看。 1）[one-api](https://github.com/songquanpeng/one-api) 元祖级项目，GitHub 上几万 Star。它用 Go 语言开发，把所有主流大模型的 API 统一成 OpenAI 格式，支持几十种模型，而且只需要一个文件就能跑起来，还支持 Docker 部署。 ![](https://pic.yupi.icu/1/image-20260509160501101.png) 不夸张地说，市面上 80% 以上的商业中转站底层都是 one-api 或者它的衍生版本，只是套了个壳。 2）[new-api](https://github.com/QuantumNous/new-api) 在 one-api 基础上二次开发，新增了 Prometheus 监控、OpenTelemetry 可观测性等企业级特性，也是很多商业中转站的底层框架。 ![](https://pic.yupi.icu/1/new-api-dashboard.jpeg) 顺便提一嘴，傅盛的 EasyRouter 就被 new-api 原作者扒出来是套壳的，前端代码中有 98 处指向 new-api 的关键词匹配，而且移除了版权信息，涉嫌违反 AGPL v3 开源协议。 3）[sub2api](https://github.com/Wei-Shaw/sub2api) 这个项目厉害了，能把 Claude、OpenAI 的网页版订阅账号逆向转化成标准的 API 接口，相当于多个人拼车共享一个 Plus 会员，一个账号的额度分给好几个人用。 ![](https://pic.yupi.icu/1/image-20260509161048654.png) 4）[metapi](https://github.com/cita-777/metapi) 号称「中转站的中转站」，把你在多个 one-api / new-api / sub2api 上注册的账号聚合成一个统一网关，基于成本、余额、使用率三维加权来分配流量。 ![](https://pic.yupi.icu/1/dashboard-20260509174717717.png) 5）[all-api-hub](https://github.com/qixing-jk/all-api-hub) 这是一个浏览器扩展，专门用来管理你在各个中转站上的账号。装上之后，可以在一个面板里看到所有中转站的余额和用量，还支持自动签到、价格横向对比，对于同时用好几个中转站的人来说挺方便的。 ![](https://pic.yupi.icu/1/model-list-20260509174717782.png) 除了这些中转站项目，企业级场景下还有像 [LiteLLM](https://github.com/BerriAI/litellm)、[Higress AI](https://higress.ai/)、[Kong AI Gateway](https://konghq.com/products/kong-ai-gateway) 这些更正经的开源 AI 网关。不过这类项目有一定的技术门槛，非程序员朋友不用深入了解。 ![](https://pic.yupi.icu/1/image-20251019163817976-20251028181254777.png) 接下来，我们自己动手做一个简易版的 API 中转站。 ## 需求分析 我们要做的这个中转站可以说是「麻雀虽小，五脏俱全」。核心功能包括： 1）对外暴露兼容 OpenAI 格式的接口，支持流式和非流式响应，用户改个 base_url 和 api_key 就能接入。 2）接入 DeepSeek V4、智谱 GLM-5、通义千问 Qwen-Plus 三个国产大模型，支持用户指定模型，也支持 auto 模式自动路由。 3）中转站自有 API Key 管理体系，管理员可以创建、禁用、删除 Key，给每个 Key 设置余额上限。 4）记录每次调用的 Token 消耗，不同模型设置不同计费倍率，后台可查看调用日志和用量统计图表。 5）定期检测各模型渠道的可用性，请求失败自动重试到其他渠道，管理面板显示健康状态。 6）管理面板包含仪表盘、渠道管理、Key 管理、调用日志，支持管理员密码登录。 ![](https://pic.yupi.icu/1/Gemini_Generated_Image_2i8fq32i8fq32i8f.jpg) ## 方案设计 如果你完全没有技术基础，可以让 AI 帮你完成方案设计。 但这里为了节省时间和 tokens，我直接告诉 AI 怎么做。 为了尽快跑通核心功能，我们的中转站不需要用户注册登录，也不需要对接支付系统。管理员在后台创建 API Key，通过其他方式收完钱后，把 Key 发给用户、手动调整余额就行了。 你还别觉得这种方式 low，市面上大多数小中转站就是这么运作的！搭个 one-api / new-api 之类的开源项目，后台创建 Key，通过发卡工具或者群聊卖 Key 就能开张了。。。 如果想学完整的带用户注册、在线支付、监控告警的企业级 AI 网关，可以看看我们团队之前出过的 [保姆级的 AI 网关项目实战教程](https://www.codefather.cn/course/2029830328322994177)，基于 Spring Boot 3 + Spring AI + Vue 3 从零搭建，感兴趣的同学可以到 [编程导航](https://www.codefather.cn) 学习。 ![](https://pic.yupi.icu/1/202601291444803.png) 由于某些原因，你懂的，我没办法真带大家搞一个对接国外大模型的中转站，**也强烈不建议大家去搞**！这里我们就拿 DeepSeek、GLM 和 Qwen 三个国产模型做演示，项目在本地运行和测试。 开发技术上，我选择主流的 Next.js + TypeScript，前端 + 后端一把梭。数据库选择 SQLite，数据直接存在本地文件里，不用搭 MySQL 和 Redis 之类的，降低门槛。 ![](https://pic.yupi.icu/1/Gemini_Generated_Image_m65e4mm65e4mm65e.jpg) ## 环境准备 如果你看过我之前的 [AI 编程教程](https://ai.codefather.cn/vibe)，Claude Code 和 AI 扩展应该已经装好了，可以直接跳到下一节。 完全 0 基础的朋友也不用慌，跟着下面操作就行。 ### 安装 Claude Code 先简单介绍一下 Claude Code。它是 Anthropic 推出的 AI 编程工具，直接在终端里运行，你跟它聊天描述需求，它就能自主分析项目、写代码、跑命令、修 Bug，全程自主执行。 除了基础的代码生成，还能使用工具和 Skills 技能包、连接 MCP 外部服务、用 Plugins 插件扩展能力，甚至搞多智能体协作，扩展性很强。 ![](https://pic.yupi.icu/1/image-20260429110454017-20260509174718125.png) 安装 Claude Code 很简单。 首先确保你的电脑有 Node.js 环境和 npm 软件依赖安装工具，没有的话，直接到 [Node 官网](https://nodejs.org/en/download) 下载傻瓜式安装包就好： ![](https://pic.yupi.icu/1/1777341714221-67b76f0e-c816-410b-adc0-e445074efc46-20260509174718164.png) 无论使用什么操作系统，都可以通过 npm，一行命令来安装 Claude Code： ```bash npm install -g @anthropic-ai/claude-code ``` ![](https://pic.yupi.icu/1/1777341807032-be0f1d99-4e97-4be6-80de-de7c32846d41-20260509174718202.png) 安装完成后，输入 `claude` 命令进入对话界面，首次需要登录才能正常使用： ![](https://pic.yupi.icu/1/1777341971646-93bcacc7-143d-4f86-8d2a-bf17d288db9f-20260509174718233.png) 但估计很多同学没有 Anthropic 的国外订阅账号，所以我们要切换为国产模型。 ### 切换模型 Claude Code 本身是支持切换模型的，你可以通过「修改环境变量」或「编辑配置文件」来对接其他大模型的 API。 一般你使用哪家的大模型 API，直接看对应的官方文档，就能找到接入方法。 比如 [DeepSeek 的 API 文档](https://api-docs.deepseek.com/zh-cn/guides/coding_agents) 里就有现成的接入方法： ![](https://pic.yupi.icu/1/1777342329147-99094795-9da9-40b7-aa25-a566fc762c54-20260509174718284.png) 不过我更推荐用一个开源工具 **CC Switch**，能够可视化地管理 Claude Code、Codex、Gemini CLI 等 AI 编程工具的配置，一键切换不同的模型供应商。内置了 50 多个供应商预设，不用自己手动改配置文件。 > 开源指路：https://github.com/farion1231/cc-switch 按照官方中文文档，根据操作系统选择对应的安装方式： ![](https://pic.yupi.icu/1/1777342571992-7b055f5f-3d27-4463-8247-4fe9bc315690-20260509174718321.png) Mac 用户可以通过命令行安装： ```bash brew tap farion1231/ccswitch brew install --cask cc-switch ``` ![](https://pic.yupi.icu/1/1777342701813-0dc223c6-8c13-49ce-8434-aa00bfc6d08e-20260509174718366.png) 安装完成后，运行软件进入主界面，添加模型供应商： ![](https://pic.yupi.icu/1/1777342816975-d7e89ce3-3b26-4237-a728-5478fbe86a47-20260509174718431.png) 选择 DeepSeek： ![](https://pic.yupi.icu/1/1777342881212-d0591f6e-c88e-4912-8cf5-62b7f1bfac17-20260509174718485.png) 填写 API Key，需要从 [DeepSeek 开放平台](https://platform.deepseek.com) 获取。 ![](https://pic.yupi.icu/1/1777342981319-1e6c85a9-5063-42e2-bae9-0406886578d9-20260509174718516.png) 我这里把主模型设置为 DeepSeek-V4-Pro，相比 DeepSeek-V4-Flash 模型，Agent 能力和复杂推理更强。 如果要开启超长上下文，还可以修改为 `DeepSeek-V4-Pro[1m]`，不过这个任务我估计 200K 上下文足够了。 然后点右下角保存： ![](https://pic.yupi.icu/1/1777343299981-c370c8ff-b24a-460a-891e-e08bc1efcf54-20260509174718549.png) 可以在上图中看到 Claude Code 的 JSON 配置文件，其实 CC Switch 就是帮你可视化地修改各 AI 工具的配置文件，省去手动编辑 JSON 的麻烦。 最后，启用 DeepSeek 模型： ![](https://pic.yupi.icu/1/1777343334412-73a61961-5d7e-4fbb-a0e0-691f5d867b48-20260509174718583.png) 然后重新进入 Claude Code，随便输入一句话，AI 能给出回复，说明切换模型成功： ![](https://pic.yupi.icu/1/1777343427500-46c84648-4f92-4ed4-85ab-4af0b34f465e-20260509174718616.png) ### 安装扩展 Claude Code 默认就有读写文件、跑终端命令、搜索代码这些基础能力，但要做好一个完整项目，光靠这些还不够。 我们需要下面 3 个扩展： 1. Frontend Design：前端美化技能，让生成的页面更有设计感 2. Firecrawl：联网搜索和网页抓取，让 AI 能获取最新的技术信息 3. Context7：查询最新的技术文档和 API 用法，减少 AI 瞎编的情况 下面来依次安装。 #### 1、安装 Frontend Design Frontend Design 是 Anthropic 官方的前端美化技能，可以让 AI 生成的页面更有设计感。 在 Claude Code 中，先通过 `/plugin` 命令添加官方技能市场，相当于装了个技能商店： ```bash /plugin marketplace add anthropics/skills ``` ![](https://pic.yupi.icu/1/1777344066799-72c95f99-82bc-46ff-92f5-02cf6d21b1b9-20260429113524910-20260509174718645.png) 输入 `/plugins`，在 Discover 菜单栏中，选中 `example-skills` 并按回车，安装官方的示例技能合集： ![](https://pic.yupi.icu/1/1777344221815-19f8cc7d-e608-4cf6-a8a9-05fa3dafab04-20260509174718679.png) 输入 `/reload-plugins` 重载一下插件： ![](https://pic.yupi.icu/1/1777344303461-6af1d179-4328-4892-83b4-a48f1af3c32d-20260509174718707.png) 输入 `/skills` 查看已安装的技能，可以看到 `frontend-design` 已经就位了： ![](https://pic.yupi.icu/1/1777344408094-9d8e06b5-a216-443e-a7ec-70dd78cb80d0-20260509174718748.png) 之后在对话框中输入 `/frontend-design` 就能主动触发这个技能，让 AI 美化前端页面。同时还自动装上了 `webapp-testing` 自动化测试技能，后面也用得上。 #### 2、安装 Firecrawl Firecrawl 是联网搜索和网页抓取工具，让 AI 开发前先搜索最新技术信息。 安装方式很简单，打开终端，输入一行命令： ```bash npx -y firecrawl-cli@latest init --all --browser ``` ![](https://pic.yupi.icu/1/1777258212308-8c83d23e-338e-4ec2-b1c0-05f54a22a36e-20260429113525121-20260509174718777.png) 执行后，会自动打开浏览器，要在弹出的页面中点击授权： ![](https://pic.yupi.icu/1/1777258069152-2d7fdb02-64e2-440b-bcbd-6254b07fb74e-20260429113525154-20260509174718801.png) 安装完成后，会自动注册 12 个 Firecrawl 相关技能： ![](https://pic.yupi.icu/1/1777258235867-0f6f08f5-4791-4b66-84b7-50936912540d-20260429113525186-20260509174718841.png) 在 Claude Code 的技能管理中，就能看到新添加的 Firecrawl 相关技能了： ![](https://pic.yupi.icu/1/1777344739629-f15409cf-6a43-4f96-a9bd-be72f7c0f795-20260509174718872.png) #### 3、安装 Context7 Context7 是一个技术文档查询工具，让 AI 能获取到各种框架和库的最新官方文档，避免用过时的 API 写代码。 先在终端输入一行命令来安装： ```bash npx ctx7@latest setup ``` 它会问是安装 MCP 服务还是 CLI + Skills，这里我选择 CLI + Skills。你会发现，现在越来越多工具已经从 MCP 转向 CLI + Skills 的方式了： ![](https://pic.yupi.icu/1/1777258448310-41f86ec3-26e1-476e-aed5-4913c8116d21-20260429113525253-20260509174718912.png) 同样在弹出的网页中授权，不用自己获取和输入 API Key，太方便了！ ![](https://pic.yupi.icu/1/1777258547209-dc872280-09eb-4bd9-ad45-2e412382002d-20260429113525305-20260509174718957.png) 然后选择要给哪个 AI 编程工具安装，我选择为 Claude Code 安装： ![](https://pic.yupi.icu/1/1777344820438-9397de28-5658-4f0c-8cbe-8ed350beb84a-20260509174719029.png) 安装成功后，可以在技能管理中看到 `find-docs` 技能： ![](https://pic.yupi.icu/1/1777344978229-17483cf7-a0fd-4a5f-93cf-5865f96eab41-20260509174719298.png) 当然，你也可以选择安装 MCP Server 的方式： ![](https://pic.yupi.icu/1/1777345106455-e31fd005-3cc6-45ac-a9d5-7dfafd30c7f4-20260509174719599.png) 安装后，在 Claude Code 中输入 `/mcp` 命令，就能看到安装好的 MCP 了，比自己手动配置方便太多了！ ![](https://pic.yupi.icu/1/1777345145401-72377bd2-2388-4f3b-bd8f-a31a76ecc676-20260509174719673.png) 至此，环境准备完成！下次开发项目时，就不用再重复准备了~ ## DeepSeek + Claude Code 开发 新建一个 `yupi-ai-relay` 项目文件夹，打开终端并输入 `cd` 命令进入目录，然后输入 `claude` 打开 Claude Code： ![](https://pic.yupi.icu/1/1778231327727-283f3279-57b8-4ca8-9694-1a4d15a2edff.png) 接下来输入提示词。这段提示词也是我利用 AI 编程工具，根据我的需求描述生成的，给大家参考： ```markdown ## 角色 你是一个全栈工程师，擅长 Node.js + Next.js + TypeScript 开发。 ## 任务 开发一个叫 yupi-ai-relay 的网站，实现一个简易但完整的 AI 大模型 API 中转站，兼容 OpenAI API 格式，支持多模型路由。 ## 核心功能 1. 对外暴露 `/v1/chat/completions` 接口，完全兼容 OpenAI Chat Completions API 格式，支持流式（SSE）和非流式响应，用户只需修改 base_url 和 api_key 即可接入 2. 接入 3 个国产大模型：DeepSeek V4、智谱 GLM-5、通义千问 qwen-plus。支持用户指定 model 参数选择模型，也支持 auto 模式随机负载均衡 3. 中转站自有 API Key 体系（sk-relay-xxx 格式），管理后台可创建/禁用/删除 Key，每个 Key 可设置余额上限 4. 记录每次请求的 Token 消耗（prompt_tokens + completion_tokens），不同模型设置不同计费倍率，管理后台可查看调用日志和用量统计图表 5. 定期检测各模型渠道可用性，请求失败自动重试到其他可用渠道，管理面板显示各渠道健康状态 6. 管理面板包含仪表盘概览、渠道管理、Key 管理、调用日志，支持管理员密码登录 ## 技术栈 - 框架：Next.js + TypeScript - 数据库：SQLite（通过 better-sqlite3，零配置） - 样式：使用 Shadcn UI 组件库 - 图表：Recharts ## 要求 1. 页面参考 OpenRouter 官网风格，浅色主题，简洁大方接地气，使用 frontend-design 技能美化页面 2. 开发前，先通过 Firecrawl 联网搜索确认 DeepSeek、智谱、通义千问最新的 API 格式，通过 Context7 查询 Next.js 最新文档 3. 必须生成完整可运行的代码，每步完成后通过 webapp-testing 自主测试验证 4. 环境变量通过 .env.local 配置各模型的 API Key ``` 给 AI 发送提示词前，我按 Shift + Tab 进入了自动接受编辑模式，AI 创建、修改、删除文件和执行命令都不用我逐一确认了，更省事儿。但有一定风险，大家按需使用： ![](https://pic.yupi.icu/1/1778231457775-29f354b1-53bd-46e1-b96d-920c0c91b5ec.png) 把提示词发送给 AI，接下来就是漫长的等待了。 过程中 AI 可能需要确认工具调用，比如它想通过 Firecrawl 搜索最新的大模型 API 信息，可以选择「Yes, and don't ask again」，以后就不用反复确认了： ![](https://pic.yupi.icu/1/1778231847088-583d81d1-294c-47a4-a839-f8ce64c91b22.png) 注意，DeepSeek 的发挥不是很稳定，有时候不会触发技能，而是使用内置的搜索工具。你可以在提示词中加强引导，或者用斜杠命令主动触发技能。 开发完成后，AI 自动使用 webapp-testing 技能进行自动化测试： ![](https://pic.yupi.icu/1/1778237385286-ac72c6e6-c2f2-4ac4-a5ac-edf4c5fb0271-20260509174719871.png) 等了将近半小时，AI 终于开发完成了。从 AI 的总结可以看到，OpenAI 兼容接口、流式/非流式、多模型路由、API Key 管理、Token 计费、健康检查、管理后台、Recharts 图表这些功能全给整上了，一把梭~ ![](https://pic.yupi.icu/1/1778238659517-51bb2401-ceb3-4622-845a-9e1d8e980a1b-20260509174719909.png) 然后需要我们人工操作，分别从 DeepSeek 开放平台、智谱 AI 开放平台、阿里云百炼平台获取到大模型的 API Key，根据 AI 的指引填到环境变量文件中： ![](https://pic.yupi.icu/1/1778238774781-00601ed0-6713-4f60-8743-e4c73dc22eb9.png) 然后让 AI 帮我运行。它不仅启动了项目，还很贴心地又进行了一轮测试： ![](https://pic.yupi.icu/1/1778239393938-0d758f7d-3856-4270-97b6-a4cd66ffc2a9.png) 测试过程中 AI 还自主发现并修复了一个问题，很八错！ ![](https://pic.yupi.icu/1/1778254400168-39ddef9f-321f-4773-96c8-0522454aeffc.png) ### 测试验证 接下来人工测试一下。 打开网站主页。你别说，干净又卫生啊！重点一目了然。可惜还是没逃出蓝紫色渐变的魔掌。。。 ![](https://pic.yupi.icu/1/1778290068775-5a0c33a1-a12f-4e73-8408-9bfb76f8e057.png) 跟 OpenRouter 官网的风格还挺像的吧？大概吧。。。 ![OpenRouter 的风格](https://pic.yupi.icu/1/1778290147309-8a9853e6-df02-46c9-a3d9-39bea1c4b28c.png) 登录管理员账号，进入管理后台，能看到 AI 大模型的调用情况、总费用消耗等数据： ![](https://pic.yupi.icu/1/1778290268274-9408fbd7-9aa2-468c-8cf4-45798aad938e.png) 进入渠道管理，可以看到已经对接的各种大模型，你还可以给每个模型设置单独的计费倍率，比如调整 DeepSeek V4 Pro 的价格为 Flash 的 2 倍： ![](https://pic.yupi.icu/1/1778290321828-4bf6726d-ac94-4f54-b450-0a01fbf5e9bb.png) 还可以一键检查各模型的健康状态： ![](https://pic.yupi.icu/1/1778290484603-59f4d4f7-4db6-4f5d-826e-e6ff56a74d29.png) 诶，等等？我不是在提示词中让 AI 对接 GLM-5 么？怎么给我搞了个 GLM-4.5？？？ ![](https://pic.yupi.icu/1/image-20260509152345969.png) 进入 API Key 管理，你可以给每个付费用户生成一个 API Key，设置对应的余额上限，然后把 Key 发给用户： ![](https://pic.yupi.icu/1/1778290665569-9a830074-b6a7-4f84-9483-bcdcd774635a.png) 进入调用日志，可以查看每一次具体的模型调用情况，包括调用的模型、Token 消耗、耗时、费用、请求类型等： ![](https://pic.yupi.icu/1/1778290698789-1ca164b6-c057-4f46-bc20-6c20303b093f-20260509174720320.png) 但目前这个界面连最基本的筛选功能都没有，我以后要做个日活百万的中转站，怎么可能人工从这里面查日志呢？ 等等，难道 AI 觉得我不敢真的上线嘛？ ![](https://pic.yupi.icu/1/image-20260509152545677.png) 接下来，以用户的视角来使用中转站。进入网站主页查看文档，有各种调用方式的介绍： ![](https://pic.yupi.icu/1/1778290861950-d3642553-8003-460a-8f34-65dfe33ec9bb.png) 先直接打开终端，通过命令行的 HTTP 请求工具 curl 来调用。注意网站文档上的端口号写错了，应该跟后端服务器保持一致，我这里是 3333 端口。 模型选择 auto 自动路由，可以看到成功调用了 Qwen 模型： ![](https://pic.yupi.icu/1/1778290994022-d650d981-9d34-44ce-a95e-0037c136a267.png) 既然是兼容 OpenAI 格式的，那我们不妨尝试在 Claude Code 中使用。 进入 CC Switch 工具，添加一个新供应商，选择自定义配置： ![](https://pic.yupi.icu/1/1778291083736-bc72e594-d724-4f28-a658-0e0fd3aa34a4.png) 填写信息，请求地址改成中转站服务器的地址，API 格式选择 OpenAI 格式，模型名称我选 auto，让中转站帮我路由： ![](https://pic.yupi.icu/1/1778292737353-5de539b4-cf80-4304-a0f3-c9033d7dbbac-20260509174720503.png) 然后一定要注意！因为 Claude Code 原生使用 Anthropic 格式，而中转站是 OpenAI 兼容格式，必须先进入设置，开启 CC Switch 的路由模式。 ![](https://pic.yupi.icu/1/1778292850572-5cb1710f-8a20-4f6e-8adf-2ac4c7968a57.png) 开启路由模式后，路由会自动将 Anthropic 格式请求转换为 OpenAI 格式，再转发到中转站。 ![](https://pic.yupi.icu/1/1778292879648-8b5dca94-15da-4542-9974-0b2db0c35568.png) 配置完成后，在 Claude Code 中发消息，AI 成功回复了！同时中转站后端的日志打印了请求信息，说明请求确实经过了我们的中转站： ![](https://pic.yupi.icu/1/1778292522264-315da998-d2d9-46dd-950f-fcaa64aa539e.png) 不过让 AI 做复杂任务的时候，会频繁出现调用失败的情况。估计是一些请求格式没有兼容到位，毕竟 Anthropic 转 OpenAI 的过程中有很多细节差异，比如 Tool Use 的参数格式等。这也是做中转站的一个重点，需要持续测试各种场景，及时更新适配各家大模型的协议和规范。 ![](https://pic.yupi.icu/1/1778293138016-036af70d-9bf1-4918-844f-d4c7396496d4.png) 总结一下，咱们用 DeepSeek V4 一把梭出了一个五脏俱全的中转站，核心功能基本可用，能正常路由、计费、管理 Key。 但离真正能上线的产品还有一段距离，比如没对接到我指定的 GLM-5、Key 复制功能缺失、日志不能筛选。当然了，这些问题都可以继续跟 AI 对话来修复和打磨。 我在 Claude Code 中，用 `/context` 命令看了一下上下文，只占用了 63%，还有不少富余，开发到上线程度肯定是没问题的。 ![](https://pic.yupi.icu/1/1778293568121-0869b39a-b69e-4f88-a753-220b5639fc23.png) 你肯定会好奇花了多少钱？ 来来来，到 DeepSeek 开放平台上看看费用消耗，开发这个项目实际只花了 **2 块多**，你觉得是便宜还是贵呢？ ![](https://pic.yupi.icu/1/1778293527995-ea530826-b752-48fe-9015-24c8740f73d2.png) ## GPT-5.5 + Cursor 开发 既然提示词都准备好了，那咱不妨换一个能力更强的 GPT-5.5 模型试试看，这次在另一个主流的 AI 编程工具 Cursor 里开发。 相比 Claude Code 的纯命令行，Cursor 最大的优势是可视化操作，更适合新手小白上手，很多配置都是傻瓜式点点就行。 需要先在 Cursor 中配好 Firecrawl 和 Context7 的 MCP 扩展。Cursor 的使用和扩展配置教程在我的 [AI 编程零基础教程](https://ai.codefather.cn/vibe) 中可以获取，这里不多说了： ![](https://pic.yupi.icu/1/1778235649472-784ab808-bdeb-4ef1-9589-ba9d36ec542f.png) 选择 GPT-5.5 模型，发送同样的提示词： ![](https://pic.yupi.icu/1/1778235701557-d13d8832-6b36-4aaf-8a39-230030910d06-20260509174720752.png) AI 自动切换到了计划模式，先调用 MCP 获取各家模型的最新 API 信息，然后生成了项目实施计划： ![](https://pic.yupi.icu/1/1778235810536-ce5ee807-6bd1-4ba4-8041-5c42a7aa4e8c.png) 简单看一遍方案，没啥问题，直接开始构建： ![](https://pic.yupi.icu/1/1778235847647-a1d1d79a-53e0-424f-a8c3-baac3715db1d.png) 等代码生成完成后，AI 还会自主打开浏览器进行测试，全程不需要我们人工操作，这期间我又做了 1 组提肛。 **整体耗时 14 分钟，比 DeepSeek 快了一倍多**，消耗了 87.5K tokens： ![](https://pic.yupi.icu/1/1778236785434-c6d647d0-c55d-42d1-8736-26d44fcbda23.png) 同样根据 AI 的指引，分别获取各平台的 API Key，填入环境变量文件： ![](https://pic.yupi.icu/1/1778239874507-d5e42c3e-acd5-47d2-8087-15ca1a5dafed.png) 最后，让 AI 测试并运行，各种测试全部通过： ![](https://pic.yupi.icu/1/1778239913730-09168b8d-313c-4176-abb5-3f400831141c.png) 接下来让我们人工测试一下。 打开网站，整体看着还不错，除了有部分文字颜色不太合适。 ![](https://pic.yupi.icu/1/1778294307923-1589b548-bb1f-4815-9bbc-94a681618555.png) 跟 DeepSeek 开发出来的一样，没有完全复刻 OpenRouter 主页的风格。应该是我提示词写的不够精确，下次应该说 100% 复刻。 进入到管理面板中，成功对接了 GLM-5 等大模型，其他功能和前面 DeepSeek 开发的中转站类似： ![](https://pic.yupi.icu/1/1778294386096-e18e0b10-c33b-4072-8f55-707326246669.png) 区别在于，GPT-5.5 选择把所有管理功能全部塞到了一个页面，而不是像 DeepSeek 那样分成多个 Tab。布局太紧凑了，我个人觉得 DeepSeek 的分 Tab 体验更好。 创建一个 API Key，准备试试调用效果： ![](https://pic.yupi.icu/1/1778294492011-ee828f75-c1db-4820-a46a-8671f4b12f29.png) 进入调用文档，好家伙这是啥玩意啊？感觉新用户来了根本看不懂怎么调用，也没有 curl 调用示例。。。 ![](https://pic.yupi.icu/1/1778294634874-bad33150-7767-4c44-ab21-a05b2e9dd467.png) 没关系，咱们先用跟之前一样的方式，通过 curl 测试，成功调用了 GLM-5 模型： ![](https://pic.yupi.icu/1/1778294808815-6b71507e-9ed2-4817-a0bf-47b1d9c2484d.png) 通过 Claude Code 测试也是一样的结果，简单对话能顺利完成，复杂任务还是会报错： ![](https://pic.yupi.icu/1/1778294961477-8409d9a7-3c52-403a-924c-5ae6f36dba38.png) 这就是没有兼容好各种请求格式的问题。如果你要正儿八经地做中转站，提示词里一定要强调多模型协议的兼容性，让 AI 多编写单元测试，充分验证各种边界情况。 总结一下，Cursor + GPT-5.5 的开发速度确实快了很多，但最终效果并没有像我想象中那样甩开 DeepSeek 一大截，甚至在前端的表现上，我觉得 DeepSeek 更胜一筹。 而且国外模型的价格普遍比国内贵。所以还是要根据自己的需求选择模型，如果你还不太会 AI 编程，建议先用比较便宜的国产模型练手，不然可能一顿操作花了几十块，结果什么都没搞出来。 ## 最后哔哔 做完这个中转站，相信你已经完全理解了它的原理。 我还很贴心地给大家准备了「黑心版」中转站的提示词，仅供整活娱乐和教学目的，实际千万不要这么干！ ```markdown ## ⚠️ 黑心中转站 DLC（仅供娱乐，不是鱼皮教的） 在管理面板中增加一个「高级设置（请勿开启）」折叠面板，标题旁加 💀 图标，默认关闭，包含以下功能： 1. Token 暗税滑块（1.0x - 3.0x）：实际消耗 100 Token，账单上乘以倍率显示 150，用户看到的 usage 字段是虚报后的数字 2. 偷梁换柱开关：用户请求模型 A 实际转发到便宜的模型 B，返回的 model 字段仍显示用户请求的原始模型名 3. Prompt 缓存吸血：对话中重复的 prompt 缓存命中后，仍按完整 Token 数向用户收费 ``` 看到这里，再回过头看那些中转站的坑，什么模型掉包、虚报 Token、缓存套利，你应该能明白它们是怎么实现的了。 所以我再次建议，有条件尽量用官方 API 吧！别为了省一点钱，把自己的代码和数据送了出去。 ## 写在最后 这篇文章从原理到实战，带大家用 DeepSeek V4 + Claude Code 和 GPT-5.5 + Cursor 各做了一版 API 中转站，还揭秘了黑心中转站的常见套路。 学会了这些内容，你就能理解 API 中转站的完整原理，掌握用 AI 编程开发全栈项目的流程，也能在选用中转站时更好地避坑。 如果你想继续学习 AI 编程的更多实战技巧，可以阅读本教程经验技巧板块的其他文章。