为什么选择中转站接入RAG模型？

RAG（检索增强生成）应用通常需要同时调用Embedding模型和大型语言模型（如GPT、Claude、DeepSeek等）。若每个模型都从官方单独接入，不仅管理多个API Key麻烦，还可能面临网络延迟、额度分散等问题。千聚AI中转站提供了统一的OpenAI兼容接口，只需配置一次Base URL，即可按需切换不同供应商的模型。这种方式更适合国内开发者和企业团队，能够有效降低接入成本，同时便于后续模型升级和扩容。

接入步骤概览

步骤	操作	关键配置
1	注册账号并获取API Key	访问千聚官网创建
2	设置Base URL	https://api.qianju.example.com/v1 （示例，实际以官网为准）
3	选择模型名并编写调用代码	例如 gpt-4o、text-embedding-3-large
4	测试Embedding与生成	使用Python requests或OpenAI SDK

第一步：获取API Key

任何接口调用都需要有效的身份凭证。请先前往千聚AI中转站官网注册账户，登录后在控制台创建专用的API Key。千聚支持Token购买和余额管理，你可以根据RAG应用的预估用量灵活充值。注意妥善保管API Key，避免泄露。

第二步：配置Base URL

千聚提供标准的OpenAI兼容端点，你只需要在代码中将Base URL替换（默认OpenAI URL https://api.openai.com 改为千聚提供的地址）。例如：

import openai
openai.api_base = "https://api.qianju.example.com/v1" # 请以官网实际地址为准
openai.api_key = "sk-your-qianju-api-key"

如果使用requests直接调用，同样修改URL的域名部分即可。这样做的好处是，原有基于OpenAI SDK的代码几乎无需改动。

第三步：选择模型名称并调用

千聚聚合了多个主流模型，包括OpenAI系列、Claude、Gemini、DeepSeek、Qwen、Kimi等。对于RAG应用，你通常需要两种模型：一是Embedding模型（用于文档向量化），二是对话模型（用于生成回答）。以下是一个同时调用Embedding和Chat模型的示例：

# 向量化文档片段
response = openai.Embedding.create(
 model="text-embedding-3-small",
 input="千聚AI中转站支持多模型调用"
)
embedding = response['data'][0]['embedding']
基于检索结果生成回答
response = openai.ChatCompletion.create(
 model="gpt-4o",
 messages=[{"role": "user", "content": "请根据上下文回答..."}]
)
print(response.choices[0].message.content)

你需要根据实际需求替换model字段。千聚控制的模型列表会持续更新，建议定期查阅官网获取最新支持情况。

第四步：验证与调试

如果在调用中遇到认证失败（401）或模型不存在（404）错误，请检查：API Key是否有效、Base URL是否拼写正确、模型名称是否在千聚已购买的模型列表中。千聚的接口与OpenAI完全兼容，因此大部分错误处理逻辑可以直接复用。进阶用户还可以在请求头中添加X-Request-Timeout等参数来控制超时行为。

CTA：立即开始你的RAG集成

从获取API Key到成功调用模型，整个过程只需几分钟。如果你正在寻找一个可靠、易用的RAG应用模型中转站，立即访问千聚查看完整模型列表与Token购买方案。注册后即可获得测试额度，体验一站式接口管理。

• 模型列表 — 查看千聚支持的Embedding和生成模型
• Token购买 — 按需充值，余额实时到账
• OpenAI兼容接口 — 详细Base URL与SDK用法
• API接入教程 — Python、Node.js、Java等语言示例