我为什么推荐 new-api:从“能调用模型”到“能运营 AI 业务”的工程答案

很多团队做 AI 产品,第一阶段都很顺利: 调通一个模型; 写几个 API; 跑出一个 demo。 但到了第二阶段,问题会集中爆发: 客户要稳定,单一上游不稳定; 成本要可控,调用量上来后账就乱了; 用户要分层,个人、团队、管理员权限都不一样; 运营要可视,出了问题要知道是谁、哪个 key、哪个渠道、哪个模型; 商业要闭环,充值、订阅、额度、结算要打通。 这时你会发现,真正难的不是“会调模型”,而是“把模型能力做成一个能长期运营的系统”。 我这几天把 new-api 关键代码路径完整过了一遍,结论是:它的价值不在于“支持 40+ 上游”这句话本身,而在于它把 AI 网关最难的工程问题做成了一整套闭环。 这篇文章我不做功能清单,而是按“工程决策”的视角,讲我为什么推荐它。 典型请求链路 客户端 ↓ /v1/chat/completions 或 /v1/messages ↓ 认证 TokenAuth / UserAuth ↓ 限流 ModelRequestRateLimit ↓ 分发 Distribute ↓ Relay 进行请求校验、token 估算、预扣费 ↓ Adaptor 转换上游格式并请求 provider ↓ DoResponse 解析 usage 与流式结果 ↓ Settle / Refund 完成结算或退款 先说结论:new-api 适合什么团队? 如果你符合下面两条以上,我建议认真评估 new-api: ...

2026-05-23 · 3 min · 542 words · FunkyGod

基于OpenClaw多agent的多源数据源采集、加工和可视化平台

基于OpenClaw多agent的多源数据源采集、加工和可视化平台 1.在信息爆炸的时代,监控多个数据源(新闻、社交媒体、价格行情、系统日志)往往需要写大量重复的爬虫代码,而且数据重复、难以统一管理。本文分享如何用 OpenClaw 编排多个 AI Agent 自动采集异构数据,借助 Qdrant 向量去重避免噪音,用 PostgreSQL 持久化保证数据可靠性,最后通过 Vue 看板统一展示; 2.多源消息是后续数据加工和方案决策的先行必备要求。 架构设计和技术选型 OpenClaw 的核心是 Orchestrator 模式里定义多个 Agent,Orchestrator 负责任务分发、并发控制和结果汇聚,每个agent负责采集不同类型或者不同数据源; Gin 作为所有 Agent 的数据入口,负责接收上报、触发去重流程、写入数据库。 这是整个系统最有意思的部分。传统去重用 URL 哈希或标题哈希,但对于"同一事件被不同媒体报道"这类情况完全失效。语义去重相比 URL 哈希的优势在于:同一热点事件被 10 家媒体转载,传统方式会入库 10 条,语义去重后只保留第一条,信息密度大幅提升Qdrant 的向量相似度检索可以做到语义级去重。 Postgres处理数据的持久化存储和索引查询; Vue是PC端和移动端查看数据流的不二选择; 快速测试验证原型 4 个 Agent 共采集原始数据约 3,200 条 Qdrant 语义去重后实际入库 1,180 条,去重率约 63% 单次去重检索延迟(含 Embedding 生成)平均 ~180ms PostgreSQL 写入 TPS 峰值约 300 条/秒,完全满足需求 体验信息流页面 体验AI汇聚信息的地址:https://info.vi-wealth.com/information 谢谢关注收藏 ⏰ 刚刷到的朋友注意啦! 点击【关注】锁定宝藏库,从此升职加薪不迷路 ✨ ...

2026-04-06 · 1 min · 133 words · FunkyGod