![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/63640fc31d4eaa4e2cb73cc3511db663.png)

@[TOC](目录)
# 前言

我平时刷知乎热榜的时候，经常有一个困扰：热榜上30个问题，难度差别太大了。

有的问题很简单，比如“太阳系的8颗行星在地球上用肉眼能看到几颗”，一句话就能说清楚。有的问题很复杂，比如“国安部通报境外组织借医疗检测非法采血样”，涉及生物安全、法律、国际关系多个维度，需要深度分析。

如果都用同一个模型处理，要么是杀鸡用牛刀——简单问题用了太贵的模型；要么是小马拉大车——复杂问题用便宜模型答不到位。

蓝耘的智能路由刚好解决这个问题。它可以根据任务难度自动匹配模型，不需要我在代码里写一堆 if/else 判断。这篇文章记录了完整的实测过程：30条知乎热榜问题，同一个脚本，看蓝耘怎么自动调度模型。

如果你也在做批量文本处理，或者手头有大量异构任务需要跑模型，这套方案可以直接复用。
# 一、什么是智能路由

先解释一下概念。

平时调用大模型 API，你需要指定具体用哪个模型——比如 `model=deepseek-v3.2` 或者 `model=glm-5.1`。每次都要自己判断：这个问题该用便宜的还是贵的？

智能路由的逻辑是：你不需要指定模型，只需要创建一个路由任务，配置好模型池（比如同时放轻量模型、均衡模型、强推理模型），然后调用时填路由 ID 就行。平台会自动分析任务复杂度，从模型池里挑最合适的那个来执行。

这就好比你去餐厅吃饭，不用自己研究菜单，只需要告诉服务员“我想吃清淡点的”，他会帮你推荐。蓝耘的智能路由提供的策略包括：效果优先（全部走最强模型）、成本优先（简单任务走轻量模型）、平衡模式（动态权衡）。

# 二、为什么需要智能路由

在动手之前，先想清楚一个问题：为什么不直接用最贵的模型？

答案很简单：**成本和质量之间需要平衡。**

我算过一笔账。如果用最强的推理模型处理所有30条知乎热榜问题，每条任务消耗的Token和费用大概是现在的3到5倍。但实际上，30条问题里有超过一半是简单问题——像“太阳系的8颗行星肉眼能看到几颗”这种，用轻量模型完全够用，没必要上旗舰模型。

智能路由解决的就是这个问题。它把“判断该用哪个模型”这件事从代码里抽出来，交给平台去做。我只需要在代码里填一个路由 ID，具体用哪个模型由平台决定。

更重要的是，路由策略可以在平台侧随时调整。今天觉得质量不够，换一个更激进的模型池；明天觉得成本太高，把轻量模型的比例调大。所有调整都在控制台完成，不需要改一行代码。

这就是“把模型切换交给平台”的核心价值。

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/8a4f8d386d4fe8d04421c14b7af0c4c2.png)
# 三、准备工作

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/e39ffb756faa1efe7ba1ebe439147218.png)
## 3.1 注册并获取 API Key

```bash
蓝耘官网：https://maas.lanyun.net/
```

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/76726f9a945aba73ae4e0f01a9b8f67d.png)

在左侧导航栏找到「API管理」→「密钥管理」，点击「创建 API Key」。系统会生成一串密钥，复制保存好，这是后续所有操作的唯一凭证。

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/9cc6e3995731cce60c05892777e86d7a.png)

蓝耘元生代 MaaS 提供 OpenAI 兼容入口，Base URL 为 `https://maas-api.lanyun.net/v1`。这意味着所有调用代码和调用 OpenAI 完全一致，只需要把 `base_url` 换成蓝耘的地址。

然后去「模型广场」确认要用模型的调用路径。这次实验我主要用到 MiniMax-M2.5 和 Qwen3.7-Plus 两个模型，但具体哪条任务走哪个模型，由智能路由自动决定。
## 3.2 安装 Python 依赖

```bash
pip install openai pandas
```

## 3.3 用影刀 RPA 采集知乎热榜

这次实验的数据来源是知乎热榜，用影刀 RPA 采集，不需要写爬虫代码。

打开影刀，创建 PC 端机器人，命名「知乎热榜采集」。流程编排如下：

1. **打开/新建 Excel**：打开已有的 `Workbook.xlsx`，把 Excel 对象保存到 `excel_instance`
2. **打开网页**：用 Microsoft Edge 打开 `https://www.zhihu.com/hot`
3. **批量数据抓取（第一次）**：在网页中抓取「标题」列，结果保存到 `web_data_table`
4. **批量数据抓取（第二次）**：在网页中抓取「描述」列，结果保存到 `web_data_table2`
5. **写入内容至 Excel 工作表**：把 `web_data_table` 写入第 1 行 A 列
6. **写入内容至 Excel 工作表**：把 `web_data_table2` 写入第 1 行 B 列
7. **关闭 Excel**：保存并关闭 `excel_instance`
8. **Excel 转 CSV**：把 `Workbook.xlsx` 转换为 CSV 格式，保存到桌面 `rpa_data` 文件夹

之所以要绕一下，先写 Excel 再转 CSV，是因为如果直接用影刀导出 CSV，桌面会同时出现一个 Excel 文件和一个 CSV 文件，多一个文件看着乱。先写 Excel 再转 CSV，输出目录里就只有一个 `zhihu_hot.csv`，干净。

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/804f206d68fb3aba778ce67ff1d5a8c8.png)

运行流程，采集完成后检查 CSV 文件。如果 CSV 没有表头，在第一行手动加上 `title,desc`。

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/fed14961e6a4d08f9a08556eabc124d0.png)

## 3.4 创建智能路由任务

登录蓝耘控制台，左侧菜单找到「模型服务」→「智能路由」，点击「创建路由」。

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/39080f6fa0f606899e84779977b0e0be.png)

我配置的参数如下：

| 配置项 | 值 |
|--------|-----|
| 任务名称 | 知乎热榜分级摘要 |
| 路由策略 | 平衡模式 |
| 模型池 | 通用路由（平台默认包含多个模型） |

保存后，复制路由任务 ID。这个 ID 就是后续代码里要填的 `ROUTER_ID`。

路由策略有三种可选：**效果优先**（全部走最强模型）、**成本优先**（简单任务走轻量模型）、**平衡模式**（动态权衡）。我选了平衡模式，因为这次实验的目的就是验证“平台能不能自动区分任务难度”。
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/c66ed633f7d1f9d292de4d057937ac8c.png)

# 四、核心代码

新建Python脚本，核心逻辑分四步：读数据 → 判断难度 → 调路由 → 输出结果。

```python
import pandas as pd
import json
import time
from datetime import datetime
from openai import OpenAI

# ===== 配置区 =====
API_KEY = "你的蓝耘API_KEY"
BASE_URL = "https://maas-api.lanyun.net/v1"
ROUTER_ID = "你的任务id"
MAX_TOKENS = 500
# ==================

client = OpenAI(api_key=API_KEY, base_url=BASE_URL)

def classify_difficulty(title, desc):
    """根据关键词给任务打难度标签"""
    text = f"{title} {desc}".lower()
    if any(kw in text for kw in ["是什么", "怎么用", "如何理解", "有哪些"]):
        return "easy"
    elif any(kw in text for kw in ["影响", "背后", "逻辑", "趋势", "未来"]):
        return "hard"
    else:
        return "medium"

def summarize(title, desc, difficulty):
    """调用蓝耘智能路由生成摘要"""
    prompt_map = {
        "easy": f"用一句话回答：{title}。补充：{desc}",
        "medium": f"从多角度分析，给出核心观点和理由：{title}。补充：{desc}",
        "hard": f"结构化深度分析，输出背景、核心矛盾、各方观点、潜在影响：{title}。补充：{desc}"
    }
    start = time.time()
    response = client.chat.completions.create(
        model=ROUTER_ID,
        messages=[{"role": "user", "content": prompt_map[difficulty]}],
        max_tokens=MAX_TOKENS,
        temperature=0.3
    )
    elapsed = int((time.time() - start) * 1000)
    content = response.choices[0].message.content
    model_used = getattr(response, "model", "unknown")
    usage = response.usage
    return content, model_used, elapsed, usage.prompt_tokens, usage.completion_tokens

# 读取数据
df = pd.read_csv("zhihu_hot.csv")

print(f"任务数: {len(df)}; 线路: route:{ROUTER_ID}")
print(f"单次输出上限 {MAX_TOKENS} tokens\n")

results = []
total_prompt = 0
total_completion = 0
success = 0

for idx, row in df.iterrows():
    task_id = f"T{idx+1:02d}"
    title = str(row["title"])[:20]
    difficulty = classify_difficulty(row["title"], row["desc"])

    try:
        summary, model_used, elapsed, pt, ct = summarize(row["title"], row["desc"], difficulty)
        total_prompt += pt
        total_completion += ct
        success += 1
        print(f"[route] {task_id} {title} -> response_model={model_used} {elapsed}ms")
        results.append({
            "id": task_id,
            "title": row["title"],
            "difficulty": difficulty,
            "summary": summary,
            "model_used": model_used,
            "latency_ms": elapsed,
            "prompt_tokens": pt,
            "completion_tokens": ct
        })
    except Exception as e:
        print(f"[route] {task_id} {title} -> ERROR: {e}")
        results.append({"id": task_id, "error": str(e)})

timestamp = datetime.now().strftime("%Y%m%d-%H%M%S")
print(f"\n完成: 成功 {success}/{len(df)}, prompt tokens {total_prompt}, completion tokens {total_completion}")
output_file = f"results-{timestamp}.json"
with open(output_file, "w", encoding="utf-8") as f:
    json.dump(results, f, ensure_ascii=False, indent=2)
print(f"结果已写入 {output_file}")
```

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/1df7e328619c72dd2bf44cb1858bccd3.png)
# 五、实测结果：30条任务的完整调度记录

运行脚本后，终端逐条输出了30个任务的执行情况。

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/ce1665e117776c8bc37fca34d1fb48b2.png)

以下是完整的运行记录，包含了每条任务的实际响应模型和耗时：

| 任务ID | 标题（截取） | 难度 | 实际响应模型 | 耗时(ms) |
|--------|-------------|------|-------------|----------|
| T01 | 女网红参加柏林马拉松比赛，却通过骑自行车 | medium | minimax/minimax-m2.5 | 27596 |
| T02 | 国安部通报境外组织借医疗检测非法采血样 | hard | qwen3.7-plus | 50632 |
| T03 | 西游记里的人参果这么好，为什么妖怪不去抢 | easy | minimax/minimax-m2.5 | 15613 |
| T04 | 《艾希：续》众筹突破2000万，制作人直播下跪 | medium | minimax/minimax-m2.5 | 9090 |
| T05 | 30岁女子靠AI婚庆培训年入200万 | medium | minimax/minimax-m2.5 | 13265 |
| T06 | 如何看待台独分子沈伯洋竞选台北市长 | medium | minimax/minimax-m2.5 | 10777 |
| T07 | 乘联分会称2026年1-8月中国占世界汽车份额回落 | hard | qwen3.7-plus | 9945 |
| T08 | 武侠游戏里「朝廷」永远不参与江湖纷争 | medium | minimax/minimax-m2.5 | 21618 |
| T09 | 为什么感觉在店里喝到的茶叶，总比自己泡的好喝 | easy | minimax/minimax-m2.5 | 8760 |
| T10 | 苏超1/4决赛首回合，无锡队3:0徐州队 | medium | minimax/minimax-m2.5 | 19435 |
| T11 | 为什么现在老外纷纷开始给游戏加中文 | medium | minimax/minimax-m2.5 | 16296 |
| T12 | 小学防欺凌信箱开出四个月前的求助信 | medium | minimax/minimax-m2.5 | 18282 |
| T13 | 如何评价《绿灯军团》第八集 | medium | minimax/minimax-m2.5 | 15678 |
| T14 | 你对于2026年诺贝尔生理学或医学奖的预测 | hard | minimax/minimax-m2.5 | 24813 |
| T15 | 为何日本的铁轨坚持不和世界统一 | medium | minimax/minimax-m2.5 | 17611 |
| T16 | 在中部-2026演习当中，各国军队都展示了哪些新装备 | medium | minimax/minimax-m2.5 | 15902 |
| T17 | 《哈利波特与死亡圣器》里哈利三人第七年没去学校 | medium | minimax/minimax-m2.5 | 19569 |
| T18 | 《布达佩斯大饭店》中大面积用粉色为什么不觉得土 | medium | minimax/minimax-m2.5 | 15317 |
| T19 | 太阳系的8颗行星，在地球上用肉眼能看到几颗 | easy | minimax/minimax-m2.5 | 10039 |
| T20 | 我总感觉昆虫从受到致命伤到完全死亡需要的时间 | medium | minimax/minimax-m2.5 | 10078 |
| T21 | 如何看待张家齐发长文告别综艺《我家那闺女》 | medium | minimax/minimax-m2.5 | 11218 |
| T22 | 都说阅读可以提高语文成绩，那么看网络小说算不算 | medium | minimax/minimax-m2.5 | 16184 |
| T23 | 国庆假期已过半，你是在家休息还是外出赶场 | easy | minimax/minimax-m2.5 | 9687 |
| T24 | 为什么计划做得越详尽，反而却越难以开始行动 | medium | minimax/minimax-m2.5 | 8857 |
| T25 | 《原神》中至冬的民用科技是否真的触碰到天理 | medium | minimax/minimax-m2.5 | 14732 |
| T26 | 年内13家酒企相继换帅，数位老将退出行业一线 | medium | minimax/minimax-m2.5 | 10739 |
| T27 | 多位游客分享用AI做旅游攻略的踩坑经历 | medium | minimax/minimax-m2.5 | 13445 |
| T28 | 孩子说周末就要睡个懒觉，不要叫他 | easy | minimax/minimax-m2.5 | 12902 |
| T29 | 2026中网男单1/4决赛，德约科维奇2-1逆转 | medium | minimax/minimax-m2.5 | 10242 |
| T30 | 欧国联A级联赛第4轮，葡萄牙2比1挪威 | medium | minimax/minimax-m2.5 | 20346 |

从输出结果看，蓝耘的智能路由在30条任务中实际调度了**2个不同的模型**：

| 模型 | 调用次数 | 占比 | Token消耗总量 | 消费金额 |
|------|----------|------|---------------|----------|
| MiniMax-M2.5 | 28 | 93.3% | 17032 | ¥0.11 |
| Qwen3.7-Plus | 2 | 6.7% | 3600 | ¥0.03 |


![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/0dc12cafc32a385c4b9af9830a5b23a0.png)

被路由到 Qwen3.7-Plus 的两条任务是：

- **T02**：国安部通报境外组织借医疗检测非法采血样（描述约400字，涉及生物安全、法律、国际关系）
- **T07**：乘联分会称2026年1-8月中国占世界汽车份额回落至32%（描述约300字，涉及行业数据、多国对比）

这两条的共同特征是：**描述文本长、涉及多维度信息、需要综合推理**。路由把这两条判定为复杂任务，分配给了推理能力更强的 Qwen3.7-Plus。其余28条描述相对简短、话题相对集中，路由统一分配给了 MiniMax-M2.5。

**整体完成情况**：

| 指标 | 结果 |
|------|------|
| 总任务数 | 30 |
| 成功 | 30/30（100%） |
| prompt tokens | 5759 |
| completion tokens | 14873 |
| 总token | 20632 |
| 估算费用 | ≈0.14元 |

蓝耘控制台的监控数据也印证了这个结果：

| 指标 | 数值 |
|------|------|
| 模型总量 | 2 |
| 调用总数 | 30 |
| token消耗数 | 20632 |


![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/f4feb7202696596b068fc6afe0e3c9b8.png)

# 六、这个结果说明了什么
## 智能路由确实在动态调度

30条任务里，28条走了 MiniMax-M2.5，2条走了 Qwen3.7-Plus。路由不是随机分配，而是根据任务描述的长度和复杂度做的判断。T02和T07的描述明显比其他28条长，路由把它们识别为需要更强推理的任务，分配给了不同的模型。

这说明智能路由不是“摆设功能”——它在真实任务里确实做了差异化调度。
## 统一网关省掉了模型切换的代码

如果用传统的逐模型调用方式，我需要先判断“这条任务该用哪个模型”，然后在代码里写 if/else。但智能路由把这件事交给了平台：代码里只需要填一个 `ROUTER_ID`，具体用哪个模型由平台决定。

这意味着**同一套代码可以适配不同难度的任务**，不需要为每个模型写不同的调用逻辑。

# 七、成本与效率

这次实测30条任务的总消耗：

| 指标 | 数值 |
|------|------|
| prompt tokens | 5759 |
| completion tokens | 14873 |
| 总token | 20632 |
| 估算费用 | ≈0.14元 |

平均每条任务消耗约688个token，花费不到0.5分钱。

按每天处理100条知乎热榜问题计算，一个月总成本约14元。而省下来的是：不需要人工判断每条任务该用哪个模型，不需要在代码里维护多套模型调用逻辑。

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11367244/23fec8b8f0abef2d43ea25406eb29472.png)

# 八、为什么选蓝耘

这次实测下来，蓝耘的智能路由在三个点上表现突出：

**第一，路由是平台级能力，不是简单的API封装。**

很多平台的“多模型支持”只是提供了一个模型列表，你需要自己判断该用哪个。蓝耘的智能路由是在平台层面做了任务分析和模型匹配，用户不需要写任何判断逻辑。

**第二，OpenAI兼容格式让迁移零成本。**

调用路由的代码和调用普通模型完全一样——`client.chat.completions.create()`，只需要把 `model` 字段从具体模型名换成路由ID。整个迁移过程改一行代码。

**第三，按量计费，30条任务0.14元。**

这个成本意味着我可以随时跑实验、随时调整路由策略，不用担心账单。根据AI Ping的公开评测数据，蓝耘平台上的模型吞吐在同类平台中处于领先水平。

# 九、总结

这套“RPA采集 → Python脚本调用智能路由 → 结果分析”的链路，解决了一个很实际的问题：**不同难度的任务，自动匹配不同的模型**。

适用场景很明确：内容分级处理、多模型调度测试、批量任务优化。当你有大量异构任务需要处理时，智能路由可以帮你省掉“手动选择模型”这一步。

当前限制也很清楚：路由的调度策略是平台决定的，用户能控制的是模型池的配置，但具体哪条任务走哪个模型，目前无法手动指定。对于需要精细控制的场景，可能还是需要手动选择模型。但对于大多数批量处理场景来说，这已经够用了。

有的问题很简单，比如“太阳系的8颗行星在地球上用肉眼能看到几颗”，一句话就能说清楚。有的问题很复杂，比如“国安部通报境外组织借医疗检测非法采血样”，涉及生物安全、法律、国际关系多个维度，需要深度分析。

蓝耘智能路由+ RPA 处理30条数据：同一个脚本，自动切换模型

先锋会员

人工智能

开发工具

云计算

蓝耘智能路由实测：30条知乎热榜问题自动分配模型，28条走轻量模型，2条复杂任务自动调度至强推理模型，总费用仅0.14元。OpenAI兼容接口，无需代码判断模型，平衡模式动态权衡成本与质量，适合批量异构文本处理场景。

代码解释

密钥管理

API管理

路由

Python

MaaS

9.9元起，最快1天搭建自有直播平台


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

蓝耘智能路由+ RPA 处理30条数据：同一个脚本，自动切换模型-腾讯云开发者社区-腾讯云

蓝耘智能路由+ RPA 处理30条数据：同一个脚本，自动切换模型

蓝耘智能路由+ RPA 处理30条数据：同一个脚本，自动切换模型

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐