用实测数据评估一个 AI 网关
评测一个网关不能只看文档。最有效的办法是设计一组能暴露真实差异的测试,然后跑一遍记录数据。
第一组:成功率与延迟
对每个模型发一批相同请求,记录成功率、P50/P95 延迟、以及失败时的错误码分布。波动比平均值更有意义。
所以排障的第一步永远是把 GET /v1/models 的返回拿出来对着看。
出问题的时候先跑这个脚本,如果它也失败,那是服务端问题;如果它成功,那是你的应用集成问题。
第二组:协议一致性
同一个语义请求分别用三条协议路径发,看返回结果是否等价。差异点就是你要重点了解的部分。
在跨协议映射里,只有 thinking: {type: disabled} 能明确对应到 reasoning.effort = none。
已经开始的 SSE 应该返回一个明确的 error 事件——宁可让客户端报错,也不要让它拿到一个被污染的「完整结果」。
第三组:工具调用往返
一次完整的「模型请求工具 → 执行 → 回传 → 模型总结」。很多网关在这一组上会露馅。
文本透传是最简单的路径,工具调用才是检验一个网关成色的地方。
因为工具调用涉及结构化参数的生成、解析、聚合和回传,任何一环处理得不严谨,模型就会收到一段语法错误的 JSON,然后开始胡说八道。
第四组:可观测性
断开一条上游线路,看状态页多久能反映出来;制造一次错误,看日志里能不能快速定位。
看板的价值不在于好看,而在于能直接驱动动作:哪个模型该降级、哪条线路该扩容、用户的报错能不能归因。
实操:用 count_tokens 做一次上下文预检。
状态页的信息密度本身就是一个评测项:它有没有把你需要的都讲清楚。
curl "https://aiminis.info/v1/messages/count_tokens" -H "x-api-key: sk-gw-你的密钥" -H "anthropic-version: 2023-06-01" -H "Content-Type: application/json" -d '{
"model": "claude-sonnet-4-5",
"messages": [{"role": "user", "content": "统计一下这段上下文"}]
}'
# 跨协议转换时,这个计数可能退回本地估算,
# 不等于模型原生 tokenizer 的精确结果。
# 拿它做预算粗筛可以,做严格钱包控制要留安全边际。
几个容易踩的坑
- 跳过
GET /v1/models,直接猜模型名。 - 把 401 和 403 当成同一类错误去查。
- 没分清 429 是上游限的还是自己限的。
- 出问题时没有最小复现脚本,只能在业务代码里盲改。
小结
把可观测性做在前面,后面所有的优化才有依据。
对具体能力有疑问,可以直接看接入文档 https://aiminis.info/docs/api-integration,里面把 Base URL、鉴权方式和各协议的可选范围都列清楚了。
- 点赞
- 收藏
- 关注作者
评论(0)