9Router部署指南：构建智能AI模型路由，实现低成本高可用编程助手

1. 项目概述与核心价值

如果你是一个重度依赖AI编程助手的开发者，下面这些场景你一定不陌生：每个月订阅的Claude Pro或GitHub Copilot，额度还没用完就重置了，感觉钱白花了；深夜赶项目时，突然遭遇API调用频率限制，代码写到一半被迫中断；想尝试不同模型，又得在多个工具和配置之间来回切换，繁琐不堪。更别提那些动辄每月几十上百美元的订阅费，对独立开发者或小团队来说，确实是一笔不小的开销。

9Router的出现，就是为了解决这些痛点。简单来说，它是一个运行在本地、智能的AI模型路由“袋里”。你可以把它理解为你所有AI编程工具（比如Cursor、Claude Code、Antigra vity、OpenClaw等）背后的一个“总调度中心”。它的核心工作逻辑是：将你的请求，按照你预设的优先级和成本策略，自动路由到最合适的AI模型提供商那里。

它的核心价值可以归结为三个词：省钱、省心、不间断。

• 省钱
  ：通过“三层智能回退”策略，最大化利用你已有的付费订阅额度，优先使用免费额度，最后才动用按量付费的廉价API。实测下来，合理配置后，月度AI编程成本完全可以控制在极低水平，甚至为零。

• 省心
  ：不再需要手动切换不同工具的配置。只需在所有工具里，将API端点指向9Router（通常是http://localhost:20128/v1），然后在9Router的仪表盘里管理你的模型组合（Combo）。一次配置，处处生效。

• 不间断
  ：这是最让人安心的一点。当主要订阅模型（如Claude Opus）配额用尽或报错时，9Router会无缝、自动地切换到备选模型（如GLM-4.7）；如果备选也达到预算上限，最后会落到免费的无限额模型（如iFlow的Kimi）。这意味着编码流程几乎不会因为外部API的限制而中断。

接下来，从一个资深开发者的视角，带你从零开始，深度拆解9Router的部署、配置、高级玩法以及那些容易被忽略的坑点。目标很明确：看完这篇，你就能搭建出一套属于自己的、高性价比且稳定的AI编程辅助环境。

2. 架构设计与核心原理拆解

动手之前，先理解9Router的工作原理。这会让后续的配置和排错更加得心应手。它的架构并不复杂，但设计得非常巧妙。

2.1 核心工作流：三层智能回退机制

这是9Router的灵魂。它不是简单的负载均衡，而是带有成本和优先级策略的智能路由。

为什么是三层，而不是两层或四层？这是经过实践验证的性价比最优解。第一层解决“已有付费资源利用率”；第二层解决“低成本高可用”；第三层解决“绝对可用性”。少于三层，可能在订阅耗尽后直接面临高成本或不可用；多于三层，配置过于复杂，边际收益递减。

2.2 关键技术实现：协议转换与状态管理

9Router能成为“万能适配器”，关键在于它实现了不同AI提供商API协议之间的无缝转换。

1. 统一入口
   ：对外暴露一个标准的OpenAI API兼容接口（/v1/chat/completions）。这意味着任何支持自定义OpenAI端口的工具（目前市面上绝大多数AI编程工具都支持）都能直接接入。

2. 内部翻译
   ：请求进入后，根据你选择的模型标识符（如cc/claude-opus-4-6）判断目标提供商。然后，将通用OpenAI格式的请求体，实时“翻译”成目标提供商的原生格式（如Anthropic的Claude格式、Google的Gemini格式等）。返回结果再“翻译”回OpenAI格式。整个过程对用户完全透明。

3. 状态持久化
   ：使用基于JSON文件的LowDB来存储所有配置、提供商密钥、组合定义以及用量统计。所有设置都是持久化的，重启服务也不会丢失。用量统计功能尤其重要——它能帮你清晰看到每个模型消耗了多少token、花了多少钱（估算），是优化成本配置的关键依据。

2.3 部署模式解析：本地、服务器与容器化

9Router提供了多种部署方式，适应不同场景：

• 本地运行（默认）
  ：最简单的方式，通过npm install -g 9router安装，适合个人在单台开发机上使用。所有数据存储在~/.9router目录下。

• 服务器部署
  ：将9Router部署在一台内网服务器或VPS上，供团队内多个成员共享使用。这时需要关注环境变量配置、安全性和进程守护（如使用PM2）。

• Docker容器化
  ：最推荐的部署方式，尤其是在服务器环境。它解决了环境依赖问题，部署和迁移变得极其简单。官方提供了Dockerfile，一行命令即可构建和运行。

3. 从零开始：详细部署与配置指南

理论讲完，进入实战环节。以Docker部署为例，这是最通用、最推荐的方式。同时也会覆盖关键的环境变量配置，这是保证9Router稳定运行的核心。

3.1 基础环境准备

确保你的机器上已经安装了Docker和Docker Compose。如果没有，请先参照官方文档安装。假设你使用的是Linux/macOS系统，Windows用户建议使用WSL2以获得最佳体验。

3.2 获取项目与配置初始化

不建议直接从npm安装，而是克隆源码进行构建和部署，这样更灵活，也便于后续自定义。

在.env文件中，你需要配置至少一个AI提供商的API密钥。例如，配置Claude的API密钥：

这是最基础的配置。更多提供商的密钥和模型配置，可以在官方文档中找到。

3.3 Docker部署步骤

1. 构建镜像
   ：docker build -t 9router .

2. 运行容器
   ：docker run -d -p 20128:20128 --name 9router 9router

3. 验证运行
   ：访问http://localhost:20128，如果看到9Router的仪表盘界面，说明部署成功。

如果希望持久化配置和数据，建议挂载数据目录：

这样，所有配置和数据都会保存在当前目录的data文件夹中，方便备份和迁移。

3.4 配置模型组合（Combo）

在仪表盘中，可以创建模型组合。一个典型的组合配置如下：

• 主模型
  ：Claude Opus（使用付费订阅）

• 备选模型1
  ：GLM-4.7（使用廉价API，设置月度预算$3）

• 备选模型2
  ：iFlow的Kimi（免费，无限额）

这样配置后，9Router会自动按照优先级路由：先用Claude Opus，额度用完或报错后切换到GLM-4.7，如果GLM-4.7也达到预算上限，最后落到免费模型。整个过程无需手动干预。

3.5 集成到AI编程工具

以Cursor为例，在设置中找到“OpenAI API”配置项，将API端点改为http://localhost:20128/v1，API密钥随意填写（因为9Router本身不验证密钥）。其他工具如Claude Code、Antigra vity等，同样只需修改API端点指向9Router即可。一次配置，全部生效。