昨天談 Ollama 時，我們看到：除了透過 ChatGPT、Claude 或 Gemini 這些產品使用雲端模型，也可以把模型放在自己的電腦上，讓其他程式使用。
但如果今天不是呼叫自己的電腦，而是想使用 OpenAI、Google、Claude 或 OpenRouter 提供的雲端模型，就會遇到一個幾乎每個 AI 開發教學都會出現的東西：
API Key
API 全名是 Application Programming Interface，是讓程式按照約定互相溝通的介面，不是 AI 專有名詞。天氣、地圖和付款服務也有 API。本文後面若只寫「API」，主要是指 AI 服務供應商的 API。
API Key 就像櫃台發給你的門卡兼識別證。程式送出請求時帶著它，服務端才知道：
你是誰？
你有沒有權限使用這個服務？
這次使用量應該算到誰身上？
你是不是已經撞到使用限制？
所以當我們從「打開 ChatGPT 網頁」走到「自己寫一個程式呼叫模型」時，API Key 就成了很重要的一步。
這也是 AI 從「產品」變成「零件」的開始。
這三個是 OpenAI 的具體名稱，不是所有 AI 公司的統一叫法。其他公司也有自己的產品、模型、API 與工具，名稱和能力不一定相同。
以 OpenAI 為例
OpenAI
├── ChatGPT：已經組裝完成的 AI 產品
│ ├── GPT 模型
│ └── 聊天介面、檔案、搜尋、記憶、語音等功能
│
└── OpenAI API：讓程式取得 AI 能力的平台
├── 文字與推理模型
├── 圖像模型
├── 語音、即時互動與轉錄模型
├── 嵌入(Embedding)模型
└── 內容審核 模型
ChatGPT 是產品。OpenAI 已經幫使用者組合好模型、介面與各種功能，打開就可以使用。
GPT 模型是其中的核心零件。它負責理解輸入與產生內容，但只有模型，還不等於完整的 ChatGPT。
OpenAI API 是給程式使用的服務入口。開發者可以選擇不同模型，接進自己的網站、App 或自動化流程。ChatGPT 的模型選單只是產品目前提供的選擇；OpenAI API 的完整模型目錄還包含圖像、語音、即時互動、轉錄、嵌入與內容審核 等模型。
所以即使相同或相近的 GPT 模型可能同時出現在 ChatGPT 與 API，外圍的工具、記憶、操作方式與使用限制仍可能不同。
**API Key 不等於 API。**它是常見的身分驗證方式，但不是所有 API 都使用 API Key。本文提到的供應商用它辨識程式與計算用量；能用哪些模型，仍要看帳號權限與當下的模型目錄。
這也能說明另一個常見誤會：**聊天產品的訂閱，不等於 API 的使用額度。**有 ChatGPT Plus、Claude Pro 或其他聊天產品的訂閱，不代表會自動獲得同一家公司的 API 額度。產品和 API 各自計費，也有各自的限制。
在本文的 AI 情境裡，API 比較像：
我想讓自己的程式取得模型、圖像或語音等 AI 能力，再自己決定介面與工作流程。
例如我可以寫一個 Python 程式：
讀取資料夾裡的文章
↓
送到模型
↓
產生摘要
↓
存成 Markdown
這時候就不需要每次人工打開 ChatGPT、貼文字、複製答案。
模型變成程式裡的一個功能。
前面 Day 6 談 Function Calling 時，是「模型叫工具」。
今天則是反過來：
我們自己的程式在叫模型。
拿到 API Key 之後，第一個原則非常簡單：
千萬、千萬、千萬不要公開它(說三遍代表很重要)。
不要放進 GitHub。不要寫進公開的前端 JavaScript。也不要很自然地把整段 Code 貼給 AI，然後忘記裡面有：
api_key="sk-xxxxxxxxxxxxxxxx"
如果 API Key 洩漏，別人就可能用你的身份呼叫 API。對付費服務而言，最直接的結果是：
他負責問問題，你負責收到帳單。
OpenAI 官方建議不要把 API Key 放進瀏覽器、手機 App 、程式碼庫，貼到聊天視窗或公開場所；懷疑 Key 已洩漏時，應立即撤銷並換新。Key 已經裸奔過一次，就不要再叫它回來上班。
因為：
知道這串字的人，可能就能以你的身份使用服務。
.env對剛開始做個人專案的人，一個很常見的方式是使用 .env：把真正的 Key 放在獨立設定檔，而不是寫死在程式裡。
例如專案資料夾：
my-ai-project/
├── app.py
├── .env
├── .env.example
└── .gitignore
真正的 .env 裡面放：
OPENROUTER_API_KEY=你的真正金鑰
NVIDIA_API_KEY=你的真正金鑰
程式裡不要直接寫 Key，而是讀取環境變數：
import os
from dotenv import load_dotenv
load_dotenv()
api_key = os.getenv("OPENROUTER_API_KEY")
接著最重要的一步，是在 .gitignore 裡加入：
.env
這樣 Git 就不會把真正的 .env 一起 Commit 上去。
如果專案要給別人用，可以留下 .env.example，內容只寫：
OPENROUTER_API_KEY=your_api_key_here
NVIDIA_API_KEY=your_api_key_here
它只告訴別人程式需要哪些密鑰，不把自己的密鑰一起送出去。
第一次執行時，如果程式說「找不到 API Key」，先不要急著懷疑模型壞掉。通常只要依序檢查三件事：(1).env 是否真的在專案資料夾裡、(2)變數名稱有沒有拼錯、(3)程式是否有載入 .env。這些步驟很樸素，卻比重新申請三把 Key 更常解決問題。
可以先這樣理解：
.env
＝ 我真正的鑰匙
.env.example
＝ 告訴別人「這扇門需要一把鑰匙」
.gitignore
＝ 提醒 Git：「真正的鑰匙不要寄出去」
之後部署到雲端平台時，也要使用平台提供的環境變數或密鑰管理功能，而不是把 .env 上傳。Day 18 先記得：密鑰不應該和程式碼綁死在一起。
.env 很適合一般專案；但如果是在 Google Colab 這類 Notebook 環境練習，應使用平台提供的 Secret 功能。程式只用名稱讀取 OPENROUTER_API_KEY，不把 Key 寫進儲存格、輸出或截圖。程式需要鑰匙，但不需要把鑰匙拿到投影幕前揮舞。
學生第一次接 API，不一定要先拿信用卡開始燒 Token。以下三種入口都適合學習與原型測試；它們送的不是同一份免費午餐，而是不同配菜。
OpenRouter 把許多供應商的模型整合到同一套 API 介面下。初學者可以先使用標示為免費的模型，或使用：
openrouter/free
它會從目前可用的免費模型中，自動選擇符合需求的一個。
若想指定某個有免費版本的模型，會看到類似：
model-name:free
免費模型的推論本身可為零成本，但模型清單與限制會變動，也不適合需要穩定性的正式服務。以 2026 年 8 月的規則，未購買 credits 的帳戶一天最多 50 次免費請求；累積購買至少 10 美元 credits 後，會提高到一天 1,000 次。免費比較像遊樂場發的一小袋代幣：足夠學會怎麼玩，不能當成無限供應。
Groq 也有免費方案，而且限制是依模型分開計算。它適合已經選定某個支援模型、想反覆練習 API 或做快速展示的人。以文件目前列出的 Qwen3.6 27B 為例，免費方案有每分鐘 30 次、每天 1,000 次請求的限制；實際可用額度仍要以帳號頁面與當下模型規則為準。
可以這樣理解：OpenRouter 像自助餐，模型選擇多；Groq 比較像你常去的便當店，菜色較固定，但點熟悉的那一樣通常更快、更好預期。
NVIDIA 的 build.nvidia.com 也提供免費的雲端 API，定位在開發與測試用途。選好模型後可以產生 API Key，並取得範例程式；不過同樣會有使用限制，不應當成正式服務的無限資源。
三者沒有「永遠最划算」的一家，因為模型、額度和速度都不同。剛開始可以這樣選：想練習切換模型，用 OpenRouter；想用固定模型反覆做展示，用 Groq；想試 NVIDIA 提供的模型，再選 NVIDIA。
它們都很適合拿來做：
我的程式到底接不接得起來？
↓
這個提示能不能工作？
↓
JSON 能不能正常回傳？
↓
工具呼叫跑不跑得動？
也就是：
先把「會不會做」驗證出來，再決定要不要花錢放大。
這和 Day 15 的 Google AI Studio 是同一個思路：先讓第一個請求活著回來，再考慮一百萬使用者的成本。
現在可以真的做一次：在 day18_practice.ipynb 裡，把 OpenRouter API Key 存進 Colab Secret/.env，並用固定的免費模型 google/gemma-4-26b-a4b-it:free 建立一個「孔明，你怎麼看？」回覆器。
你只要改 system prompt，就會看到同一個模型從三國軍師穿越成現代的教練。它不是諸葛亮本人連上網路，也不是穿越短劇；它是讓我們看見：模型的人格與回答格式，會隨提示裡的規則改變。 運行結果如下圖：
Day 2 已經談過 Token：模型不是直接按中文字數計費，而是先把文字切成它使用的基本單位。當時我們用 Token 理解「模型怎麼讀、怎麼一步一步生成」；到了 API，這些同一批 Token 多了一個很現實的身份：計費單位。API 帳單通常會分成兩部分：送進模型的輸入 Token，以及模型產生的輸出 Token。
總成本
＝ 輸入 Token × 輸入單價
＋ 輸出 Token × 輸出單價
定價常以「每 100 萬 Token」表示。假設虛構模型的輸入為 US$0.20／1M Token、輸出為 US$1.00／1M Token；送進 1,000,000 Token、得到 100,000 Token，成本就是 US$0.2 + US$0.1 = US$0.3。真正價格會隨模型與版本改變，請看當下價格頁。
最容易被低估的是輸入 Token 不只等於「剛剛打的那一句」。模型若要理解「幫我再改短一點」，通常還要帶上前面對話、系統規則、檔案內容與工具說明。Day 12、Day 13 所說的Context，不只影響答案，也可能影響收到帳單時的心情；不必要的Context越多，長期成本越高。
輸出 Token 就是模型產生的內容。回答越長，通常越貴；而 Day 2 已經看過，模型是逐步產生下一個 Token，所以輸出常比輸入更貴。不過別為了省一點點費用，把該說清楚的話全部砍掉。
不同模型切 Token 的方式不同，部分模型還會記錄推理或快取 Token。因此不要背「一個中文字等於幾個 Token」；真正要算錢時，看供應商回傳的 usage 資訊最準。OpenRouter 會在回應中附上輸入、輸出、推理與快取等使用量。
一開始接 API，很容易只關心：
回答對不對？
但真正把 API 放進工具之後，會慢慢多出幾個問題：
一次請求多少錢？
一天會跑幾次？
如果失敗重試三次呢？
該用強模型，還是便宜模型？
能不能先用免費模型做分類？
複雜情況再交給最強的雲端模型？
這其實和 Day 17 的本機／雲端切換完全接在一起。
例如：
YouTube 摘要
→ 本機模型
簡單文字分類
→ OpenRouter 免費模型
原型測試
→ Groq 或 NVIDIA 免費 API
高難度推理
→ 付費雲端模型
當然這只是例子，不是固定答案。
真正重要的是開始有這個觀念：
模型不是只能選一顆。
程式可以根據工作難度分流。
便宜模型做大量例行工作。
困難問題才升級。
這時候 API 不再只是「怎麼把模型叫出來」。
而開始變成 AI 工程裡的一部分：
如何在品質、速度、成本與安全之間做選擇。
前面幾天我們從 OpenAI、Google、Claude 一路看到 Ollama。
最開始，我們使用 AI 的方式是：
打開網站
↓
輸入問題
↓
得到答案
到了 API Key，工作方式開始改變：
自己的程式
↓
準備脈絡
↓
帶上 API Key
↓
呼叫模型
↓
取得回應
↓
解析結果
↓
交給下一個工作步驟
這時候模型真的開始從「一個我去使用的產品」，變成：
一個我可以組進自己系統的能力。
但取得能力的同時，也開始多出責任。
金鑰要保護、權限要控制、使用量要監控、Token 要估算、免費 API 要知道它的限制、付費 API 要知道什麼時候值得用。所以 API Key 看起來只是一串字，背後其實是一個很重要的轉折：
從使用別人設計好的 AI 工作流程，開始走向自己設計工作流程。
而接下來，我們就要開始把前面散落的零件真正組起來。
當我們希望 AI 不只完成一次請求，而是依照規則、工具與工作環境持續完成任務時，Agent到底還需要哪些工作規則？
iThome鐵人賽
看影片追技術