一个账户，两大算力服务：46 个国产大模型的 OpenAI 兼容 API——官方定价 9 折、多线容灾自动切换；以及按卡时计费的 Serverless GPU——Ascend 910B / A100 / H100，Python SDK 与 Agent Skill 双入口。
One account, two services: unified LLM API at 10% off official prices, and serverless GPUs billed per card-hour.
from openai import OpenAI
client = OpenAI(
base_url="https://duanflow.zeabur.app",
api_key="sk-df-...", # /register 注册后签发
)
resp = client.chat.completions.create(
model="kimi-k3", # 46 个国产模型任选
messages=[{"role": "user", "content": "你好"}],
)
print(resp.choices[0].message.content)对话、向量、图像、视频走模型 API，按 token 计费；训练、微调、批处理、自定义推理走 Serverless GPU，按卡时计费。同一个账户、同一份余额、同一张用量账单。
curl https://duanflow.zeabur.app/v1/chat/completions \
-H 'Authorization: Bearer sk-df-...' \
-d '{"model":"glm-5.2","messages":[...]}'@app.function(gpu="H100", timeout=3600)
def train(ds):
trainer.fit(ds)
print(train.remote(dataset))46 个国产最新模型，一个 API Key 统一调用。价格锚定各厂商官方定价，端流售价一律为官方价的 9 折——官网价与端流价对照如下，童叟无欺。
单位说明：文本/推理、多模态与向量模型为元/百万 tokens（缓存未命中、平时段基础价）；图像为元/张；视频为元/秒（720P 基础档，创建任务时按 5 秒标准时长预收）。 官方价来自各厂商开放平台定价页（2026-08-04 调研），随官方调价同步更新；缓存命中、Batch、长输入分档、峰谷时段等以各厂商计费规则为准。
OpenAI 兼容协议：把 base_url 指向 https://duanflow.zeabur.app，api_key 换成你的 sk-df- Key，现有 OpenAI 客户端代码零改动直接跑。
网页注册：/register →，登录后在控制台签发 Key；或直接调 API：
# 注册，拿到用户 token
curl -X POST https://duanflow.zeabur.app/v1/auth/register \
-H 'Content-Type: application/json' \
-d '{"email":"you@example.com","password":"你的密码"}'
# → {"token": "df_..."}
# 用 token 签发 API Key（可签发多个、随时吊销）
curl -X POST https://duanflow.zeabur.app/v1/api-keys \
-H 'Authorization: Bearer df_...' \
-H 'Content-Type: application/json' \
-d '{"name":"my-app"}'
# → {"api_key": {"key": "sk-df-..."}}46 个模型统一命名（全小写、无厂商前缀），直接用 model_name 调用：
curl https://duanflow.zeabur.app/v1/chat/completions \
-H 'Authorization: Bearer sk-df-...' \
-H 'Content-Type: application/json' \
-d '{
"model": "kimi-k3",
"messages": [{"role": "user", "content": "用一句话介绍你自己"}]
}'
# 更多模型：glm-5.2 / deepseek-v4-flash / minimax-m3 /
# qwen3.8-max / ernie-5.1 / doubao-seed-2.1-pro ...官方 openai 库直接对接，只改 base_url 和 api_key：
from openai import OpenAI
client = OpenAI(
base_url="https://duanflow.zeabur.app",
api_key="sk-df-...",
)
for chunk in client.chat.completions.create(
model="glm-5.2",
messages=[{"role": "user", "content": "写个快速排序"}],
stream=True,
):
print(chunk.choices[0].delta.content or "", end="")多模态、向量、图像、视频同协议调用；用量与余额实时可查：
# 模型目录（46 个统一命名的模型）
curl https://duanflow.zeabur.app/v1/models \
-H 'Authorization: Bearer sk-df-...'
# 图像生成（按张计费）
curl https://duanflow.zeabur.app/v1/images/generations \
-H 'Authorization: Bearer sk-df-...' \
-H 'Content-Type: application/json' \
-d '{"model":"Qwen-Image-2.0","prompt":"一只橘猫","size":"1024x1024"}'
# 向量（qwen3-vl-embedding）/ 多模态（DeepSeek-OCR-2）
# → POST /v1/embeddings · POST /v1/chat/completions
# 查用量与余额（用注册 token，非 sk-df- Key）
curl https://duanflow.zeabur.app/v1/llm/usage \
-H 'Authorization: Bearer df_...'开发者用 Python SDK 和 decorator 把稳定函数挂到云端 GPU/NPU；Agent 安装 Skill 后自行判断任务、估算费用、确认后执行。训练、微调、推理、批处理、海量数据分析都适用。
import duanflow as df
app = df.App("repo-eval")
@app.function(gpu="L40S", timeout=3600)
def run_evals():
# 同一份 runtime 也能被 Agent 用 inline Python 调用
subprocess.run("pytest evals/ --json-report", shell=True, check=True)
return {"report": "reports/report.json"}一个 Key 调 46 个模型 + 云端 GPU，统一 model_name 命名，无需在各厂商分别注册、充值、对账。
锚定官方定价 9 折，官网价与端流价双价公开；每次调用 token 与费用逐笔入账，随时可查。
多通道智能选路，单线路限流、报错、超时自动切换，调用不中断。
OpenAI 兼容协议，现有代码只改 base_url 和 api_key；chat、embeddings、图像、视频同协议。
人与 Agent 共用同一 runtime：npx 安装 Skill 后，Agent 自行判断任务、估价、确认、执行并回传结果。
Agent 有两种安装方式：用 npx duanflow-skill install 安装，或者直接给它 https://duanflow.zeabur.app/skills/duanflow-cloud-exec/SKILL.md。Agent 先判断工作负载是否能被 GPU/NPU、CuPy、cuDF、PyTorch/JAX 或 torch-npu 加速；命中后检查登录、估算费用、等待用户确认，然后用 inline Python 调 DuanFlow SDK，并把 job id、日志、费用和 artifacts 带回来。
$ npx duanflow-skill install
https://duanflow.zeabur.app/skills/duanflow-cloud-exec/SKILL.md
open SKILL.md →
文档把 “For Developers” 和 “For Agents” 分开，但所有入口都必须经过登录校验、费用确认、云端执行、日志和 artifact 回传。
Install the SDK, log in through browser authorization, then run your first GPU task.
pip install duanflow
read guide →
Use decorators to define reusable GPU functions, endpoints, jobs, and autoscaling policy.
@app.function(gpu="H100")
read guide →
Run existing repo commands in cloud sandboxes through a small inline Python wrapper.
subprocess.run("pytest")
read guide →
Return logs, reports, checkpoints, screenshots, and benchmark outputs from every run.
--artifact reports/
read guide →
Install a DuanFlow skill so agents know when to use inline tasks and when to write decorators.
npx duanflow-skill install
read guide →