Token导航 LogoToken导航

Agent Skill · 效率

llm-key-pool(LLM KEY pool 效率)

llm-key-pool 用于补充效率相关能力,适合在 OpenClaw 中需要让 Agent 承接效率相关任务时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态,以及是否会触发联网、命令执行或文件读写。

llm-key-pool 是效率类 Agent Skill,可用宿主为 OpenClaw,通过ClawHub获取,权限为接触敏感数据;许可证为 MIT-0,第三方扫描有提醒项,按安装量在效率类的 21,003 个 Skill 里排第 17,156。

总安装 2,670周安装 108GitHub Stars 公开资料未说明下载 838核验 2026-05-01

安装说明

本站只整理中文说明,不托管安装包,也不代用户安装。
GitHub
许可证
MIT-0
版本
1.0.0

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手,先确认命令和权限,再让它执行。

请帮我安装这个 Agent Skill:llm-key-pool(LLM KEY pool 效率)
来源仓库:https://github.com/chatgpt34993/llm-key-pool
安装命令:
openclaw skills install llm-key-pool
安装前请先检查当前环境是否支持对应 CLI,并向我确认将要执行的命令、安装目录、联网范围和文件读写权限;确认后再执行。

命令行安装

复制命令到本机终端执行。该命令会通过 OpenClaw 从第三方来源获取 Skill;本站只展示命令,不托管安装包,也不自动执行。

ClawHubOpenClaw
openclaw skills install llm-key-pool

这个 Skill 是做什么的

效率类 Skill 把重复的整理、汇总、转换工作交给助手完成,减少手工复制粘贴。

多平台API Key分层轮询与智能故障转移;当用户需要绕过单一API Key速率限制、实现高可用大模型调用或管理多厂商API密钥池时使用

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 OpenClaw;先确认自己用的是其中之一,再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 openclaw skills install llm-key-pool;命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开,让新装的 Skill 被重新扫描到,否则列表里可能看不到。

  4. 4

    按最小权限试用

    它需要接触敏感数据,先在测试目录或测试账号里跑,确认没问题再放到正式项目。

常见问题

6 条

llm-key-pool 怎么安装?

在终端执行 openclaw skills install llm-key-pool。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

llm-key-pool 支持哪些 AI 工具?

公开资料标注支持 OpenClaw。其他工具只要能读取本地 Skill 目录,一般也能手动放进去,但要自己确认触发方式是否一致。

llm-key-pool 需要什么权限?

权限级别是接触敏感数据。该 Skill 可能接触密钥、Token、环境变量或敏感配置,应进入高风险复核队列,默认不自动发布。

llm-key-pool 是免费的吗?

来源标注的许可证是 MIT-0。本站不代收任何费用,也不托管安装包;能否商用、要不要署名,以许可证原文为准。

llm-key-pool 用的人多吗?

公开数据是累计安装 2,670 次,近一周安装 108 次,下载 838 次。这些数字来自第三方目录统计,只能当作热度参考,不代表质量或安全性。

llm-key-pool 安全吗?

第三方扫描有提醒项,说明存在需要人工确认的行为。安装前请打开源码看清它读了什么、联网到哪里。

值得选的地方和要先想清楚的地方

值得选的地方

  • 专注 OpenClaw 一种宿主,触发方式和使用习惯不用来回切换。
  • 许可证明确为 MIT-0,商用和分发边界好判断。

先想清楚的地方

  • 需要接触敏感数据,装到常用环境前要先评估影响面。
  • 第三方扫描存在提醒项或未通过项,需要人工逐条确认。
  • 第三方目录整理,版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 OpenClaw,想直接扩展它能力的人。
  • 需要处理效率类任务、又不想每次都手写提示词的人。

不太适合

  • 环境里有大量密钥、凭证,不方便给第三方 Skill 读取的人。
  • 需要厂商级技术支持和 SLA 的生产系统。

效率类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
github

GitHub 代码协作 · OpenClaw

7,632,918545需要联网MIT-0通过
nano-pdf

Nano PDF 文档 · OpenClaw

4,249,476231需要联网MIT-0通过
auto-updater

自动更新程序 · OpenClaw

2,964,063386操作浏览器MIT-0通过
video-frames

视频帧 · OpenClaw

2,621,304112需要联网MIT-0通过
gemini

Gemini 助手 · OpenClaw

2,547,39648需要联网MIT-0有提醒
llm-key-pool

LLM KEY pool 效率 · 本页

2,670—接触敏感数据MIT-0有提醒

按安装量取同分类前几名;数字来自第三方目录统计,只作热度参考,不代表质量结论。

SKILL.md 原文

name
llm-key-pool
description
多平台API Key分层轮询与智能故障转移;当用户需要绕过单一API Key速率限制、实现高可用大模型调用或管理多厂商API密钥池时使用
dependency
python

LLM Key Pool - 分层轮询多平台API Key管理

任务目标

  • 本Skill用于:多平台API Key智能管理,实现分层轮询、跨层切换和自动故障转移
  • 能力包含:分层配置管理、自动轮询、跨层切换、429错误智能处理、统一OpenAI兼容接口
  • 触发条件:当Agent需要稳定调用大模型API且面临速率限制或单点故障风险时

前置准备

依赖安装

SKILL依赖以下Python包:

pyyaml>=6.0.0

配置文件准备

在使用前需要创建配置文件 llm_config.yaml,支持分层配置:

  • 主力层(primary):高额度平台(阿里云百炼、智谱AI)
  • 每日回血层(daily):每日刷新平台(火山引擎、Google AI Studio)
  • 兜底层(fallback):开源/聚合平台(硅基流动、OpenRouter等)

配置文件格式见 references/config_format.md

支持的AI平台及配置方法见 references/supported_providers.md

操作步骤

标准流程

  1. 准备配置文件

- 在当前目录创建 llm_config.yaml - 按分层策略配置各平台的API Key - 优先配置主力层,然后是每日回血层,最后是兜底层

  1. 调用LLM服务

- 执行脚本:python -m llm_key_pool.llm_client - 参数说明: - --config: 配置文件路径(默认:./llm_config.yaml) - --prompt: 用户提示词 - --system-prompt: 系统提示词(可选) - --temperature: 温度参数(可选,默认:0.7) - --max-tokens: 最大Token数(可选,默认:2000)

  1. 自动分层轮询

- 优先使用主力层API Key - 主力层所有Key不可用时,自动切换到每日回血层 - 每日回血层也不可用时,切换到兜底层 - 跨层切换对上层应用透明

  1. 智能故障转移

- 监听429 Too Many Requests错误 - 立即标记当前Key为冷却中 - 无缝切换到下一个Key或下一层 - 冷却结束后自动恢复

可选分支

  • 当需要测试配置是否正确:使用 --test 参数进行配置验证
  • 当需要查看Key池状态:使用 --status 参数查看各层级Key的使用情况

资源索引

核心脚本

参考文档

注意事项

  • API Key信息敏感,请勿将配置文件提交到版本控制系统
  • 建议按分层策略配置至少3个平台(主力层、每日回血层、兜底层各1个)
  • 429错误会触发立即冷却,冷却时间可通过配置调整
  • 故障转移和跨层切换对上层应用透明,但会略微增加延迟
  • 优先选择支持OpenAI兼容接口的平台,简化配置

使用示例

示例1:基本调用

python -m llm_key_pool.llm_client \
  --config ./llm_config.yaml \
  --prompt "解释什么是量子计算" \
  --temperature 0.7 \
  --max-tokens 500

示例2:带系统提示词

python -m llm_key_pool.llm_client \
  --config ./llm_config.yaml \
  --prompt "写一个关于AI的短故事" \
  --system-prompt "你是一个创意写作专家"

示例3:查看Key池状态

python -m llm_key_pool.llm_client \
  --config ./llm_config.yaml \
  --status

示例4:验证配置

python -m llm_key_pool.llm_client \
  --config ./llm_config.yaml \
  --test

分层轮询策略

主力层(primary)

  • 特点:初始赠送额度极大
  • 推荐平台:阿里云百炼、智谱AI
  • 用途:处理大部分日常任务

每日回血层(daily)

  • 特点:额度每日刷新
  • 推荐平台:火山引擎、Google AI Studio
  • 用途:主力层耗尽后保证基本可用性

兜底层(fallback)

  • 特点:开源模型/聚合平台
  • 推荐平台:硅基流动、OpenRouter、GitHub Models、Groq
  • 用途:大厂API都限流时保证服务不中断

适合场景

01

调用多模型

02

代码和文本生成

03

Agent 推理流程

04

OpenRouter 模型接入

能力概览

能力 1

统一调用多种 LLM

能力 2

支持 Claude、Gemini、Kimi 等模型

能力 3

适合聊天、代码和推理任务

能力 4

可作为 Agent 模型调用入口

平台分布

OpenClaw

91%
按下载量换算763

安全审计

VirusTotal

通过

ClawScan

可疑

Static analysis

通过

权限和风险

接触敏感数据

该 Skill 可能接触密钥、Token、环境变量或敏感配置,应进入高风险复核队列,默认不自动发布。

安装前确认

本站仅展示第三方公开信息,不托管安装包,不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。来源安全扫描存在提醒或未通过项,安装前请自行复核。目前只有一个公开来源,建议同时核对源仓库。

继续浏览同类 Skills