新闻详情

新闻详情

首页 / 资讯中心 / 详情

Puter.js:5 分钟接入 500+ 模型,搭一个免 Key 的 AI 应用

发布时间:2026/11/21 2:03:05来源:尧图网络
Puter.js:5 分钟接入 500+ 模型,搭一个免 Key 的 AI 应用
Puter.js5 分钟接入 500 模型搭一个免 Key 的 AI 应用【免费下载链接】puter The Internet Computer! Free, Open-Source, and Self-Hostable.项目地址: https://gitcode.com/GitHub_Trending/pu/puterPuter.js是一款免费开源的 JavaScript SDK它替开发者省掉了申请 API Key、自建后端和按流量付费这三个环节一行 script 标签即可调用 500 个 AI 模型与云存储项目采用 AGPL-3.0 协议可自托管。先跑起来5 行最短可用示例结论先行HTML 里加一行就能用全局puter对象向模型发消息。!-- 在 HTML 头部引入 SDK提供全局 puter 对象 -- script srchttps://js.puter.com/v2//script// 向内置模型提问把回答打印到页面 puter.ai.chat(What color was Napoleons white horse?) .then(puter.print);页面会弹出 Puter 授权对话框用户点击 Continue 后即可看到模型回答登录代码一行都不用写。非 HTML 项目执行npm install heyputer/puter.js可获得相同能力完整说明见 src/puter-js/README.md。基础设施成本恒为零的原因传统做法Puter.js 做法逐个厂商申请并保管 API Key无 Key模型直接可调用自建服务器、数据库、对象存储零基础设施纯前端运行账单随用户量同步上涨每个用户用自己的 Puter 账户消耗资源开发方成本恒为 $0第三行的机制是用户付费模型用户以自有 Puter 账户登录你的应用其消耗的 AI 与存储用量记在该账户名下不进入开发者账单用户还有每月免费额度用完再自行升级。规则细节见 src/docs/src/user-pays-model.md。核心能力按任务拆解接模型对话puter.ai.chat()一行完成对话同族 API 还覆盖多模态任务puter.ai.txt2img()文生图、puter.ai.img2txt()图片转文字、puter.ai.txt2speech()文字转语音、puter.ai.speech2speech()音色转换。模型来自 OpenAI、Anthropic、Google、Alibaba、xAI、Mistral、OpenRouter 等厂商共 500 多个后端实现位于src/backend/drivers/ai-chat/providers/每个厂商一个目录新模型即插即用。接口全集见 src/docs/src/AI.md。读写云文件puter.fs.write()与puter.fs.read()完成用户在云端的文件写入与读取同一命名空间还提供删除、移动、复制、建目录、列目录和跨用户分享puter.fs.share()。每个用户的文件默认私有调用share()才对指定人开放。API 全貌见 src/docs/src/FS.md。用户登录与鉴权调用需要个人资源的能力时Puter 自动弹出授权对话框认证、权限、计费全部由平台托管无需手写登录流程。对应模块位于src/puter-js/src/modules/Auth.js。键值存储puter.kv.put(key, value)写入、puter.kv.get(key)读取提供类 Redis 的键值存储适合跨页面状态与轻量数据模块位于src/puter-js/src/modules/kv/文档在src/docs/src/KV/。跑后台任务Serverless Workers在云端运行你的 Node.js 函数无需自托管常驻服务配合应用发布能力src/docs/src/Apps.md与本地 CLIsrc/cli/README.md开发、部署、管理都在同一套工具链内完成。组合场景 部署决策官方文档里的 To-Do 应用是典型组合用户输入一句自然语言puter.ai.chat()解析成任务puter.fs.write()存入该用户的云盘下次打开用puter.fs.read()读回。数据流从页面单向进入用户自己的账户不同用户的文件天然隔离、互不可见。Puter 完全开源Linux/macOS 一条命令即可部署到自己的服务器指南见 doc/self-hosting.md。适合场景纯前端 MVP、允许用户用自己的账户与额度的轻量应用不适合要求匿名使用、或数据必须托管在自有服务器上的产品。行动清单先跑通puter.ai.chat()验证授权弹窗与用量归属再解锁puter.fs与puter.kv把持久化数据从浏览器迁到云盘完整文档入口src/docs/src/index.md【免费下载链接】puter The Internet Computer! Free, Open-Source, and Self-Hostable.项目地址: https://gitcode.com/GitHub_Trending/pu/puter创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/20 20:45:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/20 18:41:01

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉