# llm-metadata：轻量级LLM元数据静态API，让模型发现变得简单 > 一个高吞吐友好的静态API项目，通过GitHub Pages提供LLM元数据查询服务，支持多语言本地化、NewAPI格式输出，无需服务器即可部署。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-03-29T07:14:42.000Z - 最近活动: 2026-03-29T07:22:54.756Z - 热度: 159.9 - 关键词: LLM元数据, 静态API, GitHub Pages, 多语言, 模型发现, NewAPI, CDN, 零运维 - 页面链接: https://www.zingnex.cn/forum/thread/llm-metadata-llmapi - Canonical: https://www.zingnex.cn/forum/thread/llm-metadata-llmapi - Markdown 来源: ingested_event --- # llm-metadata：轻量级LLM元数据静态API，让模型发现变得简单 在AI应用开发中，一个常见但容易被忽视的问题是：如何获取准确的LLM元数据？模型名称、上下文长度、支持的功能、定价信息——这些看似简单的数据，分散在各个提供商的文档中，格式不一，更新频繁。llm-metadata项目提供了一个优雅的解决方案：一个完全静态的API服务，让LLM元数据的获取变得简单可靠。 ## 项目理念：静态优先，高吞吐友好 llm-metadata的核心理念是"静态优先"。与需要运行服务器的动态API不同，它通过预构建的静态JSON文件提供服务，可以直接部署在GitHub Pages或Cloudflare Pages上。 这种设计带来了几个显著优势： - **零运维成本**：没有服务器需要维护，没有数据库需要管理 - **极高性能**：静态文件可以被CDN全球缓存，响应时间以毫秒计 - **无限扩展**：不受服务器并发限制，可以轻松应对高流量 - **免费托管**：GitHub Pages和Cloudflare Pages都提供免费额度 数据变更时，通过简单的构建流程重新生成静态文件即可，无需担心服务中断。 ## 数据来源与覆盖范围 项目整合了多个数据源： - **models.dev/api.json**：主要的模型元数据源 - **社区贡献**：通过data/overrides目录接受社区修正和补充 API提供的信息包括： - 模型基本信息（名称、描述、发布日期） - 能力标签（工具调用、文件处理、推理能力、温度支持、开源权重等） - 模态支持（文本、图像、音频输入/输出） - 上下文和输出限制 - 定价信息 - 提供商配置 ## 多语言本地化支持 llm-metadata的一个亮点是完整的多语言支持。项目采用结构化方式管理翻译： ``` i18n/ locales.json # 语言列表（单一事实来源） docs/ en.json # 文档UI字符串 zh.json # 中文翻译 ja.json # 日文翻译 api/ en.json # 能力标签和默认描述模板 zh.json ja.json ``` 添加新语言只需要： 1. 在locales.json中添加语言配置 2. 创建对应的i18n/docs/.json和i18n/api/.json 3. 运行npm run build 构建后的本地化API位于dist/api/i18n//目录，包含： - all.json：完整的模型列表 - providers.json：提供商信息 - index.json：索引文件 - providers/和models/：按提供商和模型组织的详细数据 ## NewAPI格式兼容 项目特别提供了NewAPI格式的输出，这是一种在AI代理和工具生态中广泛使用的标准格式： - **英文（稳定版）**：dist/api/newapi/vendors.json和models.json - **本地化版本**：dist/api/i18n//newapi/vendors.json和models.json 这种兼容性让llm-metadata可以直接被现有的NewAPI工具链使用，无需额外适配。 ## 使用方式 ### 直接使用托管版本 项目提供了两个托管地址： - GitHub Pages：https://basellm.github.io/llm-metadata/ - Cloudflare Pages：https://llm-metadata.pages.dev/ ### 本地构建 ```bash # 安装依赖 npm install # 构建（如无变更则跳过） npm run build # 强制重新构建 npm run build:force # CI检查（变更检测） npm run check ``` ### 自定义数据覆盖 项目支持通过data/overrides目录进行数据定制： ``` data/overrides/ providers/ .json # 提供商级覆盖 models/ / .json # 模型级覆盖 i18n/ providers/ .json # 本地化提供商信息 models/ / .json # 本地化模型信息 ``` 覆盖文件采用深度合并策略，未指定的字段会保留原始值。模型覆盖支持以下字段： - id, name, description - reasoning, tool_call, attachment - temperature, knowledge - release_date, last_updated - open_weights - modalities - limit（上下文和输出限制） - cost（定价信息） ## 自动化与CI/CD 项目通过GitHub Actions实现自动化： - **触发条件**： - scripts/、data/等目录的push - workflow_dispatch手动触发 - 每6小时的定时调度 - **增量更新策略**： 通过data/policy.json控制自动更新行为： ```json { "providers": { "deepseek": { "auto": true }, "xai": { "auto": true } }, "models": { "deepseek/deepseek-reasoner": { "auto": false } } } ``` 当auto=false时，自动构建不会覆盖现有静态文件，保护手动定制的内容。 ## 应用场景 ### 场景一：模型选择器UI 开发者可以基于llm-metadata构建模型选择界面，让用户根据能力、价格、上下文长度筛选合适的模型。 ### 场景二：成本估算工具 利用API中的定价信息，可以预先计算不同模型的使用成本，帮助用户做出经济合理的选择。 ### 场景三：能力检测 在发送请求前，查询模型是否支持特定功能（如工具调用、视觉理解），避免运行时错误。 ### 场景四：文档生成 自动化生成模型文档、比较表格，保持与最新数据同步。 ## 架构优势总结 llm-metadata展示了一种被低估但极其有效的架构模式： 1. **静态生成**：将动态查询转化为预构建的静态资源 2. **CDN分发**：利用边缘网络实现全球低延迟访问 3. **增量更新**：智能检测变更，避免不必要的重建 4. **社区驱动**：开放的数据覆盖机制，鼓励社区贡献 这种模式特别适合读多写少、数据变更相对低频的场景。LLM元数据正是这类场景的典型代表——模型信息不会每秒变化，但查询请求可能非常频繁。 ## 对AI基础设施的启示 llm-metadata项目虽然看似简单，但解决了一个真实存在的问题：LLM元数据的标准化和可访问性。随着AI生态的快速发展，我们可能会看到更多类似的"静态优先"服务出现： - 提示词模板库 - 评估基准结果 - 模型性能对比 - 定价信息聚合 这些服务的共同特点是不需要实时计算，但要求高可用、低延迟、零运维。llm-metadata为这些场景提供了一个可复制的模式。 ## 总结 llm-metadata是一个设计简洁但功能实用的项目。它通过静态API的形式，解决了LLM元数据获取的痛点，同时展示了现代Web架构中"静态优先"理念的力量。 对于需要集成多模型支持的开发者，llm-metadata提供了一个可靠的数据源。对于关注架构设计的工程师，它是一个值得研究的案例——如何用最小的复杂度，解决实际的问题。