OpenRouter 早期投資人復盤投資始末

作者：Menlo Ventures

編譯：佳歡，ChainCatcher

今天，OpenRouter 宣布已與 Stripe 達成收購協議。距離 OpenRouter 於 2023 年正式推出，剛剛過去三年。

OpenRouter 最初以「LLM 的統一接口」為定位上線，當時只支持 4 個模型：GPT-3.5、GPT-4、Together 的 GPT NeoXT 和 Cohere xlarge。

公司成立之初基於兩個核心判斷：第一，AI 的使用規模最終會非常龐大，並滲透到各個領域；第二，市場上會出現大量不同模型，它們各有取捨，用戶也會根據不同需求選擇不同模型。

事實證明，這兩個判斷都遠遠超出了當時的預期。

自上線以來，OpenRouter 平台處理的 Token 數量增長了約 3 萬倍，目前按年化計算已經超過 4500 萬億 Token，平台上的支出規模也達到了相當驚人的水平。與此同時，OpenRouter 支持的模型數量已經從最初的 4 個增加到 500 多個。

圖：從成立到被收購，OpenRouter Token 使用量增長情況

Menlo Ventures 很幸運能夠參與這段旅程。2025 年 3 月，我們通過與 Anthropic 合作設立的 Anthology Fund 參與了 OpenRouter 的種子輪融資。

OpenRouter 創始人兼 CEO Alex Atallah 此前曾創辦 OpenSea，後者估值一度達到 133 億美元。他的聯合創始人包括在 Discord 上認識的技術高手 Louis Vichy，以及執行力極強的 COO Chris Clark。

2025 年 5 月，我們領投了 OpenRouter 的 A 輪融資，Matt 加入公司董事會，Deedy 擔任董事會觀察員。今年早些時候，看到 OpenRouter 的客戶數量和收入迅速增長，以及公司圍繞模型選擇和評估構建更強「模型智能」能力的產品路線後，我們又繼續加碼了 B 輪融資。

在科技行業，一個想法往往需要經過多年時間，才能從少數人的判斷變成行業共識。

而就在幾週前，這件事發生了：從 Ramp 到 Cursor，超過 10 家公司幾乎同時推出了自己的模型路由產品。短短幾年時間，OpenRouter 已經成為 AI 時代最重要的公司之一。

圖：確定領投 OpenRouter A 輪時的合影

乍看之下，Stripe 似乎並不是 OpenRouter 最自然的收購方，但兩家公司實際上驚人地相似。

兩者都通過一個可以直接接入的 API，把原本複雜的交易流程變得簡單，並從中收取一定比例的費用。只不過 OpenRouter 處理的是 AI 模型。

按照 Stripe 一貫的說法，兩家公司結合之後，仍然是在做同一件事：提高「互聯網 GDP」。

事實上，一年多以前，OpenRouter 就已經把自己稱為「LLM 領域的 Stripe」。

OpenRouter 的核心價值

OpenRouter 是 Deedy 在 2024 年加入 Menlo 後最早接觸的公司之一。這家公司幾乎正好處於我們 AI 基礎設施投資邏輯的核心位置。

Menlo 在《2024 企業 AI 報告》中提出了兩個投資 OpenRouter 所必須成立的判斷：AI 支出會大幅增長，同時開發者不會只使用一個模型，而會同時採用多個模型。

圖：Menlo 最初發給 OpenRouter 的聯繫郵件

作為同樣會寫代碼、會實際使用這些模型的人，我們很早就意識到，不同模型在成本、延遲和性能之間存在非常明顯的差異。

例如，當你只是做一個簡單的 NLP 任務，從文本中識別實體時，並不一定需要調用 Fable 這類最前沿、能力最強的模型。

但問題在於，如果用戶需要自己進入每一家模型公司的官網，註冊賬號、創建 API Key、妥善保管密鑰，再分別適配各家公司略有不同的 API 接口規範，最後還要自己管理所有模型，整個過程會非常繁瑣。

一個統一的模型網關聽起來似乎很簡單，但實際上，這是一個比表面看起來困難得多的基礎設施問題。很少有人真的願意長期自己建設並維護這一套系統。

風險投資行業經常討論「護城河」，通常首先想到的是技術壁壘。但 OpenRouter 擁有的是一種非常典型的規模護城河。

用戶越多，OpenRouter 就越能夠預測模型需求、處理更大的負載；同時也更容易與模型實驗室簽訂規模更大的合同，從而獲得更穩定的 Token 供應和需求。

最終，這會形成一個循環：新的模型實驗室為了獲得分發渠道，也會希望優先登陸 OpenRouter。

我們還觀察到另一個趨勢。

隨著 vibe coding 普及，軟件創業公司的數量迅速增加。對於一家想進入企業市場的產品來說，最終真正能被企業採購的，往往是那些已經先贏得公司內部開發者認可的產品。

Anthropic、OpenAI、xAI、Cursor、Cognition、ElevenLabs、Lovable 和 Fireworks 都是如此：它們先贏得開發者，然後進入企業市場。

OpenRouter 也是一樣。

自我們投資以來：

• OpenRouter 當前處理的 Token 數量已經達到上線初期的 3 萬倍，過去三年保持約 33% 的月度增長，平均每 11 週翻一倍。

• 模型市場也迅速擴張。中國出現了 DeepSeek、GLM、Kimi 等優秀開源模型，此外還有 Grok、Meta 和 Thinking Machines 等公司的模型。目前 OpenRouter 已經接入超過 80 家模型提供商的 500 多個模型，服務約 1000 萬用戶。

• 許多重要的新模型都會優先登陸 OpenRouter，包括來自 OpenAI、X 和 Meta 的模型。平時很少發推、更少為其他產品發聲的 Mark Zuckerberg，也曾專門宣布 Muse Spark 上線 OpenRouter，Elon Musk 同樣如此。OpenAI 還會通過 OpenRouter 提供 Terra、Luna 等模型的專屬折扣。

• OpenRouter 的產品驅動增長模式也成功轉化到了企業市場。它的企業產品銷售周期，是我們見過最快的一批。企業可以通過這一產品統一分配模型資源、控制訪問權限，並管理內部 AI 預算。

• 由於 OpenRouter 可以統一與不同模型提供商談判合同，即使面對最前沿的模型，它也能夠提供極高的服務可用性。

OpenRouter 是怎麼走到今天的？

任何長期做創業公司的人都會告訴你，找到產品市場契合度，也就是 PMF，從來不是一條直線。

OpenRouter 同樣如此。

它的故事其實要從 2023 年 4 月 5 日說起。當時團隊推出了一款名為 Window 的 Chrome 擴展，讓用戶能夠在互聯網上不同的聊天應用中同時調用多個模型。

他們最初想解決的問題，是避免用戶被某一家模型廠商鎖定，同時又不需要為了使用不同模型，把自己的 API Key 分別交給不同應用。

這一產品的設計靈感來自加密錢包，這也與 Alex 此前創辦 OpenSea 的經歷有關。當時 Window 一共支持 4 個模型。

2023 年 4 月 24 日，Window 的 GitHub 代碼庫中第一次出現了「OpenRouter」這個名字。

大約一個月後，他們接入了第一批 Anthropic v1 模型，開始根據 Prompt 自動把請求分配給合適的模型，同時還製作了後來廣為人知的模型排行榜，並開始使用 OpenRouter 這一名稱。

2023 年 8 月 10 日，團隊正式將產品更名為 OpenRouter，口號是「A unified interface for LLMs」，即「LLM 的統一接口」。

當時，OpenRouter 每週處理大約 30 億 Token。那時排行榜上的模型，與今天大家熟悉的模型已經完全不同。

隨後團隊推出了 Playground，讓用戶可以通過一個聊天界面，同時獲得多個模型的回答。

到了當年 11 月，OpenRouter 已經支持 52 個模型，接入超過 2000 個應用，每週處理約 80 億 Token。

這時，他們真正找到了 PMF。

模型路由的未來

與很多人的理解不同，OpenRouter 最核心的產品並不是簡單地「幫用戶路由 Token」，而是成為最好用的 AI 網關。

OpenRouter 的確提供 Auto Router，可以自動選擇模型，但大多數開發者使用 OpenRouter，主要還是為了通過一個入口訪問不同模型，再根據自己的需求決定如何進行模型路由。

最近，企業在 LLM 上快速增長的支出，已經成為 Uber、Coinbase 和 Microsoft 等公司的現實問題。

因此，「模型路由器」作為一種降低成本的方案，聽起來非常誘人。

既然一個 AI Agent 執行任務時會拆成許多不同的子任務，那麼為什麼每個任務都要使用最昂貴的模型？簡單任務完全可以交給成本更低的模型處理。

過去幾週，整個行業似乎突然同時意識到了這一點。從 Ramp 到 Cursor，已經有超過 10 家公司推出自己的模型路由器。

但問題在於，僅僅根據 Prompt 本身來選擇模型，其實並不是一個特別有效的方法。

在 Agent 場景中，一個任務可能需要運行很長時間。要想判斷某個請求應該交給哪個模型，需要理解大量上下文。

比如一句簡單的指令：「在代碼庫裡找到這個文件。」

它可能只需要一個便宜、簡單的 LLM，也可能必須調用最前沿的模型。這取決於代碼庫到底有多大，以及此前任務已經積累了怎樣的上下文。

在多步驟的 Agent 任務中，一旦路由器在某一步選錯模型，這個錯誤的成本還會沿著後續步驟不斷放大，最終導致整個任務的結果質量明顯下降。

因此，一個真正有差異化能力的模型路由產品，基礎並不是一個簡單的「模型選擇算法」，而是一個優秀的統一 API，以及足夠龐大的真實用戶規模。

正是這些用戶，讓 OpenRouter 在幾乎沒有被外界注意到的情況下，逐漸積累了一個極為龐大的數據集，其中包括用戶提交了什麼 Prompt、這些 Prompt 最終使用了什麼模型、任務運行時有哪些上下文，以及最後取得了怎樣的結果。

這才是模型路由真正重要的地方。

在真實生產環境中，OpenRouter 可以在盡量維持效果的同時，通過更合理的模型路由幫助企業控制成本。

未來，開發者不需要自己搭建複雜的評測體系，也不用為了不同模型持續修改 Prompt。

你可能只需要登錄後台，然後看到這樣一條提示：「你的代碼庫中有一部分場景主要用於摘要。如果把 GPT 5.6 Sol 換成 Muse Spark，每年可以節省 10 萬美元。我們已經自動替你完成了相關評測。」

這才是模型路由真正的未來。

從支付基礎設施到 AI 基礎設施

Stripe 與 OpenRouter 有著非常相似的發展軌跡。兩家公司都是先贏得開發者，再逐漸進入大型企業市場。兩者的產品設計語言也都非常簡潔、直接。

Andrej Karpathy 曾把 OpenRouter 稱為 AI 的「轉換開關」。而 Stripe 所做的事情，本質上也類似：它成為了支付處理體系中的那個「開關」。

這筆收購也是 AI 時代基礎設施領域最早出現的大型交易之一，而且不會是最後一筆。用於管理模型、成本和算力的基礎設施已經逐漸成型。這些基礎設施正在讓新一代巨頭公司的形成速度變得比過去更快。