¿Qué herramienta usar para acceder a los modelos LLM más recientes?

Introducción: Por qué OpenRouter es fundamental para los desarrolladores en 2026

Los desarrolladores actuales deben elegir entre docenas de proveedores de LLM, cada uno con sus propios puntos finales, precios y limitaciones. OpenRouter surge para simplificar este panorama, ofreciendo una única puerta de entrada que agrega los modelos más avanzados, desde GPT-5 hasta Qwen3.6-35B-A3B, y los pone a disposición a través de una única API. En este artículo descubrirás cómo empezar rápidamente, optimizar los prompts y mantenerte al día con las últimas tendencias en inferencia local y edge.

Cómo empezar con OpenRouter: una guía paso a paso

El primer paso es obtener una clave API en openrouter.ai. Una vez registrada, copia el token y guárdalo en un archivo de variables de entorno, por ejemplo OPENROUTER_API_KEY.

Instalación de dependencias

pip install requests
pip install openai

Llamada básica

OpenRouter es compatible con la API de OpenAI, por lo que puedes utilizar el cliente de OpenAI directamente.

import os
import openai

openai.api_key = os.getenv("OPENROUTER_API_KEY")
openai.base_url = "https://openrouter.ai/api/v1"

response = openai.chat.completions.create(
    model="google/gemini-2.0-flash-001",  # elige cualquier modelo disponible
    messages=[{"role": "user", "content": "Explica el retrieval-augmented generation en menos de 150 palabras."}],
    max_tokens=200
)
print(response.choices[0].message.content)

Este fragmento funciona con cualquier modelo soportado, permitiéndote cambiar de uno a otro sin necesidad de modificar el código.

Ejemplo práctico: construir un asistente de documentación sencillo

Un caso de uso común es generar automáticamente la documentación de la API. A continuación, encontrarás un flujo de trabajo completo que combina recuperación de contexto, un prompt optimizado y renderizado en markdown.

import requests
import json

def get_llm_response(prompt, model="anthropic/claude-3-opus"):
    headers = {
        "Authorization": f"Bearer {os.getenv('OPENROUTER_API_KEY')}",
        "Content-Type": "application/json"
    }
    payload = {
        "model": model,
        "messages": [{"role": "user", "content": prompt}]
    }
    resp = requests.post("https://openrouter.ai/api/v1/chat/completions", headers=headers, data=json.dumps(payload))
    return resp.json()["choices"][0]["message"]["content"]

# Ejemplo de prompt
repo_summary = "Nuestros datos API muestran 12 endpoints, media de latencia 120ms."
prompt = f"Genera una breve panorámica técnica para los desarrolladores: {repo_summary}"
print(get_llm_response(prompt))

Optimización de prompts con OpenRouter

• Usa el system promptpara definir el tono y el propósito. Ejemplo:system: "Eres un ingeniero senior, escribe código claro y comentarios concisos."
• Divide la tarea
• Implementa