新把任何智能体接入 UberLLM:一个密钥,所有模型,价格不高于官方价。
UberLLM

n8n 搭配 UberLLM:更便宜的 AI Agent 模型和视频生成

创建一个 n8n OpenAI 凭据,使用您的 UberLLM 密钥和 Base URL https://api.uberllm.dev/v1, 在 OpenAI Chat Model 节点中使用它,并关闭“Use Responses API”,然后选择任何 UberLLM 模型。对于视频,使用 HTTP Request 节点调用 /v1/video/generations 并轮询直到任务结束。

第 1 部分:AI Agent 中的聊天模型

  1. 在您的 密钥页面 创建密钥并充值。
  2. 在 n8n 中,前往 Credentials → Create credential → OpenAI。
  3. 填写以下内容:
    • API Key:您的 ull_… 密钥
    • Base URL:https://api.uberllm.dev/v1 将 Organization ID 留空。保存:n8n 会通过列出模型来测试凭据,测试应该会通过。
  4. 在您的工作流中,添加一个 AI Agent 节点,并将其聊天模型设置为使用该凭据的 OpenAI Chat Model 节点。
  5. 在 OpenAI Chat Model 节点中:
    • Model:选择 By ID 并输入 deepseek/deepseek-v4.1-flash(或从列表中选择,列表中现在会显示 UberLLM 的模型)
    • 将 Use Responses API 设为关闭。在最近的 n8n 版本中,此选项默认开启。UberLLM 也支持 Responses API,但此工作流是基于聊天补全进行测试的。
  6. 运行工作流。

相同的凭据也适用于 Basic LLM Chain 以及其他接受聊天模型的节点。

使用 AI Agent 或 Basic LLM Chain 配合 OpenAI Chat Model 节点,或者使用下面的 HTTP Request 节点。独立的“OpenAI”节点的“Message a model”操作总是调用 Responses API,其内置工具(web search、file search)仅在 OpenAI 自己的服务器上运行。

第 2 部分:使用 HTTP 请求制作视频

视频制作需要一分钟或更长时间,因此它是一个任务:启动它,等待,检查,重复直到完成。

凭据。 创建一个 Bearer Auth 凭据,其中 Bearer Token = 您的 ull_… key。(或者从第 1 部分的 Predefined Credential Type 中选择 OpenAI 凭据;它发送相同的 header。)

节点 1, HTTP Request(启动任务)

  • Method:POST
  • URL:https://api.uberllm.dev/v1/video/generations
  • Authentication:Generic Credential Type → Bearer Auth
  • Send Body:on,JSON:
{
  "model": "fal-ai/vidu/q3/text-to-video/turbo",
  "prompt": "a red ball bouncing on green grass, slow motion",
  "duration_seconds": 5
}

答案包含任务 id、status (queued) 和 estimated_cost_usd。

节点 2, Wait:Resume = After Time Interval,10 秒。

节点 3, HTTP Request(检查任务)

  • Method:GET
  • URL:https://api.uberllm.dev/v1/video/generations/{{ $('HTTP Request').item.json.id }}(使用您第一个节点的名称)
  • 相同的 Bearer Auth 凭据

节点 4, If:如果 {{ $json.status }} 是 queued 或 running → 连接回 Wait 节点。否则继续。

节点 5:当 status 是 succeeded 时,视频链接在 results[0].url 中。使用另一个 HTTP Request(GET,相同的凭据,并在 Options → Response 下将 Response Format 设置为 File)下载它,或将链接传递下去。failed 附带 error.message 的纯文本描述,并且失败的任务不收取任何费用。

每个模型只制作特定长度和大小的视频。如果您请求的模型无法制作,则第一个请求将被拒绝,并附带一条消息列出它能制作的内容,在此之前不会收取任何费用。每个模型的选项都在其页面上。

故障排除

  • 凭据测试失败: Base URL 必须是 https://api.uberllm.dev/v1;密钥不能包含空格。
  • 404 来自 OpenAI Chat Model: 凭据的 Base URL 缺少 /v1。
  • 代理从不调用工具: 请从第一个表格中选择一个模型;非常小的模型会跳过工具。
  • 400 wrong_endpoint: 视频模型被发送到聊天节点,或者聊天模型被发送到视频 URL。
  • 循环永不结束: If 节点必须比较 status,并且 Wait 必须在每次检查之前。
  • 402 积分不足: 请在积分页面添加积分。视频在运行时会保留其 max_cost_usd。

继续阅读

适用于 AI Agent 工作流的模型

可靠的 tool calls;第一个在步骤中。

模型模型 ID(复制粘贴)当前价格
DeepSeek V4.1 Flashdeepseek/deepseek-v4.1-flash输入 $0.00018 · 输出 $0.0014 / 1M
Gemini 3.5 Flashgoogle/gemini-3.5-flash输入 $0.0150 · 输出 $0.0900 / 1M
Claude Sonnet 5.5anthropic/claude-sonnet-5.5输入 $0.1062 · 输出 $0.5310 / 1M
GPT-5.5openai/gpt-5.5输入 $0.1250 · 输出 $0.7500 / 1M
Kimi K3moonshotai/kimi-k3输入 $0.0010 · 输出 $0.0788 / 1M
GLM 5.3z-ai/glm-5.3输入 $0.00070 · 输出 $0.0141 / 1M
Gemma 3 27Bgoogle/gemma-3-27b-it输入 $0.00079 · 输出 $0.0020 / 1M
Qwen3 VL 235B A22Bqwen/qwen3-vl-235b-a22b-instruct输入 $0.0021 · 输出 $0.0188 / 1M

价格为上次每小时更新时的价格,不加收费用 · 所有模型 →

适用于 HTTP Request 工作流的视频模型

Text-to-video models 现已上线,价格以今日为准。第一个在下面的 request 中。

模型模型 ID(复制粘贴)当前价格
Vidu Q3 Turbo Text to Videofal-ai/vidu/q3/text-to-video/turbo$0.028 每秒
Kling 3 Standard Text to Videofal-ai/kling-video/v3/standard/text-to-video$0.0672 每秒
Veo 3.1 Fast Text to Videofal-ai/veo3.1/fast$0.08 每秒
Kling 2.5 Turbo Pro Text-to-Videokling/kling-2-5-turbo-pro-text-to-video$0.039 每秒
Wan 2.7 Text-to-Videowan/wan-2-7-text-to-video$0.08 每秒
Veo 3.1 Fast Text-to-Videogoogle/veo3-1-fast-text-to-video$0.13 每秒

价格为上次每小时更新时的价格,不加收费用 · 所有模型 →

常见问题

我如何在 n8n 中使用 UberLLM?

创建一个 OpenAI credential,使用您的 UberLLM key 和 Base URL https://api.uberllm.dev/v1,,然后在 AI Agent 的 OpenAI Chat Model node 中使用它,并关闭“Use Responses API”。

n8n 可以使用 UberLLM 制作视频吗?

是的,使用 HTTP Request node:POST 到 https://api.uberllm.dev/v1/video/generations,,等待,GET 该 job 直到其 status 为 succeeded,然后下载 results[0].url。

在 n8n 中使用 UberLLM 时,“Use Responses API”应该开启还是关闭?

“关闭”是经过测试的设置。UberLLM 同时支持 chat completions 和 Responses API,但本页上的 AI Agent workflow 是通过 OpenAI Chat Model node 在 chat completions 上验证的。