Tl;dr AIHubMix вече предоставя набор от точки за достъп, четими от агенти: вашият агент за кодиране може самостоятелно да открива модели, да генерира заявки и да ги проверява, след което да ви върне готова сесия в Playground с предварителна конфигурация. За начало е достатъчно едно изречение към вашия агент: Fetch https://aihubmix.com/agents.md and follow it. Пълният списък с точки за достъп се намира в документацията Agent Access.
Все повече разработчици пускат своите агентни работни процеси през агенти за кодиране като Claude Code, Codex и Cursor: избора на модели, писането на заявки и настройката на параметрите се делегират. AI шлюзът на AIHubMix предоставя над 800 модела зад един API ключ, през четири комуникационни протокола, включително OpenAI-съвместими крайни точки, а този релийз позволява на вашия агент да чете всичко това директно.
Какво беше пуснато?
- agents.md: ръководство за въвеждане, написано за изпълнение от агенти, което обхваща проверки на ключове, актуално откриване на модели, заявки по протокол, проверка от край до край и отстраняване на неизправности.
- llms.txt за всеки модел: над 850 модела, всеки с машинно четимо ръководство за интеграция на фиксиран адрес (
https://aihubmix.com/model/{model_id}/llms.txt); бутонътllms.txtна всяка страница с модел води директно до него. - Skill за Playground и връзки за предаване: Skill-ът предава пробването, настройката, сравнението и генерирането на медия на вашия агент; дълбоките връзки позволяват на агента да предаде готова за работа сесия обратно към вашия браузър, а параметърът
?models=отваря до 6 готови за работа раздела с модели от една връзка.
Защо на агентите са нужни машинно четими достъпи?
Когато агент налага идентификатори на модели, цени и параметри по своята памет от обучението, заявките, които генерира, често се провалят: остарели написания на идентификатори, неподдържани параметри, неактуални цени. Машинно четимите източници предоставят тази информация на агента в реално време и в структуриран вид. Вземете llms.txt за gemini-3.7-flash: едно изтегляне дава на агента всички факти, необходими за генериране на коректна заявка:
- Developer: Google
- Context window: 1,048,576 tokens
- Input modalities: text, image, audio, video
- Capabilities: Thinking, Streaming, Tool calling, Web search, URL context,
Code interpreter, Computer use, File search, Structured outputs, Prompt caching
- Pricing: $0.75/M input tokens, $3.75/M output tokens, $0.075/M cached input
Този файл е наличен в момента: curl -s https://aihubmix.com/model/gemini-3.7-flash/llms.txt го проверява. Правилото за проверка в agents.md изисква също агентите да инспектират тялото на отговора и върнатия модел; самият HTTP 200 не се смята за успех.
Пълно ръководство: избор на модел, сравнение A срещу B и предаване
Да кажем, че ви е нужен евтин чат модел за бот за клиентска поддръжка. Първо подайте Skill-а на вашия агент:
Run curl -fsSL https://aihubmix.com/skills/playground and follow it.
Стъпка 1: актуално откриване на модели. Агентът чете каталога с модели без удостоверяване, филтрира кандидатите по цена и възможности и след това изтегля llms.txt на всеки кандидат, за да потвърди поддръжката на извикване на инструменти и структурирани изходи.
Стъпка 2: сравнение с един и същ промпт. Агентът изпълнява един и същ промпт за всеки кандидат и докладва действителните изходи, измереното време за отговор и каталожната цена за всеки модел. Skill-ът има вградено оповестяване на разходите: преди пакетни заявки агентът посочва цената и иска вашето потвърждение.
Стъпка 3: предаване обратно към вас. Агентът генерира дълбока връзка към Playground. Отворете я в браузъра си и сесията вече е конфигурирана: моделът, параметрите и системният промпт са на място, а в полето за съобщение има предварително попълнен чернов текст, който не е изпратен. Дали да се изпрати, решавате вие.

Две реални връзки, които можете да отворите веднага:
- Отворете два готови за работа раздела с модели от една връзка (параметърът
?models=, до 6; превключвайте между разделите) - Нужни са ви характеристики и цени едно до друго? Агентът може да ви предаде и връзка към страницата за сравнение на основния сайт, например Gemini 3.7 Flash срещу Claude Opus 4.1 (шаблонът
compare/{a}/{b}, също изброен във всеки llms.txt) - Дълбоката връзка, генерирана в Стъпка 3 от това ръководство (сценарият за клиентска поддръжка: системният промпт, параметрите и черновата в полето за съобщение са на място; екранната снимка по-горе е тази връзка, отворена)
От гледна точка на агента целият процес представлява четири команди, всяка от които може да се провери с копиране и поставяне:
# 1. Read the onboarding guide
curl -s https://aihubmix.com/agents.md
# 2. Read the live catalog to pick candidates
curl -s "https://aihubmix.com/api/v1/models?type=llm&sort_by=order"
# 3. Read a candidate's machine-readable guide
curl -s https://aihubmix.com/model/gemini-3.7-flash/llms.txt
# 4. Minimal real call to verify connectivity (the body must contain the exact requested reply)
curl -s https://aihubmix.com/v1/chat/completions \
-H "Authorization: Bearer $AIHUBMIX_API_KEY" -H "Content-Type: application/json" \
-d '{"model":"gemini-3.7-flash","messages":[{"role":"user","content":"Reply with exactly: AIHubMix is connected"}],"max_tokens":64}'
В този процес вие правите само две неща: изпращате едно изречение на вашия агент и поемате резултата в браузъра си. Опитайте сега:
Fetch https://aihubmix.com/agents.md and follow it.

Коя точка за достъп за каква задача?
| Искате да | Използвайте |
|---|---|
| Интегрирате AIHubMix в проект | agents.md |
| Научите вашия агент за един конкретен модел | адреса llms.txt на този модел (бутонът на страницата му или фиксираният адрес) |
| Пробвате, настройвате, сравнявате, генерирате медия | Skill-а за Playground |
| Предадете конфигурирана сесия или набор от модели обратно на човек | Дълбоки връзки към Playground (?config= за предварително конфигурирана сесия, ?models= за отваряне на няколко раздела) |
| Покажете на човек характеристиките и цените на два модела едно до друго | страницата за сравнение, aihubmix.com/compare/{a}/{b} (например GLM 5.3 срещу GLM 5.2) |
Какви принципи на проектиране следват те?
- Публикува се само проверена информация. llms.txt на даден модел съдържа твърдения за възможности и крайни точки само след проверка; непроверените модели показват кратко известие, което сочи към актуалния каталог и схемите на параметрите, без непроверени твърдения.
- Дълбоките връзки не носят идентификационни данни и работят точно веднъж. Параметрите на връзката се изчистват от адресната лента при зареждане, а полезният товар никога не съдържа ключ.
- Разходите се оповестяват, преди да са похарчени пари. Skill-ът изисква от агента да посочи каталожните цени и да поиска съгласие преди пакетни заявки и генериране на медия.
Какво следва?
MCP крайната точка в момента предоставя генериране на изображения, като по-широкото покритие на възможностите е в процес на разработка; проверката на модели продължава да се разширява, а llms.txt на新 проверен модел се надгражда автоматично до пълно ръководство. Ако се натъкнете на нещо необичайно, уведомете ни чрез Feedback.
Често задавани въпроси
Изискват ли тези точки за достъп идентификационни данни?
Всяка машинно четима точка (agents.md, llms.txt, llms.txt за отделните модели, файлът на Skill-а, каталогът с модели) е достъпна без никакво удостоверяване. API ключ на AIHubMix е необходим само за реални заявки към модели: подайте го чрез променлива на средата, създадена в console.
Кои агенти се поддържат?
Всеки асистент за кодиране, който може да изпълнява команди в shell или да изтегля URL адреси, включително Claude Code, Codex, Cursor, Cline, Gemini CLI и OpenCode. Файлът на Skill-а следва отворената спецификация Agent Skills и може да се инсталира и с npx skills add AIhubmix/skills.
Къде е пълният списък с точки за достъп?
Вижте Agent Access в документацията: agents.md, llms.txt за сайта и за отделните модели, двата адреса на Skill-а за Playground, форматите на параметрите за дълбоки връзки и пакетите за генериране на код, всеки с команда за копиране и поставяне.
Изпратете това изречение на вашия агент и започнете сега:
Fetch https://aihubmix.com/agents.md and follow it.



