Tl;dr AIHubMix bietet jetzt eine Reihe agent-lesbarer Zugriffspunkte: Dein Coding-Agent kann Modelle finden, Aufrufe erzeugen und sie eigenständig verifizieren und dir anschließend eine vorkonfigurierte Playground-Sitzung übergeben. Der Einstieg besteht aus einem Satz an deinen Agenten: Fetch https://aihubmix.com/agents.md and follow it. Die vollständige Liste der Einstiegspunkte findest du in der Agent-Access-Dokumentation.
Immer mehr Entwickler steuern ihre agentischen Workflows über Coding-Agenten wie Claude Code, Codex und Cursor: Die Auswahl von Modellen, das Schreiben von Aufrufen und das Anpassen von Parametern wird delegiert. Das AIHubMix AI Gateway stellt 800+ Modelle hinter einem einzigen API-Schlüssel über vier Wire-Protokolle bereit, einschließlich OpenAI-kompatibler Endpunkte, und mit diesem Release kann dein Agent all das direkt auslesen.
Was wurde ausgeliefert?
- agents.md: ein Onboarding-Leitfaden, der für die Ausführung durch Agenten geschrieben ist und Schlüsselprüfungen, Live-Modellerkennung, Aufrufe pro Protokoll, End-to-End-Verifizierung und Fehlerbehebung abdeckt.
- llms.txt pro Modell: 850+ Modelle, jeweils mit einem maschinenlesbaren Integrationsleitfaden unter einer festen Adresse (
https://aihubmix.com/model/{model_id}/llms.txt); derllms.txt-Chip auf jeder Modellseite verlinkt direkt darauf. - Playground-Skill und Übergabe-Links: Der Skill übergibt Testen, Feinabstimmung, Vergleich und Medienerzeugung an deinen Agenten; Deep Links erlauben es dem Agenten, eine vorkonfigurierte Sitzung an deinen Browser zurückzugeben, und der Parameter
?models=öffnet über einen einzigen Link bis zu 6 sofort einsatzbereite Modell-Tabs.
Warum brauchen Agenten maschinenlesbaren Zugriff?
Wenn ein Agent Modell-IDs, Preise und Parameter aus seinem Trainingswissen errät, schlagen die daraus erzeugten Aufrufe oft fehl: veraltete ID-Schreibweisen, nicht unterstützte Parameter, überholte Preise. Maschinenlesbare Schnittstellen liefern dem Agenten diese Informationen live und strukturiert. Nimm die llms.txt für gemini-3.7-flash: Ein einziger Abruf liefert dem Agenten alle Fakten, die er für einen korrekten Aufruf braucht:
- 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
Diese Datei ist bereits jetzt live: curl -s https://aihubmix.com/model/gemini-3.7-flash/llms.txt prüft sie. Die Verifizierungsregel in agents.md verlangt außerdem, dass Agenten den Antwortinhalt und das zurückgegebene Modell prüfen; ein HTTP 200 allein gilt nicht als Erfolg.
Eine vollständige Anleitung: Modellauswahl, A-vs.-B-Vergleich und Übergabe
Angenommen, du brauchst ein kostengünstiges Chat-Modell für einen Kundensupport-Bot. Übergib zuerst den Skill an deinen Agenten:
Run curl -fsSL https://aihubmix.com/skills/playground and follow it.
Schritt 1: Live-Modellerkennung. Der Agent liest den Modellkatalog ohne Authentifizierung, filtert Kandidaten nach Preis und Fähigkeiten und ruft dann die llms.txt jedes Kandidaten ab, um die Unterstützung für Tool Calling und strukturierte Ausgaben zu bestätigen.
Schritt 2: Vergleich mit demselben Prompt. Der Agent führt denselben Prompt bei jedem Kandidaten aus und meldet die tatsächlichen Ausgaben, die gemessene Latenz und die Katalogpreise pro Modell. Der Skill enthält eine eingebaute Kostenangabe: Vor Batch-Aufrufen nennt der Agent den Preis und bittet dich um deine Zustimmung.
Schritt 3: Zurück an dich. Der Agent erzeugt einen Playground-Deep-Link. Öffnest du ihn im Browser, ist die Sitzung bereits konfiguriert: Modell, Parameter und System-Prompt sind gesetzt, und ein Entwurf steht vorausgefüllt im Eingabefeld, wird aber nicht gesendet. Ob er abgeschickt wird, entscheidest du.

Zwei echte Links, die du jetzt direkt öffnen kannst:
- Zwei sofort einsatzbereite Modell-Tabs über einen Link öffnen (der Parameter
?models=, bis zu 6; zwischen den Tabs wechseln) - Brauchst du Spezifikationen und Preise nebeneinander? Der Agent kann auch einen Vergleichslink der Hauptseite übergeben, etwa Gemini 3.7 Flash vs Claude Opus 4.1 (das Muster
compare/{a}/{b}, das ebenfalls in jeder llms.txt aufgeführt ist) - Der Deep Link aus Schritt 3 dieser Anleitung (das Kundensupport-Szenario: System-Prompt, Parameter und Entwurf im Eingabefeld sind alle gesetzt; der Screenshot oben zeigt diesen geöffneten Link)
Aus Sicht des Agenten besteht der gesamte Ablauf aus vier Befehlen, die jeweils per Copy-and-Paste überprüfbar sind:
# 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}'
In diesem Ablauf tust du genau zwei Dinge: Du schickst deinem Agenten einen Satz und übernimmst das Ergebnis in deinem Browser. Probier es jetzt aus:
Fetch https://aihubmix.com/agents.md and follow it.

Welcher Einstiegspunkt für welche Aufgabe?
| Du möchtest | Verwende |
|---|---|
| AIHubMix in ein Projekt integrieren | agents.md |
| Deinem Agenten ein bestimmtes Modell beibringen | die llms.txt dieses Modells (der Chip auf seiner Seite oder die feste Adresse) |
| Testen, feinabstimmen, vergleichen, Medien erzeugen | der Playground-Skill |
| Eine konfigurierte Sitzung oder eine Gruppe von Modellen an einen Menschen zurückgeben | Playground-Deep-Links (?config= für eine vorkonfigurierte Sitzung, ?models= zum Öffnen mehrerer Tabs) |
| Einem Menschen die Spezifikationen und Preise zweier Modelle nebeneinander zeigen | die Vergleichsseite, aihubmix.com/compare/{a}/{b} (zum Beispiel GLM 5.3 vs GLM 5.2) |
Welchen Designprinzipien folgen diese?
- Nur verifizierte Informationen werden veröffentlicht. Die llms.txt eines Modells enthält Fähigkeits- und Endpunktangaben erst nach der Verifizierung; noch nicht verifizierte Modelle zeigen einen kurzen Hinweis, der auf den Live-Katalog und die Parameterschemata verweist, ohne unverifizierte Aussagen.
- Deep Links enthalten keine Zugangsdaten und funktionieren genau einmal. Die Link-Parameter werden beim Laden aus der Adressleiste entfernt, und die Nutzlast enthält nie einen Schlüssel.
- Kosten werden offengelegt, bevor Geld ausgegeben wird. Der Skill verpflichtet den Agenten, Katalogpreise zu nennen und vor Batch-Aufrufen und Medienerzeugung um Zustimmung zu bitten.
Wie geht es weiter?
Der MCP-Endpunkt bietet derzeit Bildgenerierung, eine breitere Abdeckung der Fähigkeiten ist in Arbeit; die Modellverifizierung wird laufend ausgebaut, und die llms.txt eines neu verifizierten Modells wird automatisch zu einem vollständigen Leitfaden aufgewertet. Falls dir etwas merkwürdig vorkommt, sag uns Bescheid über Feedback.
FAQ
Benötigen diese Einstiegspunkte Zugangsdaten?
Jede maschinenlesbare Schnittstelle (agents.md, llms.txt, llms.txt pro Modell, die Skill-Datei, der Modellkatalog) ist ohne jede Authentifizierung lesbar. Ein AIHubMix-API-Schlüssel wird nur für echte Modellaufrufe benötigt: Übergib ihn über eine Umgebungsvariable; du erstellst ihn in der Konsole.
Welche Agenten werden unterstützt?
Jeder Coding-Assistent, der Shell-Befehle ausführen oder URLs abrufen kann, darunter Claude Code, Codex, Cursor, Cline, Gemini CLI und OpenCode. Die Skill-Datei folgt der offenen Agent-Skills-Spezifikation und kann außerdem mit npx skills add AIhubmix/skills installiert werden.
Wo finde ich die vollständige Liste der Einstiegspunkte?
Siehe Agent Access in der Dokumentation: agents.md, Site- und llms.txt-Adressen pro Modell, beide Playground-Skill-Adressen, Formate der Deep-Link-Parameter und die Pakete zur Codegenerierung, jeweils mit einem Copy-and-Paste-Befehl.
Sende diesen Satz an deinen Agenten und leg jetzt los:
Fetch https://aihubmix.com/agents.md and follow it.



