Sag deinem Agenten einen Satz, erhalte 800+ Modelle

Tl;dr AIHubMix liefert jetzt eine Reihe von agentenlesbaren Zugriffsmöglichkeiten: Dein Programmieragent kann Modelle entdecken, Aufrufe generieren und diese selbst überprüfen, um dir dann eine vorkonfigurierte Playground-Sitzung zurückzugeben. Der Einstieg erfolgt mit einem Satz an deinen Agenten: Fetch https://aihubmix.com/agents.md und folge ihm. Die vollständige Liste der Einstiegspunkte findest du in den Agent Access Dokumenten.

Immer mehr Entwickler führen ihre agentischen Workflows über Programmieragenten wie Claude Code, Codex und Cursor aus: Modelle auswählen, Aufrufe schreiben und Parameter anpassen werden alles delegiert. Das AIHubMix AI-Gateway stellt über einen API-Schlüssel 800+ Modelle über vier Übertragungsprotokolle zur Verfügung, einschließlich OpenAI-kompatibler Endpunkte, und dieses Release ermöglicht es deinem Agenten, alles direkt zu lesen.

Was wurde veröffentlicht?

• agents.md: ein Einarbeitungsleitfaden, der für Agenten zum Ausführen geschrieben wurde und wichtige Überprüfungen, die Entdeckung von Live-Modellen, pro-Protokoll-Aufrufe, End-to-End-Überprüfung und Fehlersuche abdeckt.
• Pro-Modell llms.txt: 850+ Modelle, jedes mit einem maschinenlesbaren Integrationsleitfaden an einer festen Adresse (https://aihubmix.com/model/{model_id}/llms.txt); der llms.txt Chip auf jeder Modellseite verlinkt direkt dorthin.
• Playground Skill und Übergabelinks: die Fähigkeit übergibt deinem Agenten Test, Anpassung, Vergleich und Medienerzeugung; Deep Links ermöglichen es dem Agenten, eine vorkonfigurierte Sitzung zurück an deinen Browser zu übergeben, und der ?models= Parameter öffnet bis zu 6 sofort einsatzbereite Modell-Tabs von einem Link aus.

Warum benötigen Agenten maschinenlesbaren Zugriff?

Wenn ein Agent Modell-IDs, Preise und Parameter aus seinem Trainingsgedächtnis errät, tendieren die erzeugten Aufrufe dazu, zu scheitern: veraltete ID-Schreibweisen, nicht unterstützte Parameter, veraltete Preise. Maschinenlesbare Oberflächen geben dem Agenten diese Informationen live und strukturiert. Nimm die llms.txt für gemini-3.7-flash: ein Abruf gibt einem Agenten jede Tatsache, die er benötigt, um einen korrekten Aufruf zu generieren:

- Entwickler: Google
- Kontextfenster: 1.048.576 Tokens
- Eingabemodalitäten: Text, Bild, Audio, Video
- Fähigkeiten: Denken, Streaming, Toolaufruf, Websuche, URL-Kontext,
  Code-Interpreter, Computerbenutzung, Dateisuche, strukturierte Ausgaben, Prompt-Caching
- Preise: $0.75/M Eingabetokens, $3.75/M Ausgabetokens, $0.075/M zwischengespeicherte Eingabe

Diese Datei ist jetzt live: curl -s https://aihubmix.com/model/gemini-3.7-flash/llms.txt überprüft dies. Die Überprüfungsregel in agents.md verlangt auch, dass Agenten den Antwortinhalt und das wiedergegebene Modell inspizieren; ein HTTP 200 allein zählt nicht als Erfolg.

Eine vollständige Anleitung: Modellauswahl, A vs B Vergleich und Übergabe

Angenommen, du benötigst ein kostengünstiges Chat-Modell für einen Kundenservice-Bot. Übergebe zuerst die Fähigkeit an deinen Agenten:

Run curl -fsSL https://aihubmix.com/skills/playground und folge ihm.

Schritt 1: Live-Modellentdeckung. Der Agent liest den Katalog der Modelle ohne Authentifizierung, filtert Kandidaten nach Preis und Fähigkeit und ruft dann die llms.txt jedes Kandidaten ab, um die Unterstützung für Toolaufrufe und strukturierte Ausgaben zu bestätigen.

Schritt 2: Vergleich mit demselben Prompt. Der Agent führt denselben Prompt gegen jeden Kandidaten aus und berichtet über die tatsächlichen Ausgaben, gemessene Latenz und Katalogpreise pro Modell. Die Fähigkeit hat eine Kostenoffenlegung eingebaut: Vor Batch-Aufrufen gibt der Agent den Preis an und fragt nach deinem Einverständnis.

Schritt 3: Gib es zurück an dich. Der Agent generiert einen Deep Link für den Playground. Öffne ihn in deinem Browser und die Sitzung ist bereits konfiguriert: Modell, Parameter und Systemprompt sind vorhanden, mit einem Entwurf, der im Composer vorausgefüllt, aber nicht gesendet ist. Ob es ausgeführt wird, liegt an dir.

Zwei echte Links, die du jetzt öffnen kannst:

• Öffne zwei sofort einsatzbereite Modell-Tabs von einem Link (der ?models= Parameter, bis zu 6; zwischen den Tabs wechseln)
• Benötigst du Spezifikationen und Preise nebeneinander? Der Agent kann auch einen Hauptseitenvergleichslink übergeben, wie Gemini 3.7 Flash vs Claude Opus 4.1 (das compare/{a}/{b} Muster, ebenfalls in jeder llms.txt aufgeführt)
• Der Deep Link, der durch Schritt 3 dieser Anleitung erzeugt wurde (das Kundenservice-Szenario: Systemprompt, Parameter und Composer-Entwurf sind alle vorhanden; der Screenshot oben ist dieser Link geöffnet)

Aus der Sicht des Agenten besteht der gesamte Ablauf aus vier Befehlen, die jeweils copy-paste-verifiziert werden können:

# 1. Lies den Einarbeitungsleitfaden
curl -s https://aihubmix.com/agents.md
# 2. Lies den Live-Katalog, um Kandidaten auszuwählen
curl -s "https://aihubmix.com/api/v1/models?type=llm&sort_by=order"
# 3. Lies den maschinenlesbaren Leitfaden eines Kandidaten
curl -s https://aihubmix.com/model/gemini-3.7-flash/llms.txt
# 4. Minimaler echter Aufruf zur Überprüfung der Konnektivität (der Inhalt muss die exakt angeforderte Antwort enthalten)
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":"Antworte genau mit: AIHubMix ist verbunden"}],"max_tokens":64}'

Du machst in diesem Ablauf genau zwei Dinge: sendest einen Satz an deinen Agenten und übernimmst das Ergebnis in deinem Browser. Probiere es jetzt aus:

Fetch https://aihubmix.com/agents.md und folge ihm.

Welcher Einstiegspunkt für welchen Job?

Welche Designprinzipien folgen diese?

• Nur verifizierte Informationen werden veröffentlicht. Eine Modell-llms.txt enthält Fähigkeiten und Endpunktansprüche nur nach der Verifizierung; Modelle, die noch nicht verifiziert sind, zeigen eine kurze Mitteilung, die auf den Live-Katalog und die Parameterschemas verweist, ohne unbestätigte Ansprüche.
• Deep Links enthalten keine Anmeldeinformationen und funktionieren genau einmal. Linkparameter werden beim Laden aus der Adressleiste entfernt, und die Nutzlast enthält niemals einen Schlüssel.
• Kosten werden offengelegt, bevor Geld ausgegeben wird. Die Fähigkeit verlangt vom Agenten, die Katalogpreise anzugeben und um Zustimmung zu bitten, bevor Batch-Aufrufe und Medien generiert werden.

Was kommt als Nächstes?

Der MCP-Endpunkt bietet derzeit Bildgenerierung, mit einer breiteren Abdeckung der Fähigkeiten in Arbeit; die Modellverifizierung wird weiter ausgebaut, und die llms.txt eines neu verifizierten Modells wird automatisch auf einen vollständigen Leitfaden aktualisiert. Wenn du auf etwas Seltsames stößt, teile es uns über Feedback mit.

FAQ

Benötigen diese Einstiegspunkte Anmeldeinformationen?

Jede maschinenlesbare Oberfläche (agents.md, llms.txt, pro-Modell llms.txt, die Skill-Datei, der Modellkatalog) ist ohne Authentifizierung lesbar. Ein AIHubMix API-Schlüssel wird nur für echte Modellaufrufe benötigt: übergebe ihn durch eine Umgebungsvariable, die im Konsolen erstellt wurde.

Welche Agenten werden unterstützt?

Jeder Programmierassistent, der Shell-Befehle ausführen oder URLs abrufen kann, einschließlich Claude Code, Codex, Cursor, Cline, Gemini CLI und OpenCode. Die Skill-Datei folgt der offenen Agent Skills-Spezifikation und kann auch mit npx skills add AIhubmix/skills installiert werden.

Wo ist die vollständige Liste der Einstiegspunkte?

Siehe Agent Access in den Dokumenten: agents.md, Seiten- und pro-Modell llms.txt, beide Playground Skill-Adressen, Formate für Deep Link-Parameter und die Code-Generierungspakete, jeweils mit einem copy-paste-Befehl.

Schicke diesen Satz an deinen Agenten und starte jetzt:

Fetch https://aihubmix.com/agents.md und folge ihm.