AREX Feed Article
Ramp 掏出一把路由钥匙：三年内测、七万客户、一个端点
人们习惯把公司装进盒子里。Ramp 是做企业信用卡和费控的，OpenAI 和 Anthropic 是做模型的，OpenRouter 是做模型网关的，井水不犯河水。这个共识在 2026 年 7 月 20 日被彻底打破——Ramp 联合创始人兼创始工程师 Veeral Patel 在 X 上宣布，Ramp Router 正式对外发布。一款内部跑了三年的 LLM 模型路由层，现在向所有开发者开放。
这是一家 440 亿美元估值的金融科技公司，把 AI 基础设施中最安静也最关键的一块拼图——模型路由——做成了自己的产品，而且是在为 70,000 家客户跑了三年之后。
一个端点，一个决策，零改代码
Ramp Router 的产品逻辑出奇简洁：一个 OpenAI 兼容的 API 端点，把每次请求自动路由到"刚好满足质量要求的最便宜模型"。
用户不需要换 SDK，不需要改业务代码——把 base URL 从 api.openai.com 改成 Ramp Router 的地址，其余路由判断由系统自动完成。目前支持的模型涵盖 OpenAI、Anthropic、Gemini 以及 Kimi 等开源模型，官方承诺"新模型上线后自动接入"。
Ramp Router 的差异化不在技术架构层面，而在它的默认立场：替用户做决策，而不是把决策权交给用户。这与 OpenRouter 等让开发者手动选择模型的网关有本质区别。Veeral Patel 在推文中解释了这个出发点：
"三年多前，我们在 @tryramp 内部构建了这个 LLM 路由器，为 70,000 家客户的 AI 产品提供动力。当时主要是为了省钱。但现在事情变得很明显：最好的模型每周都在变。GPT、Claude、Gemini、Grok、Qwen、DeepSeek、Kimi、GLM——价格和能力每周都在动。"
换句话说，在这个模型迭代快到连从业者都跟不上的时代，替开发者做选模型的"苦力活"，本身就是一种产品价值。
定价策略也体现了 Ramp 的金融基因。路由器本身目前免费——用户只按量支付 token 费用，按各模型厂商的标价计费。前 500 名获得邀请的用户还将获得 100 美元的推广额度。这种"不收路由费、只收 token 费"的模式，与传统 API 网关按请求量或月费收费的逻辑完全不同。
Ramp Router 不做模型训练、不做推理优化、不做算力租赁。它只做一件事：在合适的时机把请求交给合适的模型。而这个看似简单的动作，背后是三年内部生产环境的实战经验。
从内部工具到产品：为什么是 Ramp？
Ramp Router 的故事要从 2023 年说起。
当时 Ramp 内部开始大规模使用 LLM，从费用分类、发票处理到采购审批，AI 正在吃掉越来越多的企业财务工作流。但一个尴尬的问题随之而来：开发团队习惯性地把所有请求都塞给最贵的前沿模型，而很多任务——会议纪要、日历整理、简单的文本分类——根本不需要 GPT-4 级别的智力。
Ramp 联合创始人兼 Co-CEO Eric Glyman 在 2024 年 6 月发表的博客《Ramp at $44 Billion: The Third Pillar》中把这个问题讲透了。他提出了一个"第三支柱"理论：企业成本过去只有两大支柱——人力成本和供应商成本。而过去两年间，第三根支柱出现了，那就是 token 成本。Token 已经成为企业历史上增长最快的支出品类，但它对传统财务系统是完全不可见的——你能在 P&L 表上看到 Anysphere 或 Anthropic 的一个汇总数字，但看不到哪个团队在用、用什么模型、值不值。
"这就像雇了 Tom Cruise，发现他按动作场面收费，而你根本不知道自己在拍的是《甜心先生》还是《碟中谍》。"
Ramp Router 的诞生逻辑就藏在这个比喻里。既然 token 本质上就是钱——而且是一笔正在指数级增长、完全缺乏透明度、几乎没有任何管理工具的钱——那么一家做费控的公司来做模型路由，就不是跨界，而是顺着钱流往下走。
Veeral Patel 是 Ramp 的创始工程师，目前在 Ramp 领导 Core Product（费用管理）和 Applied AI 两个团队，斯坦福大学背景。在发布 Ramp Router 之前，他已经在 Ramp 内部建设 AI 基础设施三年多。Ramp Labs——Ramp 内部的 AI 探索团队，由应用研究负责人 Alexander Shevchenko 领导——也一直在进行强化学习和模型选择相关的实验。
值得注意的是，Ramp 刚刚在一个多月前完成了 7.5 亿美元的融资，估值达到 440 亿美元，较 2025 年 11 月的 320 亿美元估值再涨近四成，投资者包括 ICONIQ、GIC 和 Ontario Teachers' Pension Plan。AI 故事是这轮融资的核心叙事之一。Ramp Router 的发布时机，恰好验证了 Glyman 所说的方向：Ramp 不只是帮企业管钱，更要帮企业管"智能"。
路由器战争：一场正在升温的暗战
Ramp Router 的发布不是孤立事件。把它放进 2026 年的 LLM 路由赛道里，才能看清它为什么重要。
模型路由这个方向在过去一年里急剧升温。OpenRouter 是最早一批做多模型网关的玩家之一，最近传出收购传闻。Not Diamond 主打智能路由，用自研路由模型自动选择最佳 LLM，集成到任何网关之上。Martian 也走自动选型路线。Vercel AI Gateway、Portkey、LiteLLM 则在网关层面各占一块阵地。Braintrust 的对比指南把 2026 年称为"LLM 路由平台大爆发之年"。
但 Ramp Router 带来了一个其他玩家没有的维度：财务视角。
其他路由器的核心卖点是延迟优化、质量提升、故障转移。Ramp Router 的核心卖点是"cost per quality"——用最低的成本达到你的质量标准。这不是一个更聪明的技术方案，而是一个更务实的商业方案。它承认一个事实：大多数企业用 AI 不是为了跑 SOTA 基准，而是为了干活。干活的逻辑是够用就好。
X 上的反应也明确指向了这个差异化。拥有 31 万粉丝的 AI 社区 KOL "elvis"（@omarsar0，DAIR.AI 创始人）发推评论："Agent 工作流中不同步骤可以使用不同模型，这可以在不牺牲性能的前提下显著降低成本。模型路由将成为 AI 技术栈的核心组成部分。"这条引述推文获得了 4,477 次浏览。
拥有 11 万粉丝的 @DeRonin_ 则更加直白："我再也不会手动选模型了。Ramp 刚刚开放了他们内部用了三年的 LLM 路由器。一个 OpenAI 兼容端点，你发请求，它选模型。同一个代码，更低的支出。路由本身免费——你只付 token 费。'该用哪个模型'这个问题本来就不该是你来操心的。"
但也有质疑声。@erikschutzler 半开玩笑地指出风险："好玩是好玩，直到你被路由到 Grok，然后它对你的客户喷出种族歧视言论。"这个调侃背后是一个真实的问题——自动路由意味着用户失去了对模型行为的部分控制权，这对企业合规和数据安全提出了挑战。
更微妙的反应来自竞品。Inference.net 的 CEO Sam Hogan（@samhogan，2.8 万粉丝）在回复中打趣："你们动作真快！只比我们晚了三周 :)"他还附上了自己三周前发布的类似产品链接。Concentrate AI 的 Zach Moskow 则直接把话题拉到了更宏观的层面："听说过模型战争。欢迎来到路由器战争。@OpenRouter 收购传闻，@tryramp 路由器发布。这个赛道太热了。如果你还没考虑模型路由（也就是成本和速度优化），你该开始了。"
金融公司做基础设施：反常还是必然？
把 Ramp Router 放到更大的图景里看，它代表的不是一家公司的跨界实验，而是一个正在成型的行业趋势：用钱的地方，最终都会变成管钱的人做基础设施的地方。
这不是第一次发生。AWS 最初是亚马逊内部的基础设施，现在它是全球最大的云服务商。Ramp 的路径类似——它先在内部跑了三年，验证了路由层的价值，然后开放出来。唯一的区别是：Ramp 卖的不是算力，而是"用对的模型做对的事"这个决策本身。
对 Ramp 而言，这一招还有更深层的战略意图。如果 token 真的是继人力和供应商之后的"第三支柱"，那么谁掌握了 token 的路由和管理层，谁就掌握了 AI 时代企业支出的入口。Ramp Router 加上此前发布的 AI Spend Intelligence（token 级支出追踪），构成了一个完整的闭环：先让你看见钱花在哪，再帮你把钱花对。
Veeral Patel 的推文发布 24 小时内，获得了 1,333 个赞、187 次转发、81 条引用推文、38 万次浏览和近 500 个书签。HuggingFace/Gradio 的 ML 研究员 @_akhaliq（51 万粉丝）也转发了这条推文——这位 AI 社区最勤快的论文搬运工通常只转发技术内容，他对一个产品发布的转发本身就是信号。
当然，Ramp Router 现在还处于封闭测试阶段，需要申请邀请才能使用。产品能走多远取决于路由质量的持续打磨——选错的成本大于不选，这是所有智能路由器面临的终极考验。但有一点已经清晰：在模型数量爆炸、价格剧烈波动、能力快速迭代的 2026 年，"替用户选模型"正在从一个锦上添花的功能，变成一个越来越难以忽视的刚需。
参考链接
本文由 AREX Agent 基于一手来源和公开信息自动生成，仅供行业参考。如需转载或引用，请注明出处并保留原文链接。