Developer di Tiongkok biasanya menghadapi tiga masalah yang sama saat mencoba menggunakan API AI luar negeri seperti Claude, GPT, atau lainnya:
- hambatan pembayaran, karena banyak penyedia resmi tidak mendukung Alipay atau WeChat Pay
- ketidakstabilan jaringan, karena akses langsung bisa tidak konsisten dari beberapa wilayah
- beban operasional, karena mengelola banyak akun luar negeri, key, dan dashboard penagihan menjadi rumit dengan cepat
Panduan ini membagi masalah tersebut menjadi tiga jalur praktis, dari opsi yang paling sederhana hingga yang paling fleksibel.
Jika Anda sudah tahu bahwa Anda menginginkan jalur migrasi yang kompatibel dengan OpenAI, baca panduan migrasi 5 menit berikutnya. Jika Anda sedang membandingkan platform dan bukan sekadar mencoba membuka blokir akses, perbandingan harga dan perbandingan OpenRouter adalah dua halaman yang layak untuk tetap dibuka di tab sebelah.
Opsi 1: Gunakan API aggregator AI
Bagi sebagian besar tim, ini adalah jalur tercepat.
Sebuah API aggregator menjalankan integrasi upstream untuk Anda. Alih-alih mengelola akun terpisah untuk OpenAI, Anthropic, dan Google, Anda berintegrasi dengan satu endpoint dan satu API key.
Mengapa tim memilih rute ini
- Pembayaran RMB melalui Alipay atau WeChat Pay
- satu API key untuk 300+ model
- Akses yang kompatibel dengan OpenAI untuk migrasi lebih cepat
- kapasitas fallback saat satu upstream bermasalah
- penagihan dan pelacakan penggunaan yang lebih sederhana
Alur integrasi tipikal
- Buat akun dan buat API key
- Ganti
base_urldanapi_keydi integrasi Anda yang sudah ada - Biarkan sisa kode yang kompatibel dengan OpenAI tidak berubah
from openai import OpenAI
client = OpenAI(
api_key="sk-lemon-xxx",
base_url="https://api.lemondata.cc/v1"
)
# Panggil GPT-4.1
response = client.chat.completions.create(
model="gpt-4.1",
messages=[{"role": "user", "content": "Hello"}]
)
# Panggil Claude Sonnet 4.6 dengan key yang sama
response = client.chat.completions.create(
model="claude-sonnet-4-6",
messages=[{"role": "user", "content": "Hello"}]
)
Jika Anda membutuhkan protokol native Anthropic
Jika workflow Anda bergantung pada fitur native Claude, seperti extended thinking atau prompt caching, Anda tetap dapat menggunakan SDK native Anthropic:
from anthropic import Anthropic
client = Anthropic(
api_key="sk-lemon-xxx",
base_url="https://api.lemondata.cc"
)
response = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=1024,
messages=[{"role": "user", "content": "Analyze the performance bottlenecks in this code"}]
)
Perbandingan biaya
Untuk tim yang menghabiskan sekitar $50/bulan untuk penggunaan API:
| Jalur | Perkiraan biaya RMB | Catatan |
|---|---|---|
| OpenAI resmi + Visa | ~¥380 | termasuk biaya transaksi luar negeri |
| Anthropic resmi + Visa | ~¥380 | struktur biaya serupa |
| API aggregator + Alipay | ~¥365 | pembayaran RMB langsung |
Perbedaan absolut per bulan mungkin tidak terlihat dramatis. Perbedaan operasional biasanya lebih besar: satu akun, satu permukaan penagihan, dan satu titik integrasi.
Apa yang perlu diverifikasi sebelum memilih aggregator
Jangan berhenti di "ini berfungsi di curl." Periksa detail operasionalnya:
- apakah ID model tetap mendekati nama resmi
- apakah streaming berfungsi melalui endpoint yang sama
- apakah fitur native Claude dan Gemini tersedia saat Anda membutuhkannya
- apakah ID request, header rate-limit, dan data penagihan cukup terlihat untuk debugging
- apakah metode pembayaran pilihan Anda benar-benar berfungsi untuk top-up berulang
Daftar periksa itu lebih penting daripada sedikit perbedaan harga utama.
Opsi 2: Gunakan API penyedia resmi secara langsung
Jika Anda sudah memiliki kartu kredit internasional dan akses jaringan yang stabil, pendaftaran langsung masih memungkinkan.
OpenAI
- Kunjungi platform.openai.com
- Buat akun
- Tambahkan kartu kredit
- Buat API key
Anthropic
- Kunjungi console.anthropic.com
- Buat akun
- Tambahkan kartu kredit
- Buat API key
Pertimbangan (Tradeoffs)
- kualitas jaringan mungkin bervariasi di setiap wilayah
- biaya transaksi luar negeri menambah beban kecil tapi terus-menerus
- setiap penyedia memiliki penagihan, rate limit, dan workflow dukungan yang terpisah
- aplikasi multi-penyedia sering kali berakhir dengan logika integrasi yang duplikat
Akses penyedia langsung tetap cocok jika tim Anda memiliki ketiga hal ini:
- infrastruktur pembayaran yang stabil untuk kartu internasional
- alasan untuk tetap dekat dengan platform native satu vendor
- waktu engineering internal untuk mengelola banyak integrasi jika stack Anda berkembang nantinya
Jika Anda tidak memiliki ketiganya, rute yang "secara teori lebih murah" sering kali menjadi lebih mahal dalam waktu engineering.
Opsi 3: Jalankan model open-source secara lokal
Jika privasi, kontrol biaya, atau eksperimen lebih penting daripada akses ke model tertutup frontier, deployment lokal adalah alternatif yang kuat.
Pilihan model umum
| Model | Parameter | Memori minimum | Cocok untuk |
|---|---|---|---|
| DeepSeek V3 | 671B (MoE) | diperlukan multi-GPU | model umum terbuka terkuat |
| Qwen 2.5 72B | 72B | 48GB | beban kerja berat bahasa Mandarin |
| Llama 3.3 70B | 70B | 48GB | tugas umum bahasa Inggris yang kuat |
| DeepSeek R1 distilled | 32B | 24GB | beban kerja berat penalaran |
Mulai cepat dengan Ollama
# Instal Ollama
curl -fsSL https://ollama.com/install.sh | sh
# Jalankan model
ollama run qwen2.5:32b
# Gunakan sebagai API yang kompatibel dengan OpenAI
curl http://localhost:11434/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"model":"qwen2.5:32b","messages":[{"role":"user","content":"Write quicksort in Python"}]}'
Panduan perangkat keras
- Perangkat keras kelas Mac Studio dapat menjalankan model terkuantisasi besar
- Memori 48GB cukup untuk banyak deployment kelas 70B
- Laptop 16GB biasanya terbatas pada model yang lebih kecil
Deployment lokal paling kuat ketika masalahnya adalah privasi, kerja offline, atau kontrol biaya deterministik. Ini lebih lemah ketika persyaratannya adalah "Saya butuh model coding atau penalaran frontier terbaik saat ini."
Bagi banyak tim di Tiongkok, arsitektur praktisnya adalah hibrida:
- model lokal atau regional untuk background job dan beban kerja yang sensitif terhadap privasi
- API frontier teragregasi untuk coding, penalaran, atau jalur premium yang menghadap pengguna
Pembagian itu menjaga biaya tetap dapat diprediksi tanpa memaksa setiap use case masuk ke satu stack.
Kerangka Keputusan
Jika Anda membutuhkan jalur tercepat ke produksi, mulailah dengan aggregator.
Jika Anda membutuhkan perilaku native vendor yang ketat dan sudah menyelesaikan masalah pembayaran + jaringan, API langsung tidak masalah.
Jika Anda membutuhkan privasi dan kepemilikan perangkat keras lebih dari sekadar kemampuan frontier, model lokal adalah pemenangnya.
Kesalahannya adalah mencoba menjawab ini sebagai pertanyaan teknis murni. Bagi sebagian besar tim, variabel penentunya adalah hambatan operasional:
- berapa banyak key yang perlu dikelola
- berapa banyak permukaan penagihan yang harus direkonsiliasi oleh bagian keuangan
- berapa banyak perbedaan protokol yang harus diserap oleh kode aplikasi Anda
- seberapa sering tim Anda harus melakukan debug perilaku spesifik penyedia
Itulah sebabnya "satu endpoint, satu key, banyak model" terus menang dalam praktiknya.
Integrasi alat
Cursor
Settings → Models → OpenAI API Key:
- API Key:
sk-lemon-xxx - Base URL:
https://api.lemondata.cc/v1
Continue (Ekstensi VS Code)
{
"models": [{
"title": "Claude Sonnet 4.6",
"provider": "openai",
"model": "claude-sonnet-4-6",
"apiBase": "https://api.lemondata.cc/v1",
"apiKey": "sk-lemon-xxx"
}]
}
LangChain
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="gpt-4.1",
api_key="sk-lemon-xxx",
base_url="https://api.lemondata.cc/v1"
)
Jika tim Anda bekerja di editor terlebih dahulu, panduan setup Cursor / Cline / Windsurf adalah langkah tercepat berikutnya setelah koneksi API dasar berfungsi.
FAQ
Bagaimana tim biasanya memilih di antara opsi-opsi ini?
Jika Anda membutuhkan model frontier dan hambatan operasional yang rendah, gunakan aggregator. Jika Anda membutuhkan kontrol vendor langsung dan sudah memiliki infrastruktur pembayaran, API resmi tidak masalah. Jika privasi atau biaya adalah kendala utama, model lokal lebih masuk akal.
Apakah aggregator selalu menambah latensi?
Tidak selalu. Bagi developer di Asia, aggregator regional dapat mengurangi hambatan operasional sehingga pengalaman pengguna secara keseluruhan meningkat, bahkan jika jalur request-nya satu hop lebih panjang.
Bisakah saya tetap melakukan streaming respons?
Ya. Streaming SSE standar tetap berfungsi, dan dukungan protokol native Anthropic juga menjaga delta thinking di mana gateway mengeksposnya.
Apakah nama model tetap sama?
Biasanya ya untuk model mainstream, tetapi jangan berasumsi setiap gateway menggunakan setiap konvensi penamaan vendor secara verbatim. Uji ID tepat yang akan digunakan kode Anda dan simpan allowlist kecil di konfigurasi aplikasi.
Buat API key di LemonData, uji satu panggilan yang kompatibel dengan OpenAI, satu panggilan native Claude jika Anda membutuhkannya, lalu pindahkan sisa stack Anda hanya setelah smoke test berhasil. Itu membuat migrasi menjadi membosankan, yang merupakan hal yang Anda inginkan.