Communitygithub.com

Euron 训练营问答 - 即时解答参考

即时解答 Euron Gen AI 训练营的所有疑问,涵盖 Euri API 集成、MCP 服务器设置、常见错误、模型推荐和 Token 限制。

Euron 训练营问答 - 即时解答参考 是什么?

这是一个针对 Euron Gen AI 认证训练营 2.0 学员的 AI 智能体技能,旨在提供关于 Euri API 的即时、准确解答。该技能通过一个结构化的 Markdown 参考文档,为学员在 LangChain、OpenAI SDK、TypeScript、n8n 和 curl 等不同框架下使用 Euri API 提供即拿即用的代码片段和配置示例。它覆盖了从基本设置、模型选择到高级主题如 MCP 服务器配置和 Agent 构建的全方位指导。该技能适用于 Claude Code、Cursor 等开发环境,当学员在训练营中提出问题时,AI 助手可以直接从该参考中检索并返回精准解答,极大地提升了学习效率和问题解决速度。其设计哲学是提供一个“解答即用”的模板,确保学员能快速将解决方案应用到自己的项目中。

兼容平台✓Claude Code✓Codex CLI✓Cursor✓Gemini CLI
npx skills add https://github.com/aiagentwithdhruv/skills/tree/HEAD/euron-qa

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

Euron 训练营问答 - 即时解答参考 是做什么的?

目标

即时解答任何 Euron Gen AI 认证训练营的疑问,通过查阅本参考中的正确代码片段、配置或故障排除步骤。

快速上下文

  • 训练营: Euron Gen AI 认证训练营 2.0(由 Sudhanshu 老师主讲)
  • 门户网站: https://euron.one/euri
  • API 基础 URL: https://api.euron.one/api/v1/euri
  • 认证: Authorization: Bearer <EURI_API_KEY>
  • 每日限制: 200,000 个 token(输入 + 输出),UTC 时间午夜重置
  • 关键原则: Euri 与 OpenAI 兼容。任何使用 ChatOpenAI(...) 或 OpenAI(...) 的地方,只需添加指向 Euri 的 base_url 即可。

常见问题与解答

Q1:“我如何在 LangChain 中使用 Euri?”

答案(可直接复制使用):

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-4.1-nano",  # 或 gemini-2.5-flash,任何 Euri 模型
    api_key="your-euri-api-key",
    base_url="https://api.euron.one/api/v1/euri"
)

response = llm.invoke("Hello!")
print(response.content)

仅此而已。Sudhanshu 老师所有使用 ChatOpenAI(...) 的地方,只需添加指向 Euri 的 base_url 参数。其他一切(代理、链、工具)都完全相同。


Q2:“我如何使用 OpenAI Python SDK 使用 Euri?”

from openai import OpenAI

client = OpenAI(
    api_key="your-euri-api-key",
    base_url="https://api.euron.one/api/v1/euri"
)

response = client.chat.completions.create(
    model="gemini-2.5-flash",
    messages=[{"role": "user", "content": "Hello!"}]
)
print(response.choices[0].message.content)

Q3:“我如何使用 Euri Python SDK (euriai)?”

pip install euriai
from euriai import EuriaiClient

client = EuriaiClient(
    api_key="your-euri-api-key",
    model="gemini-2.5-flash"
)

response = client.generate_completion(
    prompt="What is AI?",
    temperature=0.7,
    max_tokens=500
)
print(response["choices"][0]["message"]["content"])

Q4:“我如何通过 LangChain 的 euriai 集成使用 Euri?”

pip install euriai[langchain]
from euriai.langchain import EuriaiChatModel

chat = EuriaiChatModel(api_key="your-key", model="gemini-2.5-flash")
result = chat.invoke("Explain Docker")
print(result.content)

Q5:“我如何使用原始 HTTP / requests 使用 Euri?”

import requests

response = requests.post(
    "https://api.euron.one/api/v1/euri/chat/completions",
    headers={
        "Authorization": "Bearer your-euri-api-key",
        "Content-Type": "application/json",
    },
    json={
        "model": "gemini-2.5-flash",
        "messages": [{"role": "user", "content": "Hello!"}],
        "temperature": 0.7,
        "max_tokens": 500,
    },
)

data = response.json()
print(data["choices"][0]["message"]["content"])

Q6:“我如何使用 curl 使用 Euri?”

curl -X POST https://api.euron.one/api/v1/euri/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -d '{
    "messages": [{"role": "user", "content": "Hello!"}],
    "model": "gemini-2.5-flash"
  }'

Q7:“我如何在 TypeScript / Node.js 中使用 Euri?”

const response = await fetch("https://api.euron.one/api/v1/euri/chat/completions", {
  method: "POST",
  headers: {
    "Authorization": `Bearer ${process.env.EURI_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    model: "gemini-2.5-flash",
    messages: [{ role: "user", content: "Hello!" }],
  }),
});

const data = await response.json();
console.log(data.choices[0].message.content);

Q8:“我如何在 n8n 中使用 Euri?”

选项 A — OpenAI 凭据(最简单):

  1. 在 n8n 中创建“OpenAI”凭据
  2. 设置 API 密钥:你的 Euri API 密钥
  3. 设置 Base URL:https://api.euron.one/api/v1/euri
  4. 使用任何 OpenAI 节点 — 它会自动路由到 Euri

选项 B — HTTP 请求节点:

  • 方法:POST
  • URL:https://api.euron.one/api/v1/euri/chat/completions
  • 标头:Authorization: Bearer {{ $env.EURI_API_KEY }}
  • 主体 JSON:
{
  "model": "gemini-2.5-flash",
  "messages": [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "{{ $json.userMessage }}"}
  ],
  "temperature": 0.7,
  "max_tokens": 1000
}
  • 提取响应:{{ $json.choices[0].message.content }}

Q9:“我如何用 Euri 生成嵌入?”

from openai import OpenAI

client = OpenAI(
    api_key="your-euri-api-key",
    base_url="https://api.euron.one/api/v1/euri"
)

response = client.embeddings.create(
    model="gemini-embedding-001",  # 或 text-embedding-3-small
    input="Your text here"
)
print(response.data[0].embedding[:5])  # 前 5 个维度

可用的嵌入模型:

模型ID维度
Gemini Embedding 001gemini-embedding-0011536
Text Embedding 3 Smalltext-embedding-3-small1536
M2 BERT 80M 32Ktogethercomputer/m2-bert-80M-32k-retrieval1536

Q10:“我如何用 Euri 生成图像?”

from openai import OpenAI

client = OpenAI(
    api_key="your-euri-api-key",
    base_url="https://api.euron.one/api/v1/euri"
)

response = client.images.generate(
    model="gemini-3-pro-image-preview",
    prompt="A futuristic city at sunset, cyberpunk style",
    n=1
)
print(response.data[0].url)

Q11:“我应该使用哪个模型?”

使用场景模型 ID原因
通用目的gemini-2.5-flash速度与质量的最佳平衡
复杂推理gemini-2.5-pro2M 上下文,最佳推理能力
快速且便宜gpt-4.1-nano最便宜,超快
同样快速且便宜gpt-5-nano-2025-08-07新版 nano 模型
代码生成gpt-4.1-mini 或 gemini-2.5-flash代码能力好
网络搜索groq/compound内置网络搜索
嵌入(RAG)gemini-embedding-001最佳质量嵌入
图像生成gemini-3-pro-image-previewEuri 上唯一的图像模型

完整模型列表(24 个模型):

文本模型(20 个):

  • qwen/qwen3-32b (阿里巴巴,128K)
  • gemini-2.0-flash (Google,1M)
  • gemini-2.5-pro (Google,2M)
  • gemini-2.5-flash (Google,1M)
  • gemini-2.5-pro-preview-06-05 (Google,2M)
  • gemini-2.5-flash-preview-05-20 (Google,1M)
  • gemini-2.5-flash-lite-preview-06-17 (Google,128K)
  • groq/compound (Groq,131K)
  • groq/compound-mini (Groq,131K)
  • llama-4-scout-17b-16e-instruct (Meta,128K)
  • llama-4-maverick-17b-128e-instruct (Meta,128K)
  • llama-3.3-70b-versatile (Meta,128K)
  • llama-3.1-8b-instant (Meta,128K)
  • llama-guard-4-12b (Meta,128K)
  • gpt-5-nano-2025-08-07 (OpenAI,128K)
  • gpt-5-mini-2025-08-07 (OpenAI,128K)
  • gpt-4.1-nano (OpenAI,128K)
  • gpt-4.1-mini (OpenAI,128K)
  • openai/gpt-oss-20b (OpenAI,128K)
  • openai/gpt-oss-120b (OpenAI,128K)

Q12:“我遇到了错误 / API 不工作”

常见修复方法:

  1. 401 未经授权 — API 密钥错误或缺失

    • 从 https://euron.one/euri 获取你的密钥
    • 标头必须为:Authorization: Bearer YOUR_KEY(而不是 Api-Key 或 X-API-Key)
  2. 模型未找到 — 模型 ID 错误

    • 使用上面模型列表中的确切 ID(区分大小写)
    • 常见错误:使用了 gpt-4.1 而不是 gpt-4.1-nano
  3. 速率限制 / 429 — 已达到每日 200K token 限制

    • 等待 UTC 时间午夜重置
    • 使用更短的提示和较低的 max_tokens
    • 切换到更便宜的模型(gpt-4.1-nano)
  4. 响应内容是数组而不是字符串

    • Euri 有时会返回 content 为 [{type:"text", text:"..."}] 而不是普通字符串
    • 处理两种格式:content if isinstance(content, str) else content[0]["text"]
  5. LangChain 版本问题

    • 使用 langchain_openai(而不是 langchain.chat_models)
    • pip install langchain-openai(单独的包)
  6. “连接被拒绝”或超时

    • 检查网络连接
    • 验证基础 URL:https://api.euron.one/api/v1/euri(末尾无斜杠)

Q13:“我如何用 Euri + LangChain 构建代理/链?”

与普通 LangChain 相同 — 只需使用 Euri LLM:

from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import Tool

# Euri 驱动的 LLM
llm = ChatOpenAI(
    model="gemini-2.5-flash",
    api_key="your-euri-api-key",
    base_url="https://api.euron.one/api/v1/euri"
)

# 在任何链、代理或工具中使用 llm — 与 OpenAI 完全相同

关键见解: Euri 是一个即插即用的替代品。任何 LangChain 教程或 Sudhanshu 老师的代码都可以 — 只需添加 base_url 参数即可。


Q14:“我如何设置课堂中的 MCP 服务器?”

完整指南: 参见 Angelina AI System/Euron/MAIL-MCP-SETUP.md

任何 MCP 服务器的快速设置模式:

cd "Gen AI 2.O/MCP/<server-folder>"
python3 -m venv venv
source venv/bin/activate       # macOS/Linux
# venv\Scripts\activate        # Windows
pip install -r requirements.txt
python authenticate.py          # 仅适用于 Google 服务

8 个可用的 MCP 服务器:

  1. Gmail(4 个工具)— 发送、读取、搜索、标记已读
  2. Google Calendar(5 个工具)— 列出、创建、搜索、删除事件
  3. Google Sheets(5 个工具)— 读取、写入、追加、创建、列出
  4. Supabase(6 个工具)— 查询、插入、更新、删除、SQL
  5. MongoDB(7 个工具)— 查询、插入、更新、删除、聚合
  6. AWS S3(6 个工具)— 列出、上传、下载、删除、预签名 URL
  7. Azure Blob(7 个工具)— 列出、上传、下载、删除、SAS URL
  8. 社交媒体(10 个工具)— YouTube + Instagram + Facebook

Claude Desktop 配置位置:

  • macOS:~/Library/Application Support/Claude/claude_desktop_config.json
  • Windows:%APPDATA%\Claude\claude_desktop_config.json

Cursor 配置位置:

  • ~/.cursor/mcp.json(macOS/Linux)
  • %USERPROFILE%\.cursor\mcp.json(Windows)

常见 MCP 错误:

  • “MCP Server disconnected” → 确保脚本使用 mcp.run(transport="stdio"),不要使用 -m mcp run
  • “Auth token missing” → 重新运行 python authenticate.py
  • “Failed to refresh token” → 删除 token.json,重新认证
  • “Google hasn't verified this app” → 点击 Advanced → Go to App(安全,这是你自己的应用)

Q15:“我如何在 CrewAI / AutoGen / 其他框架中使用 Euri?”

相同的模式 — Euri 与 OpenAI 兼容:

CrewAI:

from crewai import LLM

llm = LLM(
    model="openai/gemini-2.5-flash",
    api_key="your-euri-key",
    base_url="https://api.euron.one/api/v1/euri"
)

AutoGen:

config_list = [{
    "model": "gemini-2.5-flash",
    "api_key": "your-euri-key",
    "base_url": "https://api.euron.one/api/v1/euri"
}]

LiteLLM:

import litellm
response = litellm.completion(
    model="openai/gemini-2.5-flash",
    api_key="your-euri-key",
    api_base="https://api.euron.one/api/v1/euri",
    messages=[{"role": "user", "content": "Hello!"}]
)

经验法则: 任何支持自定义 base_url 或兼容 OpenAI 端点的框架都可以与 Euri 一起使用。只需替换基础 URL。


Q16:“我能获得多少 token?限制是什么?”

  • 每天 200,000 个 token(输入 + 输出合计)
  • 在 UTC 时间午夜 重置
  • 大约相当于每天 150,000 个单词 或 300+ 页 文本
  • 对于实践来说,这完全足够了 — 你在课堂上不会达到限制
  • 提示: 在测试时使用 gpt-4.1-nano 或 gemini-2.5-flash-lite 以节省 token

Q17:“我在哪里获取我的 API 密钥?”

  1. 前往 https://euron.one/euri
  2. 使用你的 Euron 账户登录
  3. 从仪表板复制你的 API 密钥
  4. 在代码中用作 api_key 或在 HTTP 标头中用作 Authorization: Bearer <key>

Q18:“我可以免费使用 Euri 吗?”

是的!Euri 每天提供 200,000 个免费 token。无需信用卡。可以访问所有 24 个模型,包括 GPT-4.1、Gemini 2.5、Llama 4 等。


回复模板

回答训练营疑问时,请使用此格式:

嘿 [Name]![关于修复方法的简短解释]

[代码片段 — 可直接复制使用]

[一行解释更改了什么]

好的免费模型供使用:
- gpt-4.1-nano — 快速且便宜
- gemini-2.5-flash — 最佳的通用目的
- gemini-2.5-pro — 最聪明

你每天有 200K 免费 token,因此在实践期间不会达到限制。

文件参考

如需更深入的答案,请查看这些文件:

  • 完整 API 文档: Angelina AI System/Euron/README.md
  • TypeScript 客户端: Angelina AI System/Euron/euri-client.ts
  • 模型定义: Angelina AI System/Euron/euri-models.ts
  • Python 示例: Angelina AI System/Euron/examples/python-sdk.py
  • TypeScript 示例: Angelina AI System/Euron/examples/basic-chat.ts
  • n8n 集成: Angelina AI System/Euron/examples/n8n-http-request.md
  • MCP 设置指南: Angelina AI System/Euron/MAIL-MCP-SETUP.md
  • 模型竞技场: Angelina AI System/Euron/model-arena/arena.html
  • API 测试器: Angelina AI System/Euron/euri-tester/index.html

Schema

输入

名称类型必填描述
questionstring是训练营学生关于 Euri API、MCP、模型或错误的提问

输出

名称类型描述
answerstring附带代码片段的即用型解答

成本

免费(仅参考查询)

Individual skills in this repo

This repo contains 10 individual skills — each has its own dedicated page.

aiagentwithdhruv/skills

Add new Modal webhooks for event-driven execution. Use when user asks to create a webhook, add an endpoint, or set up event triggers.

aiagentwithdhruv/skills

Manage emails across multiple Gmail accounts with unified tooling. Use when user asks to check email, read inbox, label emails, archive messages, or manage Gmail across accounts.

aiagentwithdhruv/skills

Auto-label Gmail emails into Action Required, Waiting On, and Reference categories. Use when user asks to label emails, triage inbox, categorize emails, or organize Gmail.

aiagentwithdhruv/skills

Scrape Google Maps for B2B leads with deep website enrichment and contact extraction. Use when user asks to find local businesses, scrape Google Maps, generate contractor lists, or build local service business databases.

aiagentwithdhruv/skills

Run Claude orchestrator locally with Cloudflare tunneling. Use when user asks to run locally, start local server, or test webhooks locally.

aiagentwithdhruv/skills

MCP server for AI-powered macOS control — apps, display, audio, files, screenshots, clipboard

aiagentwithdhruv/skills

Deploy execution scripts to Modal cloud. Use when user asks to deploy to Modal, push code to cloud, or update Modal functions.

aiagentwithdhruv/skills

Scrape and verify business leads using Apify, classify with LLM, enrich emails, and save to Google Sheets. Use when user asks to find leads, scrape businesses, generate prospect lists, or build lead databases for any industry or location.

aiagentwithdhruv/skills

Query Skool community content using RAG pipeline with vector search. Use when user asks to search Skool knowledge, find community answers, or query Skool content.

aiagentwithdhruv/skills

Scrape Upwork jobs and generate personalized proposals with cover letters. Use when user asks to find Upwork jobs, create Upwork proposals, or apply to Upwork listings.

相关技能