Escolha como você quer usar o ModelRush

Integre o ModelRush ao projeto atual e faça diretamente as alterações de código necessárias. É uma tarefa de engenharia independente de qualquer marca de agente: inspecione o projeto primeiro e só então escolha a implementação que combina com a arquitetura dele.
​
Esta integração cobre todas as capacidades ativas do ModelRush: texto, código, imagem, vídeo e áudio. Não a implemente como uma integração apenas de LLM ou restrita a Chat Completions.
​
Configuração da chave de API (conclua antes de fazer qualquer requisição ao ModelRush):
1. Pergunte primeiro se a pessoa usuária já tem uma chave de API do ModelRush e verifique se MODELRUSH_API_KEY está configurada no ambiente do servidor. Confirme apenas a existência; nunca imprima nem registre o valor.
2. Se não estiver configurada, pause a integração da API e oriente a pessoa usuária a:
   - criar uma chave de API em https://modelrush.ai/dashboard/keys;
   - identificar ou criar o arquivo de ambiente de servidor correto e ignorado pelo Git que o projeto usa (por exemplo, .env.local) e adicionar um marcador MODELRUSH_API_KEY=;
   - colar a chave real nesse arquivo por conta própria; nunca peça que ela envie a chave pelo chat;
   - adicionar a mesma variável às variáveis de ambiente criptografadas ou às configurações de Secret da plataforma de deploy em produção, em vez de escrevê-la no código-fonte.
3. Só prossiga depois de confirmar que o servidor consegue ler a variável, sem imprimi-la no terminal, nos logs ou na resposta final. Se ela continuar ausente, interrompa todas as requisições autenticadas ou potencialmente cobradas e diga exatamente qual é o próximo passo.
​
Requisitos:
1. Inspecione a linguagem, o framework, o gerenciador de pacotes, a fronteira de servidor, as convenções de variáveis de ambiente e a camada de IA existente. Não suponha nada.
2. Use https://api.modelrush.ai/v1 como URL base da API. Leia a chave Bearer apenas da variável de ambiente de servidor MODELRUSH_API_KEY. Coloque somente marcadores nos arquivos de exemplo de ambiente e nunca exponha a chave real no código, nos logs, no Git ou em um bundle de cliente.
3. Chame GET /v1/models e GET /v1/regions primeiro. Use os model IDs, as modalidades, as operações, os limites e as regiões disponíveis retornados como fonte de verdade, junto com a documentação pública.
4. Projete o adaptador em torno de cada operação. Não presuma que todo modelo aceita mensagens de LLM ou devolve Chat Completions:
   - reaproveite um cliente compatível com OpenAI para as operações compatíveis de Chat, Embeddings ou Rerank;
   - use o esquema HTTP documentado de cada operação de imagem, vídeo, áudio e voz;
   - em mídia assíncrona, persista o Prediction ID, trate queued / processing / succeeded / failed / cancelled / expired e ofereça polling ou webhooks;
   - use /v1/uploads para entradas privadas em vez de tratar caminhos locais ou URLs públicas permanentes como desenho de produção.
5. Adicione novas tentativas com backoff exponencial limitado para falhas 429, 5xx e de tempo limite. Nunca repita indefinidamente envios não idempotentes.
6. Preserve os campos request_id, model, operation, region, status, usage e de cobrança quando existirem, para que as requisições continuem rastreáveis no painel.
7. Exponha um único ponto de entrada claro na camada de aplicação, preservando entradas, saídas e estados assíncronos específicos de cada modalidade. Não achate tudo em um tipo de LLM fictício.
8. Verifique a descoberta primeiro com o endpoint não cobrado GET /v1/models. Só execute um smoke test de geração cobrado após aprovação explícita.
9. Rode o lint, a checagem de tipos, os testes ou o build que o projeto já tiver.
​
Critérios de aceitação:
- O arquivo de exemplo de ambiente está atualizado e não contém nenhum segredo real.
- O escopo selecionado é descoberto e roteado a partir do Registry em produção, sem depender de nomes de agentes como Codex, Claude ou Cursor.
- Operações síncronas e assíncronas são tratadas separadamente, com erros e identificadores de requisição rastreáveis.
- A resposta final lista os arquivos alterados, os resultados de validação, as verificações cobradas que não foram executadas e os riscos restantes.
​
Documentação pública: https://modelrush.ai/docs