واجهة LLM مجانية لـ RAG
يحتاج التوليد المعزز بالاسترجاع (RAG) إلى واجهتين: نموذج تضمين للعثور على النص المناسب، ونموذج دردشة لكتابة الإجابة. كلاهما متاح على المستويات المجانية. يقدم FreeLLMAPI مفتاحاً واحداً متوافقاً مع OpenAI لـ 41 من نماذج التضمين المجانية و487 من نماذج الدردشة المجانية، مع احتياط بين المزوّدين. يعرض هذا الدليل النماذج المجانية لكل خطوة، ومسار Python كامل.
تُعرض الشيفرة وأسماء النماذج وتسميات الكتالوج المباشر باللغة الإنجليزية.
مسار RAG على المستويات المجانية
| الخطوة | الواجهة | ما يجب الانتباه له في المستوى المجاني |
|---|---|---|
| 1. قسّم المستندات إلى مقاطع | لا شيء (كود محلي) | لا شيء |
| 2. ضمّن كل مقطع | /v1/embeddings | طلبات كثيرة في البداية. تسمح بعض مستويات التضمين المجانية بـ 10 طلبات في الدقيقة. |
| 3. ضمّن السؤال | /v1/embeddings | طلب واحد لكل سؤال |
| 4. اعثر على أفضل المقاطع | لا شيء (بحث متجهات محلي) | لا شيء |
| 5. أعد ترتيب المقاطع (اختياري) | /v1/chat/completions | طلب دردشة إضافي واحد لكل سؤال |
| 6. اكتب الإجابة | /v1/chat/completions | مطالبات كبيرة. تنطبق حدود الرموز في الدقيقة. |
الخطوة 2 هي الخطوة الأغلى. تنفذها مرة واحدة لكل مستند. احفظ المتجهات، ولاحقاً ضمّن المستندات الجديدة أو المتغيرة فقط.
ثبّت FreeLLMAPI وحزم Python
curl -fsSL https://freellmapi.co/install.sh | bash
python3 -m pip install -U openai numpy
export FREELLMAPI_API_KEY=<unified-key>اختر نموذج تضمين مجانياً
اختر عائلة تضمين واحدة واحتفظ بها للفهرس كله. لا تتوافق المتجهات الناتجة من نموذجين. يحميك FreeLLMAPI من المتجهات المختلطة: لا يغيّر احتياط التضمين النموذج أبداً. ينتقل فقط بين المزوّدين الذين يقدمون العائلة نفسها.
| النموذج | المزوّد | الأبعاد | أقصى مدخلات | الحد المجاني |
|---|---|---|---|---|
Gemini Embeddinggemini-embedding-001 | Google AI Studio | 3072 | 2048 | 100 rpm · 1K req/day |
Nemotron Embed VL 1Bnvidia/llama-nemotron-embed-vl-1b-v2 | NVIDIA NIM | 2048 | 8192 | ~40 rpm |
Nemotron 3 Embed 1B (OR free)nvidia/nemotron-3-embed-1b:free | OpenRouter | 2048 | 32768 | 20 rpm · shared free daily cap |
SEA-LION E5 Embedding 600Maisingapore/SEA-LION-E5-Embedding-600M | SEA-LION | 1024 | 8192 | free · 10 rpm |
SEA-LION ModernBERT Embedding 300Maisingapore/SEA-LION-ModernBERT-Embedding-300M | SEA-LION | 1024 | 8192 | free · 10 rpm |
SEA-LION ModernBERT Embedding 600Maisingapore/SEA-LION-ModernBERT-Embedding-600M | SEA-LION | 1024 | 8192 | free · 10 rpm |
BGE-M3@cf/baai/bge-m3 | Cloudflare Workers AI | 1024 | 8192 | 10K neurons/day (shared) |
EmbeddingGemma 300M@cf/google/embeddinggemma-300m | Cloudflare Workers AI | 768 | 2048 | 10K neurons/day (shared) |
Qwen3 Embedding 0.6B@cf/qwen/qwen3-embedding-0.6b | Cloudflare Workers AI | 1024 | 8192 | 10K neurons/day (shared) |
Cohere Embed v4embed-v4.0 | Cohere | 1536 | 128000 | 1K calls/mo (shared w/ chat) |
Gemini Embedding 2gemini-embedding-2 | Google AI Studio | 3072 | 8192 | free-tier rate limited |
Nemotron 3 Embed 1Bnvidia/nemotron-3-embed-1b | NVIDIA NIM | 2048 | 4096 | ~40 rpm |
PLaMo Embedding 1B (CF)@cf/pfnet/plamo-embedding-1b | Cloudflare Workers AI | 2048 | 4096 | 10K neurons/day (shared) |
BGE Small EN v1.5 (CF)@cf/baai/bge-small-en-v1.5 | Cloudflare Workers AI | 384 | 512 | 10K neurons/day (shared) |
BGE Base EN v1.5 (CF)@cf/baai/bge-base-en-v1.5 | Cloudflare Workers AI | 768 | 512 | 10K neurons/day (shared) |
BGE Large EN v1.5 (CF)@cf/baai/bge-large-en-v1.5 | Cloudflare Workers AI | 1024 | 512 | 10K neurons/day (shared) |
Mistral Embedmistral-embed | Mistral | 1024 | 8192 | free mode · monthly cap (shared) |
Codestral Embedcodestral-embed | Mistral | 1536 | 8192 | free mode · monthly cap (shared) |
Llama Text Embed v2 (Pinecone)llama-text-embed-v2 | Pinecone | 1024 | 2048 | 5M tokens/mo per model |
Multilingual E5 Large (Pinecone)multilingual-e5-large | Pinecone | 1024 | 507 | 5M tokens/mo per model |
Nemotron 3 Embed 1B (Speka)nvidia/nemotron-3-embed-1b | Speka | 2048 | 8192 | $1/month shared across Speka models |
OpenAI: Text Embedding 3 Small (ElectronHub)text-embedding-3-small | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
OpenAI: Text Embedding 3 Large (ElectronHub)text-embedding-3-large | ElectronHub | 3072 | 8192 | $0.25/week shared free credits |
Nemotron 3 Embed 8B (Inferbase)nvidia-nemotron-3-embed-8b | Inferbase | 4096 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 0.6B (Inferbase)qwen3-embedding-0-6b | Inferbase | 1024 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 4B (Inferbase)qwen3-embedding-4b | Inferbase | 2560 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 8B (Inferbase)qwen3-embedding-8b | Inferbase | 4096 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
LFM2.5 Embedding 350M (LLMTR)liquid/lfm-2.5-embedding-350m-free | LLMTR | 1024 | 512 | Ongoing zero-price route; provider terms apply |
BGE-M3 (SEA-LION)BAAI/bge-m3 | SEA-LION | 1024 | 8192 | free · 10 rpm |
Cohere Embed English v3embed-english-v3.0 | Cohere | 1024 | 512 | 1K calls/mo (shared w/ chat) |
Qwen3 Embedding 8B (OVH)Qwen3-Embedding-8B | OVH AI Endpoints | 4096 | 32768 | free · anonymous 2 req/min per IP |
BGE-M3 (OVH)bge-m3 | OVH AI Endpoints | 1024 | 8192 | free · anonymous 2 req/min per IP |
BGE Multilingual Gemma2 (OVH)bge-multilingual-gemma2 | OVH AI Endpoints | 3584 | 8192 | free · anonymous 2 req/min per IP |
Mistral: Codestral Embed (ElectronHub)codestral-embed | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
Mistral: Mistral Embed (ElectronHub)mistral-embed | ElectronHub | 1024 | 8192 | $0.25/week shared free credits |
Google: Gemini Embedding 2 (ElectronHub)gemini-embedding-2 | ElectronHub | 3072 | 8192 | $0.25/week shared free credits |
Google: Gemini Embedding 001 (ElectronHub)gemini-embedding-001 | ElectronHub | 3072 | 2048 | $0.25/week shared free credits |
OpenAI: Text Embedding Ada 002 (ElectronHub)text-embedding-ada-002 | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
Cohere Embed English Light v3embed-english-light-v3.0 | Cohere | 384 | 512 | 1K calls/mo (shared w/ chat) |
Cohere Embed Multilingual v3embed-multilingual-v3.0 | Cohere | 1024 | 512 | 1K calls/mo (shared w/ chat) |
Cohere Embed Multilingual Light v3embed-multilingual-light-v3.0 | Cohere | 384 | 512 | 1K calls/mo (shared w/ chat) |
بيانات مباشرة من كتالوج FreeLLMAPI (الإصدار 2026.11.19، تم التحقق 2026-11-19). تتغير الحدود المجانية كثيرًا. يُفحص الكتالوج كل يوم.
- عدة مزوّدين لعائلة واحدة: تكون عائلة مثل
bge-m3مجانية لدى أكثر من مزوّد. عندئذ يكون للاحتياط وجهة يذهب إليها. - الحد الأقصى للإدخال: تُقطع المقاطع الأطول من الحد الأقصى للإدخال أو تُرفض. اجعل المقاطع أصغر من هذه القيمة.
- اللغات: للنصوص غير الإنجليزية، استخدم عائلة متعددة اللغات مثل
bge-m3. العائلات التي تحتوي-en-في اسمها مخصصة للإنجليزية. - الأبعاد: المتجهات الأكبر تستهلك تخزيناً أكثر. بالنسبة إلى فهرس صغير، هذا ليس مشكلة.
كود RAG كامل بلغة Python
يقسّم السكربت ملفات النصوص إلى مقاطع، ويضمّنها على دفعات، ويحفظ المتجهات باستخدام NumPy. ثم يجيب عن السؤال باستخدام أفضل المقاطع، ويعطي المصادر. يعيد المحاولة عندما يوقف حد الاستخدام طلباً.
rag.py
import json
import os
import pathlib
import time
import numpy as np
import openai
from openai import OpenAI
client = OpenAI(
base_url="http://localhost:3001/v1",
api_key=os.environ["FREELLMAPI_API_KEY"],
max_retries=3,
timeout=90,
)
EMBED_MODEL = "bge-m3" # keep one family for the whole index
CHAT_MODEL = "auto" # or a long-context profile: auto:<profile>
INDEX = pathlib.Path("index")
def with_retry(fn, *args, **kwargs):
for attempt in range(6):
try:
return fn(*args, **kwargs)
except openai.RateLimitError as err:
header = err.response.headers.get("retry-after", "")
time.sleep(min(int(header) if header.isdigit() else 2 ** attempt, 120))
raise RuntimeError("Rate limited on every provider")
def chunk(text: str, size: int = 1500, overlap: int = 200) -> list[str]:
step = size - overlap
return [text[i:i + size] for i in range(0, max(len(text), 1), step)]
def embed(texts: list[str], batch: int = 32) -> np.ndarray:
out = []
for i in range(0, len(texts), batch):
resp = with_retry(client.embeddings.create, model=EMBED_MODEL, input=texts[i:i + batch])
out.extend(d.embedding for d in resp.data)
vecs = np.array(out, dtype=np.float32)
return vecs / np.linalg.norm(vecs, axis=1, keepdims=True)
def build(folder: str) -> None:
chunks = []
for path in sorted(pathlib.Path(folder).rglob("*.md")):
for part in chunk(path.read_text(encoding="utf-8")):
if part.strip():
chunks.append({"source": str(path), "text": part})
INDEX.mkdir(exist_ok=True)
np.save(INDEX / "vectors.npy", embed([c["text"] for c in chunks]))
(INDEX / "chunks.json").write_text(json.dumps(chunks))
def answer(question: str, k: int = 5) -> str:
vecs = np.load(INDEX / "vectors.npy")
chunks = json.loads((INDEX / "chunks.json").read_text())
q = embed([question])[0]
top = np.argsort(vecs @ q)[::-1][:k]
context = "\n\n".join(f"[{n + 1}] ({chunks[i]['source']})\n{chunks[i]['text']}" for n, i in enumerate(top))
resp = with_retry(
client.chat.completions.create,
model=CHAT_MODEL,
temperature=0,
messages=[
{"role": "system", "content": "Answer only from the sources. Cite them as [1], [2]. If the sources do not answer, say so."},
{"role": "user", "content": f"Sources:\n{context}\n\nQuestion: {question}"},
],
)
return resp.choices[0].message.content
if __name__ == "__main__":
if not (INDEX / "vectors.npy").exists():
build("docs")
print(answer("How do I rotate the API keys?"))لأكثر من بضعة آلاف من المقاطع، استبدل بحث NumPy بقاعدة بيانات متجهات. تبقى استدعاءات التضمين والدردشة كما هي.
يسأل المستخدمون السؤال نفسه مراراً. يملك FreeLLMAPI ذاكرة تخزين مؤقت للاستجابات، تُفعَّل باختيار المستخدم، للطلبات المتطابقة. لا تستهلك إصابة الذاكرة المؤقتة حصة المزوّد. يمكنك تشغيل الذاكرة المؤقتة أو إيقافها لطلب واحد بالترويسة X-FreeLLM-Cache: on أو off. استخدم temperature=0، حتى يُرسل السؤال نفسه الطلب نفسه.
أضف خطوة إعادة الترتيب
يجد البحث بالمتجهات نصاً مشابهاً، لكن أفضل مقطع ليس دائماً أفضل إجابة. تعيد خطوة إعادة الترتيب ترتيب المرشحين. لا تصف وثائق FreeLLMAPI نقطة إعادة ترتيب مخصصة. يمكنك استخدام نموذج دردشة سريع كأداة لإعادة الترتيب. استرجع 15 مرشحاً، واحتفظ بأفضل 5.
إعادة ترتيب بنموذج LLM باستخدام auto:fast
def rerank(question: str, candidates: list[str], keep: int = 5) -> list[int]:
listing = "\n".join(f"{n}: {c[:400]}" for n, c in enumerate(candidates))
resp = with_retry(
client.chat.completions.create,
model="auto:fast",
temperature=0,
messages=[{
"role": "user",
"content": (
f"Question: {question}\n\nPassages:\n{listing}\n\n"
f"Return the numbers of the {keep} most useful passages, best first, "
"as a JSON list of integers. Return only the list."
),
}],
)
try:
ids = json.loads(resp.choices[0].message.content.strip())
return [i for i in ids if isinstance(i, int) and 0 <= i < len(candidates)][:keep]
except (json.JSONDecodeError, AttributeError):
return list(range(min(keep, len(candidates)))) # fall back to vector order
# Use it in answer(): take 15 candidates, keep the best 5
# top = np.argsort(vecs @ q)[::-1][:15]
# best = rerank(question, [chunks[i]["text"] for i in top])
# top = [top[i] for i in best]تضيف خطوة إعادة الترتيب طلب دردشة واحداً لكل سؤال. إذا كانت حدودك المجانية ضيقة، فتجاوزها. غالباً ما يفيد التقسيم الأفضل أكثر من خطوة إعادة الترتيب.
السياق الطويل: متى لا تحتاج إلى الاسترجاع
اليوم، يملك 56 من عروض النماذج المجانية نافذة سياق تبلغ مليون رمز أو أكثر. إذا كانت مستنداتك صغيرة، فيمكنك إرسالها كلها في المطالبة وتجاوز فهرس المتجهات. هذا أبسط، لكن كل سؤال عندئذ يرسل رموزاً كثيرة.
| النموذج | مجاني على | السياق | الحدود المجانية (أفضل عرض) | الأدوات | الرؤية |
|---|---|---|---|---|---|
| OpenAI: GPT-6 Luna | ElectronHub | 1.1M | $0.25/week shared free credits | لا | لا |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 طلب/دقيقة 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | نعم | نعم |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 طلب/دقيقة 20 طلب/يوم 250,000 رمز/دقيقة ~3M | نعم | نعم |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 طلب/دقيقة 50 طلب/يوم Shared rate limit | نعم | لا |
| DeepSeek V4 Flash 0731 | ElectronHub, Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | لا | لا |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 طلب/دقيقة 20 طلب/يوم 250,000 رمز/دقيقة ~3M | نعم | نعم |
| GLM 5.2 | Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | لا | لا |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 طلب/دقيقة 20 طلب/يوم 250,000 رمز/دقيقة ~3M | نعم | نعم |
| DeepSeek V4 Pro | APINex, Router9 | 1M | 5 طلب/دقيقة 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | لا | لا |
| Nemotron 3 Ultra 550B | Gizmo, Kilo Gateway, LLMTR +3 أخرى | 1M | 200 طلب/يوم 200 rpd | نعم | لا |
يعرض 10 من أصل 35 نموذجًا مجانيًا مطابقًا. عرض كل النماذج.
بيانات مباشرة من كتالوج FreeLLMAPI (الإصدار 2026.11.19، تم التحقق 2026-11-19). تتغير الحدود المجانية كثيرًا. يُفحص الكتالوج كل يوم.
- استخدم السياق الطويل لعدد قليل من المستندات، أو للأسئلة التي تحتاج إلى النص الكامل، أو لتقرير واحد.
- استخدم الاسترجاع لمستندات كثيرة، أو لأسئلة متكررة، أو عندما تكون حدود الرموز في الدقيقة المجانية منخفضة.
- اجمع بينهما: استرجع 20 مقطعاً أو أكثر، وأرسلها إلى نموذج ذي سياق طويل.
قد تفشل مطالبة كبيرة لدى مزوّد ذي حد منخفض للرموز في الدقيقة. عندئذ يجرب FreeLLMAPI المزوّد التالي. للتحكم في النماذج التي تستقبل المطالبات الكبيرة، أنشئ ملف تعريف لسلسلة احتياط يضم نماذج ذات سياق طويل فقط. استخدمه بالصيغة auto:<profile>.
الحدود واستكشاف الأخطاء وإصلاحها
| المشكلة | السبب | الحل |
|---|---|---|
| يتوقف الإدخال مع الخطأ 429 | عائلة التضمين بلغت حدها لدى كل المزوّدين | استخدم دفعات أكبر، وانتظر Retry-After، وأدخل المستندات على أجزاء |
| نتائج سيئة بعد تغيير | يحتوي الفهرس على متجهات من عائلتين | ضمّن كل المقاطع من جديد بعائلة واحدة |
| خطأ يتعلق بطول الإدخال | أحد المقاطع أطول من الحد الأقصى للإدخال في العائلة | استخدم مقاطع أصغر |
| تتجاهل الإجابة المصادر | يجيب النموذج من معرفته الخاصة | استخدم temperature=0 ومطالبة نظام صارمة |
| خطأ طول السياق في الإجابة | مقاطع كثيرة أو طويلة جداً | خفّض k أو استخدم ملف تعريف للسياق الطويل |
| تتغير أسلوب الإجابات | اختار الموجّه نموذجاً مختلفاً | أرسل الترويسة X-Session-Id أو ثبّت نموذجاً |
لا تقدم المستويات المجانية أي اتفاقية مستوى خدمة. تستنفد أقوى النماذج حدودها اليومية أولاً، وتُعاد ضبط كثير من الحدود عند منتصف الليل بتوقيت UTC. اختبر مسارك بالنماذج التي ستستخدمها سلسلتك فعلاً.
الأسئلة الشائعة
هل توجد واجهة مجانية لـ RAG؟
نعم. لدى عدة مزوّدين مستويات مجانية للتضمين والدردشة. يقدم FreeLLMAPI الاثنين عبر مفتاح واحد متوافق مع OpenAI، مع احتياط بين المزوّدين.
ما أفضل نموذج تضمين مجاني لـ RAG؟
اختر عائلة مجانية لدى عدة مزوّدين وتناسب لغاتك. للنصوص متعددة اللغات، يُعد bge-m3 خياراً شائعاً. احتفظ بعائلة واحدة للفهرس كله.
هل توجد واجهة مجانية لإعادة الترتيب؟
لا تصف وثائق FreeLLMAPI نقطة لإعادة الترتيب. يمكنك إعادة الترتيب بنموذج دردشة سريع، كما يظهر في هذه الصفحة، أو تجاوز خطوة إعادة الترتيب.
هل أحتاج إلى RAG إذا كان نموذج مجاني يملك مليون رمز سياق؟
ليس لعدد قليل من المستندات الصغيرة. أما للمستندات الكثيرة أو الأسئلة المتكررة، فيرسل الاسترجاع رموزاً أقل في كل طلب، ويبقى ضمن الحدود المجانية.
هل يمكنني تغيير نموذج التضمين لاحقاً؟
نعم، لكن يجب أن تضمّن كل المقاطع من جديد. لا تتوافق المتجهات من نموذجين، لذلك لا تخلطهما في فهرس واحد.
أدلة ذات صلة
- واجهة Embeddings مجانية
- واجهة LLM مجانية بسياق مليون رمز
- LLM مجاني لـ LlamaIndex
- واجهة LLM مجانية لـ LangChain
- واجهة LLM مجانية في Python
المصادر
- FreeLLMAPI docs: embeddings (families and failover rules) (تم التحقق 20 November 2026)
- FreeLLMAPI docs: routing strategies and response headers (تم التحقق 20 November 2026)
- OpenAI Python SDK: embeddings, errors and retries (تم التحقق 20 November 2026)