LangChain-এর জন্য বিনামূল্যের LLM API
LangChain ChatOpenAI ও OpenAIEmbeddings-এর মাধ্যমে OpenAI-সামঞ্জস্যপূর্ণ API-র সাথে সংযুক্ত হয়। আপনি base URL ও কী বদলান। এই গাইড দুটি ক্লাসকেই FreeLLMAPI-র দিকে নির্দেশ করে, যা একটি কী-র পেছনে 45টি বিনামূল্যের প্রোভাইডার টিয়ার একত্র করে। নিচের কোড Python ও JavaScript-এ কাজ করে এবং রেট সীমা সামলায়।
কোড, মডেলের নাম এবং লাইভ ক্যাটালগের লেবেল ইংরেজিতে দেখানো হয়।
গেটওয়ে ও প্যাকেজ সেটআপ করুন
FreeLLMAPI ইনস্টল করুন এবং ড্যাশবোর্ডের Keys পেজে দুই বা তার বেশি প্রোভাইডার থেকে বিনামূল্যের কী যোগ করুন। একীভূত কী কপি করুন। আপনার কোড শুধু এই কী ব্যবহার করে। প্রোভাইডার কী FreeLLMAPI-তেই থাকে।
FreeLLMAPI ও LangChain প্যাকেজ ইনস্টল করুন
curl -fsSL https://freellmapi.co/install.sh | bash
# Python
pip install -U langchain langchain-openai
# JavaScript
npm install @langchain/openai @langchain/core zodEnvironment variable
export FREELLMAPI_BASE_URL=http://localhost:3001/v1
export FREELLMAPI_API_KEY=<unified-key>রাউটারকে মডেল বেছে নিতে দিতে model="auto" ব্যবহার করুন। আপনি একটি রাউটিং কৌশলও ব্যবহার করতে পারেন, উদাহরণস্বরূপ auto:fast বা auto:smart। auto:coding-এর মতো নামযুক্ত প্রোফাইল এবং ক্যাটালগ থেকে একটি নির্দিষ্ট মডেল ID-ও কাজ করে।
আপনার কীগুলো এখন কোন মডেল কল করতে পারে তা দেখতে GET /v1/models?execution_status=ready অনুরোধ করুন। সম্পূর্ণ তালিকায় কী ছাড়া মডেলও থাকে। exhausted অবস্থার মডেলের কী আছে, কিন্তু এই মুহূর্তে সেগুলো সবই সীমায় পৌঁছেছে। কুলডাউন শেষ হলে এই অবস্থা মুছে যায়।
এখন যেসব মডেল উত্তর দিতে পারে তার তালিকা
curl "http://localhost:3001/v1/models?execution_status=ready" \
-H "Authorization: Bearer <unified-key>"ChatOpenAI দিয়ে চ্যাট করুন
Python-এ base_url ও api_key সেট করুন। max_retries মানটি OpenAI client-এ যায়, যা exponential backoff দিয়ে 429 ও 5xx ত্রুটি আবার চেষ্টা করে।
Python: চ্যাট ও streaming
import os
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="auto",
base_url=os.environ["FREELLMAPI_BASE_URL"],
api_key=os.environ["FREELLMAPI_API_KEY"],
temperature=0.2,
max_retries=3,
timeout=60,
include_response_headers=True,
)
msg = llm.invoke("Explain retrieval-augmented generation in two sentences.")
print(msg.content)
print("Served by:", msg.response_metadata["headers"].get("x-routed-via"))
for chunk in llm.stream("Write a haiku about SQLite."):
print(chunk.content, end="", flush=True)JavaScript-এ base URL রাখুন configuration.baseURL-এ। configuration object অফিসিয়াল OpenAI SDK client-এ যায়।
JavaScript: চ্যাট ও streaming
import { ChatOpenAI } from "@langchain/openai";
const llm = new ChatOpenAI({
model: "auto",
apiKey: process.env.FREELLMAPI_API_KEY,
temperature: 0.2,
maxRetries: 3,
configuration: { baseURL: process.env.FREELLMAPI_BASE_URL },
});
const msg = await llm.invoke("Explain retrieval-augmented generation in two sentences.");
console.log(msg.content);
for await (const chunk of await llm.stream("Write a haiku about SQLite.")) {
process.stdout.write(String(chunk.content));
}x-routed-via header দেখায় কোন প্রোভাইডার ও মডেল উত্তর দিয়েছে। রাউটার প্রোভাইডার বদলালে x-fallback-trail প্রতিটি ব্যর্থ চেষ্টা ও কারণ দেখায়।
টুল ও এজেন্ট
FreeLLMAPI প্রতিটি প্রোভাইডারে OpenAI-শৈলীর tools পাঠায় এবং OpenAI ফরম্যাটে tool_calls ফেরত দেয়। Gemini-র জন্য এটি অনুরোধ Google-এর ফরম্যাটে অনুবাদ করে এবং উত্তর আবার ফিরিয়ে আনে। একটি কলের জন্য bind_tools ব্যবহার করুন, অথবা টুল চালায় এমন লুপের জন্য create_agent।
Python: bind_tools ও create_agent
from langchain.agents import create_agent
from langchain_core.tools import tool
@tool
def get_weather(city: str) -> str:
"""Return the current weather for a city."""
return f"It is 18 C and cloudy in {city}."
# One call: the model returns the tool call, your code runs it
msg = llm.bind_tools([get_weather]).invoke("What is the weather in Dublin?")
print(msg.tool_calls)
# Agent loop: LangChain runs the tool and sends the result back
agent = create_agent(
model=llm,
tools=[get_weather],
system_prompt="You answer weather questions. Use the tool.",
)
result = agent.invoke({"messages": [{"role": "user", "content": "Weather in Dublin?"}]})
print(result["messages"][-1].content)JavaScript: bindTools
import { tool } from "@langchain/core/tools";
import { z } from "zod";
const getWeather = tool(
async ({ city }) => `It is 18 C and cloudy in ${city}.`,
{
name: "get_weather",
description: "Return the current weather for a city.",
schema: z.object({ city: z.string() }),
},
);
const reply = await llm.bindTools([getWeather]).invoke("What is the weather in Dublin?");
console.log(reply.tool_calls);শুধু কিছু বিনামূল্যের মডেল টুল কলিং সমর্থন করে। auto ব্যবহার করলে আপনার ফেইলওভার চেইনে টুল-কলিং মডেল রাখুন, অথবা এজেন্টের জন্য একটি প্রোফাইল বানান। আজ এই বিনামূল্যের মডেলগুলো টুল সমর্থন করে:
| মডেল | বিনামূল্যে | কনটেক্সট | বিনামূল্যের সীমা (সেরা অফার) | টুল | ভিশন |
|---|---|---|---|---|---|
| GLM 5.3 | UnoRouter | 1M | 1 অনুরোধ/মিনিট 1 req/min per model | হ্যাঁ | না |
| GLM 5.3 Flash | NVIDIA NIM, UnoRouter | 1M | 40 অনুরোধ/মিনিট 40 RPM | হ্যাঁ | হ্যাঁ |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | হ্যাঁ | হ্যাঁ |
| Qwen3.8 Flash Next | AMD Radeon Cloud | 262K | Recurring daily account allowance | হ্যাঁ | না |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | হ্যাঁ | হ্যাঁ |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 অনুরোধ/মিনিট 20 অনুরোধ/দিন 250,000 টোকেন/মিনিট ~3M | হ্যাঁ | হ্যাঁ |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | হ্যাঁ | হ্যাঁ |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 অনুরোধ/মিনিট 50 অনুরোধ/দিন 50 req/day account-wide (1,000 after a $10 purchase) | হ্যাঁ | হ্যাঁ |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 অনুরোধ/মিনিট 50 অনুরোধ/দিন Shared rate limit | হ্যাঁ | না |
| Qwen3.8 27B | ElectronHub, Groq, OVH AI Endpoints | 262K | 30 অনুরোধ/মিনিট 250 অনুরোধ/দিন 70,000 টোকেন/মিনিট ~6M | হ্যাঁ | হ্যাঁ |
মিলে যাওয়া 109টি বিনামূল্যের মডেলের মধ্যে 10টি দেখানো হচ্ছে। সব মডেল দেখুন.
FreeLLMAPI ক্যাটালগের লাইভ ডেটা (সংস্করণ 2026.11.19, যাচাই: 2026-11-19)। বিনামূল্যের সীমা প্রায়ই বদলায়। ক্যাটালগ প্রতিদিন যাচাই করা হয়।
OpenAIEmbeddings দিয়ে embedding
ডিফল্টভাবে Python-এর OpenAIEmbeddings একটি OpenAI tokenizer দিয়ে লেখা ভাগ করে এবং টোকেন পাঠায়। বেশিরভাগ অন্য প্রোভাইডারের কাঁচা লেখা লাগে। লেখা পাঠাতে check_embedding_ctx_length=False সেট করুন।
Python: embedding
from langchain_openai import OpenAIEmbeddings
emb = OpenAIEmbeddings(
model="bge-m3", # one embedding family, 1024 dimensions
base_url=os.environ["FREELLMAPI_BASE_URL"],
api_key=os.environ["FREELLMAPI_API_KEY"],
check_embedding_ctx_length=False,
)
vectors = emb.embed_documents(["FreeLLMAPI pools free tiers.", "LangChain builds LLM apps."])
print(len(vectors), len(vectors[0]))JavaScript: embedding
import { OpenAIEmbeddings } from "@langchain/openai";
const emb = new OpenAIEmbeddings({
model: "bge-m3",
apiKey: process.env.FREELLMAPI_API_KEY,
configuration: { baseURL: process.env.FREELLMAPI_BASE_URL },
});
const vector = await emb.embedQuery("What does FreeLLMAPI do?");
console.log(vector.length);FreeLLMAPI-র embedding ফেইলওভার কখনো মডেল বদলায় না। এটি শুধু একই পরিবারের সেবা দেয় এমন প্রোভাইডারদের মধ্যে সরে। এতে একটি vector store-এর সব vector সামঞ্জস্যপূর্ণ থাকে। একটি পরিবার বেছে নিন এবং সেটি রাখুন। আজকের বিনামূল্যের embedding মডেলগুলো হলো:
| মডেল | প্রোভাইডার | ডাইমেনশন | সর্বোচ্চ ইনপুট | বিনামূল্যের সীমা |
|---|---|---|---|---|
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) |
FreeLLMAPI ক্যাটালগের লাইভ ডেটা (সংস্করণ 2026.11.19, যাচাই: 2026-11-19)। বিনামূল্যের সীমা প্রায়ই বদলায়। ক্যাটালগ প্রতিদিন যাচাই করা হয়।
Structured output, সেশন ও মডেল নির্বাচন
with_structured_output লেখার বদলে একটি Pydantic object ফেরত দেয়। ডিফল্টভাবে LangChain এর জন্য function calling ব্যবহার করে। এই পদ্ধতি টুল সমর্থন করে এমন প্রতিটি বিনামূল্যের মডেলে কাজ করে।
Python: structured output
from pydantic import BaseModel, Field
class Ticket(BaseModel):
category: str = Field(description="billing, bug or other")
urgent: bool
classifier = llm.with_structured_output(Ticket)
ticket = classifier.invoke("The app crashes when I pay. Please fix it today.")
print(ticket.category, ticket.urgent)method="json_schema" কে auto-র সাথে ব্যবহার করবেন না। সব বিনামূল্যের প্রোভাইডার কঠোর JSON schema আউটপুট সমর্থন করে না, এবং রাউটার প্রতি অনুরোধে আলাদা প্রোভাইডার বেছে নিতে পারে।
FreeLLMAPI একটি কথোপকথন 30 মিনিটের জন্য একটি মডেলে রাখে। এটি X-Session-Id header থেকে কথোপকথন খুঁজে পায়। header না থাকলে এটি প্রথম ব্যবহারকারীর বার্তার একটি hash ব্যবহার করে। অনেক ব্যবহারকারীর চ্যাট অ্যাপের জন্য প্রতি ব্যবহারকারীর জন্য একটি সেশন ID পাঠান:
Python: প্রতি ব্যবহারকারীর জন্য একটি সেশন
def llm_for(user_id: str) -> ChatOpenAI:
return ChatOpenAI(
model="auto",
base_url=os.environ["FREELLMAPI_BASE_URL"],
api_key=os.environ["FREELLMAPI_API_KEY"],
default_headers={"X-Session-Id": f"user-{user_id}"},
max_retries=3,
)আপনার অ্যাপের প্রতিটি অংশের জন্য মডেলের স্ট্রিং বেছে নিন:
| আপনার অ্যাপের কাজ | মডেলের স্ট্রিং | কারণ |
|---|---|---|
| ব্যবহারকারীর জন্য চ্যাট উত্তর | auto | ড্যাশবোর্ডে আপনার সেট করা চেইন অনুসরণ করে |
| টুলসহ এজেন্ট | auto:<profile> | শুধু টুল-কলিং মডেলের একটি প্রোফাইল |
| শ্রেণিবিন্যাস, রাউটিং, ছোট সারসংক্ষেপ | auto:fast | পরিমাপ করা গতি অনুযায়ী মডেল সাজায় |
| কঠিন যুক্তির ধাপ | auto:smart | বুদ্ধিমত্তা অনুযায়ী মডেল সাজায় |
| যে পরীক্ষা পুনরাবৃত্তিযোগ্য হতে হবে | একটি নির্দিষ্ট মডেল ID | প্রতিবার একই মডেল, কিন্তু ওই মডেলের সীমায় পৌঁছালে থেমে যায় |
বিনামূল্যের টিয়ারে কোনো SLA নেই। দিনের বিভিন্ন সময়ে লেটেন্সি বদলায়, এবং সবচেয়ে শক্তিশালী মডেল আগে দৈনিক সীমায় পৌঁছায়। আপনার চেইন যে মডেলগুলো আসলে ব্যবহার করবে, তাদের দিয়ে চেইন পরীক্ষা করুন।
রেট সীমা ও retry
একটি প্রোভাইডার 429 ফেরত দিলে FreeLLMAPI পরের প্রোভাইডার চেষ্টা করে। চেইনের প্রতিটি কী সীমায় পৌঁছালেই শুধু আপনার কোড 429 দেখে। তখন উত্তরে Retry-After header থাকে। অনেক দৈনিক সীমা UTC মধ্যরাতে রিসেট হয়।
ব্যাচ কাজের জন্য with_retry দিয়ে দ্বিতীয় একটি retry স্তর যোগ করুন। এটি exponential backoff ও jitter সহ পুরো runnable আবার চেষ্টা করে।
Python: রেট সীমায় চেইন আবার চেষ্টা
import openai
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "Summarize the text in one sentence."),
("user", "{text}"),
])
chain = (prompt | llm).with_retry(
retry_if_exception_type=(openai.RateLimitError, openai.APITimeoutError),
wait_exponential_jitter=True,
stop_after_attempt=5,
)
# batch() runs requests in parallel; max_concurrency keeps the rate low
results = chain.batch(
[{"text": t} for t in ["First document.", "Second document."]],
config={"max_concurrency": 4},
)| সমস্যা | কারণ | সমাধান |
|---|---|---|
openai.AuthenticationError | ভুল একীভূত কী | Keys পেজ থেকে কী আবার কপি করুন |
প্রতিটি কলে openai.NotFoundError | base URL-এ /v1 নেই | http://localhost:3001/v1 ব্যবহার করুন |
openai.RateLimitError | চেইনের সব কী সীমায় পৌঁছেছে | প্রোভাইডার যোগ করুন, max_concurrency কমান, অথবা Retry-After পর্যন্ত অপেক্ষা করুন |
| টোকেন বা ইনপুট ধরন নিয়ে embedding ত্রুটি | LangChain টোকেন পাঠায়, লেখা নয় | check_embedding_ctx_length=False সেট করুন |
tool_calls খালি | মডেল টুল সমর্থন করে না | টুল টেবিলের একটি মডেল, অথবা একটি টুল প্রোফাইল ব্যবহার করুন |
| যুক্তির লেখা নেই | ChatOpenAI শুধু স্ট্যান্ডার্ড OpenAI ফিল্ড রাখে | content-এ উত্তর পড়ুন; প্রোভাইডারের অতিরিক্ত ফিল্ড রাখা হয় না |
সাধারণ প্রশ্ন
LangChain-এর সাথে কি বিনামূল্যের LLM API ব্যবহার করা যায়?
হ্যাঁ। যেকোনো OpenAI-সামঞ্জস্যপূর্ণ API ChatOpenAI-র সাথে কাজ করে। base_url-কে http://localhost:3001/v1 এবং api_key-কে আপনার FreeLLMAPI একীভূত কী-তে সেট করুন। রাউটার বিনামূল্যের প্রোভাইডার টিয়ার ব্যবহার করে।
LangChain ChatOpenAI-তে কীভাবে custom base URL সেট করব?
Python-এ ChatOpenAI-তে base_url পাস করুন। JavaScript-এ constructor-এ configuration: { baseURL } পাস করুন। Python-এ OPENAI_BASE_URL environment variable-ও কাজ করে।
কি বিনামূল্যের মডেলের সাথে LangChain এজেন্ট কাজ করে?
হ্যাঁ, যদি মডেল টুল কলিং সমর্থন করে। ChatOpenAI মডেলের সাথে create_agent ব্যবহার করুন এবং আপনার FreeLLMAPI চেইনে টুল-কলিং মডেল রাখুন।
কেন একটি নন-OpenAI প্রোভাইডারে OpenAIEmbeddings ব্যর্থ হয়?
ডিফল্টভাবে এটি টোকেন ID পাঠায়। বেশিরভাগ অন্য প্রোভাইডারের কাঁচা লেখা লাগে। Python-এ check_embedding_ctx_length=False সেট করুন।
LangChain-এ 429 ত্রুটি কীভাবে সামলাব?
ChatOpenAI-তে max_retries সেট করুন, এবং ব্যাচ কাজের জন্য চেইনে with_retry যোগ করুন। আপনার কোড 429 দেখার আগেই FreeLLMAPI পরের প্রোভাইডারে চলে যায়।
সম্পর্কিত গাইড
- LlamaIndex-এর জন্য বিনামূল্যের LLM
- Python-এ বিনামূল্যের LLM API
- RAG-এর জন্য বিনামূল্যের LLM API
- বিনামূল্যের embeddings API
- ফাংশন কলিংসহ ফ্রি LLM API
- AI এজেন্টের জন্য বিনামূল্যের LLM API
উৎস
- LangChain docs: ChatOpenAI integration (Python) (যাচাই: 20 November 2026)
- LangChain docs: ChatOpenAI integration (JavaScript) (যাচাই: 20 November 2026)
- LangChain docs: agents and create_agent (যাচাই: 20 November 2026)
- LangChain source: OpenAIEmbeddings note on OpenAI-compatible APIs (যাচাই: 20 November 2026)
- OpenAI Python SDK: retries and errors (যাচাই: 20 November 2026)
- FreeLLMAPI docs: REST API (tool calling, embeddings, response headers) (যাচাই: 20 November 2026)