LlamaIndex-এর জন্য বিনামূল্যের LLM
LlamaIndex-এ OpenAI-compatible API-র জন্য দুটি ক্লাস আছে: chat-এর জন্য OpenAILike এবং embeddings-এর জন্য OpenAILikeEmbedding। এই গাইড দুটিকেই FreeLLMAPI-এর দিকে নির্দেশ করে, যা একটি কীর পেছনে 45টি বিনামূল্যের প্রোভাইডার টিয়ার একত্র করে। আপনি একটি retrieval-augmented generation (RAG) index তৈরি করেন, সেটিতে query করেন এবং একটি এজেন্ট যোগ করেন। কোডটি রেট লিমিট সামলায়।
কোড, মডেলের নাম এবং লাইভ ক্যাটালগের লেবেল ইংরেজিতে দেখানো হয়।
প্যাকেজ ইনস্টল করুন
FreeLLMAPI ইনস্টল করুন এবং ড্যাশবোর্ডের Keys পেজে দুই বা তার বেশি প্রোভাইডার থেকে ফ্রি কী যোগ করুন। unified key কপি করুন। তারপর LlamaIndex প্যাকেজ ইনস্টল করুন।
ইনস্টল
curl -fsSL https://freellmapi.co/install.sh | bash
pip install -U llama-index-core \
llama-index-llms-openai-like \
llama-index-embeddings-openai-like
export FREELLMAPI_BASE_URL=http://localhost:3001/v1
export FREELLMAPI_API_KEY=<unified-key>যে মডেল নাম OpenAI চেনে না, সেগুলোর সঙ্গে সাধারণ OpenAI ক্লাস ব্যবহার করবেন না, যা llama-index-llms-openai থেকে আসে। সেই ক্লাস মডেল নাম ও কনটেক্সট সাইজ OpenAI মডেলের তালিকার সঙ্গে মিলিয়ে দেখে। OpenAILike তা করে না, তাই এই মানগুলো আপনি নিজে সেট করেন।
LLM ও embedding মডেল কনফিগার করুন
settings.py
import os
from llama_index.core import Settings
from llama_index.llms.openai_like import OpenAILike
from llama_index.embeddings.openai_like import OpenAILikeEmbedding
BASE = os.environ["FREELLMAPI_BASE_URL"]
KEY = os.environ["FREELLMAPI_API_KEY"]
Settings.llm = OpenAILike(
model="auto",
api_base=BASE,
api_key=KEY,
is_chat_model=True, # use /v1/chat/completions
is_function_calling_model=True, # needed for FunctionAgent
context_window=32000, # the smallest window in your chain
max_retries=5,
timeout=90,
)
Settings.embed_model = OpenAILikeEmbedding(
model_name="bge-m3", # one family, 1024 dimensions
api_base=BASE,
api_key=KEY,
embed_batch_size=16,
max_retries=10,
)- is_chat_model=True: এটি ছাড়া LlamaIndex পুরোনো completions এন্ডপয়েন্টে অনুরোধ পাঠায়।
- context_window: LlamaIndex এই মান দিয়ে ঠিক করে প্রম্পটে কয়টি পুনরুদ্ধার করা chunk ধরবে।
autoদিয়ে রাউটার ভিন্ন মডেল বেছে নিতে পারে। আপনার চেইনের সবচেয়ে ছোট কনটেক্সট উইন্ডো ব্যবহার করুন। - is_function_calling_model=True: শুধু তখনই সেট করুন যখন আপনার চেইনে tool-calling মডেল আছে।
- embed_batch_size: প্রতিটি batch একটি অনুরোধ। বড় batch প্রতি মিনিটে কম অনুরোধ ব্যবহার করে।
RAG প্রম্পটে কয়েকটি পুনরুদ্ধার করা chunk থাকে, তাই chat মডেলে সেগুলোর জায়গা লাগে। RAG-এর জন্য দীর্ঘ-কনটেক্সট মডেল দিয়ে একটি fallback চেইন profile তৈরি করুন। তারপর model="auto:<profile>" সেট করুন এবং context_window-কে সেই profile-এর সবচেয়ে ছোট উইন্ডোতে বাড়ান। আজ এই বিনামূল্যের মডেলগুলোর সবচেয়ে বড় কনটেক্সট উইন্ডো আছে:
| মডেল | বিনামূল্যে | কনটেক্সট | বিনামূল্যের সীমা (সেরা অফার) | টুল | ভিশন |
|---|---|---|---|---|---|
| OpenAI: GPT-6 Luna | ElectronHub | 1.1M | $0.25/week shared free credits | না | না |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 অনুরোধ/মিনিট 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | হ্যাঁ | হ্যাঁ |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 অনুরোধ/মিনিট 20 অনুরোধ/দিন 250,000 টোকেন/মিনিট ~3M | হ্যাঁ | হ্যাঁ |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 অনুরোধ/মিনিট 50 অনুরোধ/দিন Shared rate limit | হ্যাঁ | না |
| DeepSeek V4 Flash 0731 | ElectronHub, Router9 | 1M | 10,000 credits/month (~$1), shared; account-anniversary reset | না | না |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 অনুরোধ/মিনিট 20 অনুরোধ/দিন 250,000 টোকেন/মিনিট ~3M | হ্যাঁ | হ্যাঁ |
| GLM-5.2 | ModelScope, Router9 | 1M | 100 অনুরোধ/দিন Daily login: 200 credits + 50 for linked Alibaba Cloud; 24h expiry; shared; noncommercial experience | না | না |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 অনুরোধ/মিনিট 20 অনুরোধ/দিন 250,000 টোকেন/মিনিট ~3M | হ্যাঁ | হ্যাঁ |
মিলে যাওয়া 115টি বিনামূল্যের মডেলের মধ্যে 8টি 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।
একজন ব্যবহারকারীকে একটি মডেলে রাখতে X-Session-Id হেডার পাঠান। OpenAILike default_headers গ্রহণ করে, যেমন default_headers={"X-Session-Id": "user-42"}। FreeLLMAPI একটি সেশনকে 30 মিনিট একই মডেলে রাখে। এতে একটি চ্যাট জুড়ে উত্তরের শৈলী একই থাকে।
একটি RAG index তৈরি ও query করুন
স্ক্রিপ্টটি একটি ফোল্ডার থেকে ফাইল পড়ে, embeddings তৈরি করে, index সংরক্ষণ করে এবং একটি প্রশ্নের উত্তর দেয়। index তৈরির জন্য একবার চালান। পরের চালনায় সংরক্ষিত index লোড হয় এবং ফাইলগুলো আবার embed হয় না।
rag.py
import os
import settings # noqa: F401 (sets Settings.llm and Settings.embed_model)
from llama_index.core import (
SimpleDirectoryReader,
StorageContext,
VectorStoreIndex,
load_index_from_storage,
)
PERSIST = "./storage"
def load_index() -> VectorStoreIndex:
if os.path.isdir(PERSIST):
return load_index_from_storage(StorageContext.from_defaults(persist_dir=PERSIST))
docs = SimpleDirectoryReader("./docs").load_data()
index = VectorStoreIndex.from_documents(docs, show_progress=True)
index.storage_context.persist(persist_dir=PERSIST)
return index
if __name__ == "__main__":
query_engine = load_index().as_query_engine(similarity_top_k=4, streaming=True)
response = query_engine.query("How do I rotate the API keys?")
response.print_response_stream()
for node in response.source_nodes:
print("\nSource:", node.metadata.get("file_name"), round(node.score or 0, 3))./storage মুছে ফেলুন এবং index আবার তৈরি করুন।আজকের ক্যাটালগে এই embedding মডেলগুলো বিনামূল্যে। dimensions কলামে প্রতিটি family-র vector আকার দেখানো হয়েছে।
| 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।
FunctionAgent দিয়ে একটি এজেন্ট যোগ করুন
FunctionAgent tool calling ব্যবহার করে। আপনি এটিকে query engine একটি tool হিসেবে দিতে পারেন এবং নিজের Python ফাংশন যোগ করতে পারেন।
agent.py
import asyncio
from llama_index.core.agent.workflow import FunctionAgent
from llama_index.core.tools import QueryEngineTool
from llama_index.core import Settings
from rag import load_index
docs_tool = QueryEngineTool.from_defaults(
query_engine=load_index().as_query_engine(similarity_top_k=4),
name="project_docs",
description="Answers questions about the project documentation.",
)
def open_tickets(team: str) -> int:
"""Return the number of open tickets for a team."""
return {"billing": 4, "platform": 11}.get(team, 0)
agent = FunctionAgent(
tools=[docs_tool, open_tickets],
llm=Settings.llm,
system_prompt="Use the tools. Cite the document name in each answer.",
)
async def main():
result = await agent.run("How many platform tickets are open, and how do we rotate keys?")
print(result)
asyncio.run(main())এজেন্ট কাজের জন্য tool calling সহ মডেল বেছে নিন। শুধু এই মডেলগুলো দিয়ে একটি fallback চেইন profile তৈরি করুন, এবং মডেলের নাম হিসেবে auto:<profile> ব্যবহার করুন।
| 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।
ingestion বিনামূল্যের সীমার মধ্যে রাখুন
Ingestion অল্প সময়ে অনেক embedding অনুরোধ পাঠায়। বিনামূল্যের embedding টিয়ারের সীমা কম। উদাহরণস্বরূপ, কিছু প্রতি মিনিটে 10 অনুরোধ দেয় এবং অন্যরা প্রতি মাসের কল গণনা করে। শুরু করার আগে প্রথম ingestion-এর পরিকল্পনা করুন।
- বড় chunk ব্যবহার করুন। কম chunk মানে কম vector ও কম অনুরোধ। প্রায় 1,024 টোকেনের chunk আকার একটি ভালো শুরু।
- Batch ব্যবহার করুন।
embed_batch_size16 বা তার বেশি সেট করুন। তখন একটি অনুরোধে অনেক chunk যায়। - index সংরক্ষণ করুন। প্রথম চালনার পর index সংরক্ষণ করুন। একই ফাইল আবার embed করবেন না।
- Retry চালু রাখুন।
OpenAILikeEmbeddingডিফল্টভাবে সর্বোচ্চ 10 বার retry করে। দীর্ঘ ingestion job-এর জন্য এই মান রাখুন। - ভাগ করে ingest করুন। হাজার হাজার ফাইলের জন্য একবারে একটি ফোল্ডার ingest করুন।
Query, ingestion-এর চেয়ে কম খরচের। প্রতিটি query একটি embedding অনুরোধ ও একটি chat অনুরোধ ব্যবহার করে। চারটি 1,024-টোকেন chunk সহ একটি chat অনুরোধ প্রায় 5,000 টোকেন পাঠায়। কম tokens-per-minute সীমার ফ্রি টিয়ার এটি প্রত্যাখ্যান করতে পারে। তখন FreeLLMAPI পরের প্রোভাইডার চেষ্টা করে।
সমস্যা সমাধান
| সমস্যা | কারণ | সমাধান |
|---|---|---|
Unknown model 'auto' | আপনি OpenAI ক্লাস ব্যবহার করেছেন | OpenAILike ব্যবহার করুন |
অনুরোধ /v1/completions-এ যাচ্ছে | is_chat_model সেট করা নেই | is_chat_model=True সেট করুন |
| এজেন্ট tool কল করে না | is_function_calling_model বন্ধ, অথবা মডেলে tool calling নেই | এটি True-এ সেট করুন এবং একটি tools profile ব্যবহার করুন |
| ingestion-এর সময় Error 429 | সব প্রোভাইডারে embedding family সীমায় আছে | বড় batch ব্যবহার করুন, Retry-After-এর জন্য অপেক্ষা করুন এবং আবার চালান |
| embedding মডেল বদলানোর পর খারাপ উত্তর | এক index-এ দুটি family-র vector | সংরক্ষিত index মুছে আবার তৈরি করুন |
| কনটেক্সট দৈর্ঘ্যের error | context_window উত্তরদাতা মডেলের চেয়ে বড় | ছোট মান সেট করুন, অথবা একটি দীর্ঘ-কনটেক্সট profile ব্যবহার করুন |
কোন প্রোভাইডার একটি অনুরোধে উত্তর দিয়েছে তা দেখতে FreeLLMAPI ড্যাশবোর্ড ব্যবহার করুন। Analytics পেজে প্রতিটি প্রোভাইডার ও মডেলের অনুরোধ, latency এবং error দেখানো হয়। প্রতিটি response-এ একটি X-Routed-Via হেডারও আছে। রাউটার প্রোভাইডার বদলালে X-Fallback-Trail হেডার প্রতিটি ব্যর্থ চেষ্টা এবং কারণ দেখায়।
সাধারণ প্রশ্ন
বিনামূল্যের LLM দিয়ে কি LlamaIndex ব্যবহার করা যায়?
হ্যাঁ। OpenAI-compatible URL-এ api_base সেট করে OpenAILike ব্যবহার করুন। FreeLLMAPI অনেক বিনামূল্যের প্রোভাইডার টিয়ারের জন্য একটি URL দেয়। প্রতিটি টিয়ারের নিজস্ব সীমা আছে।
LlamaIndex-এ OpenAI ও OpenAILike-এর পার্থক্য কী?
OpenAI ক্লাস মডেল নাম OpenAI মডেলের সঙ্গে মিলিয়ে দেখে। OpenAILike যেকোনো মডেল নাম গ্রহণ করে। কনটেক্সট উইন্ডো এবং chat ও function-calling flag আপনি নিজে সেট করেন।
LlamaIndex-এর জন্য সেরা বিনামূল্যের embedding মডেল কোনটি?
আপনার ingestion-এর জন্য যথেষ্ট বিনামূল্যের অনুরোধ আছে এমন একটি family বেছে নিন এবং পুরো index-এর জন্য সেটি রাখুন। bge-m3 family কয়েকটি প্রোভাইডারে বিনামূল্যে, তাই failover তাদের মধ্যে সরতে পারে।
বিনামূল্যের মডেলে কি FunctionAgent কাজ করে?
হ্যাঁ, যদি মডেলটি tool calling সমর্থন করে এবং আপনি is_function_calling_model=True সেট করেন। এমন একটি fallback চেইন profile ব্যবহার করুন যাতে শুধু tool-calling মডেল আছে।
LlamaIndex index তৈরির সময় রেট লিমিট কীভাবে এড়াব?
বড় chunk ব্যবহার করুন, embed_batch_size 16 বা তার বেশি সেট করুন, index সংরক্ষণ করুন এবং বড় ফোল্ডার ভাগ করে ingest করুন।
সম্পর্কিত গাইড
- RAG-এর জন্য বিনামূল্যের LLM API
- বিনামূল্যের embeddings API
- LangChain-এর জন্য বিনামূল্যের LLM API
- Python-এ বিনামূল্যের LLM API
- 1 মিলিয়ন টোকেন কনটেক্সটসহ বিনামূল্যের LLM API
উৎস
- LlamaIndex: llama-index-llms-openai-like README (যাচাই: 20 November 2026)
- LlamaIndex: llama-index-embeddings-openai-like source (যাচাই: 20 November 2026)
- LlamaIndex: FunctionAgent (agent workflow) source (যাচাই: 20 November 2026)
- FreeLLMAPI docs: REST API (embeddings families, routing strategies) (যাচাই: 20 November 2026)