Startseite / Anleitungen / Kostenloses LLM für LlamaIndex

Kostenloses LLM für LlamaIndex

LlamaIndex hat zwei Klassen für OpenAI-kompatible APIs: OpenAILike für Chat und OpenAILikeEmbedding für Embeddings. Diese Anleitung richtet beide auf FreeLLMAPI aus, das 45 kostenlose Anbieter-Stufen hinter einem Schlüssel bündelt. Sie bauen einen Index für Retrieval-Augmented Generation (RAG), fragen ihn ab und fügen einen Agenten hinzu. Der Code berücksichtigt Rate-Limits.

Code, Modellnamen und Bezeichnungen aus dem Live-Katalog werden auf Englisch angezeigt.

Die Pakete installieren

Installieren Sie FreeLLMAPI und fügen Sie auf der Dashboard-Seite Keys kostenlose Schlüssel von zwei oder mehr Anbietern hinzu. Kopieren Sie den einheitlichen Schlüssel. Installieren Sie danach die LlamaIndex-Pakete.

Installation

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>

Verwenden Sie nicht die einfache Klasse OpenAI aus llama-index-llms-openai mit Modellnamen, die OpenAI nicht kennt. Diese Klasse prüft Modellnamen und Kontextgrößen gegen eine Liste von OpenAI-Modellen. OpenAILike prüft nichts davon, daher setzen Sie diese Werte selbst.

LLM und Embedding-Modell konfigurieren

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: Ohne diese Einstellung sendet LlamaIndex Anfragen an den älteren Completions-Endpunkt.
  • context_window: LlamaIndex verwendet diesen Wert, um zu entscheiden, wie viele abgerufene Abschnitte in den Prompt passen. Mit auto kann der Router unterschiedliche Modelle wählen. Verwenden Sie das kleinste Kontextfenster in Ihrer Kette.
  • is_function_calling_model=True: Setzen Sie diesen Wert nur, wenn Ihre Kette Modelle mit Tool-Aufrufen enthält.
  • embed_batch_size: Jeder Stapel ist eine Anfrage. Größere Stapel brauchen weniger Anfragen pro Minute.

Ein RAG-Prompt enthält mehrere abgerufene Abschnitte, daher braucht das Chat-Modell Platz für sie. Legen Sie ein Fallback-Ketten-Profil mit Modellen mit langem Kontext für RAG an. Setzen Sie dann model="auto:<profile>" und erhöhen Sie context_window auf das kleinste Fenster in diesem Profil. Diese kostenlosen Modelle haben heute die größten Kontextfenster:

Kostenlose Modelle mit den größten Kontextfenstern
ModellKostenlos beiKontextKostenlose Limits (bestes Angebot)ToolsBildverarbeitung
OpenAI: GPT-6 LunaElectronHub1.1M$0.25/week shared free creditsNeinNein
Gemini 3.8 FlashAPINex, Google AI Studio1M5 Anfragen/Min.
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
JaJa
Gemini 3.7 FlashGoogle AI Studio1M10 Anfragen/Min.
20 Anfragen/Tag
250,000 Token/Min.
~3M
JaJa
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 Anfragen/Min.
50 Anfragen/Tag
Shared rate limit
JaNein
DeepSeek V4 Flash 0731ElectronHub, Router91M10,000 credits/month (~$1), shared; account-anniversary resetNeinNein
Gemini 3.6 FlashGoogle AI Studio1M10 Anfragen/Min.
20 Anfragen/Tag
250,000 Token/Min.
~3M
JaJa
GLM-5.2ModelScope, Router91M100 Anfragen/Tag
Daily login: 200 credits + 50 for linked Alibaba Cloud; 24h expiry; shared; noncommercial experience
NeinNein
Gemini 3.5 FlashGoogle AI Studio1M10 Anfragen/Min.
20 Anfragen/Tag
250,000 Token/Min.
~3M
JaJa

Es werden 8 von 115 passenden kostenlosen Modellen angezeigt. Alle Modelle ansehen.

Live-Daten aus dem FreeLLMAPI-Katalog (Version 2026.11.19, geprüft 2026-11-19). Kostenlose Limits ändern sich oft. Der Katalog wird jeden Tag geprüft.

Um einen Benutzer bei einem Modell zu halten, senden Sie einen Header X-Session-Id. OpenAILike akzeptiert default_headers, zum Beispiel default_headers={"X-Session-Id": "user-42"}. FreeLLMAPI hält eine Sitzung 30 Minuten lang auf demselben Modell. So bleibt der Antwortstil in einem Chat gleich.

RAG-Index aufbauen und abfragen

Das Skript liest Dateien aus einem Ordner, erstellt Embeddings, speichert den Index und beantwortet eine Frage. Führen Sie es einmal aus, um den Index aufzubauen. Spätere Läufe laden den gespeicherten Index und betten die Dateien nicht erneut ein.

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))
Wichtig: Verwenden Sie für den gesamten Index eine Embedding-Familie. FreeLLMAPI ändert das Embedding-Modell beim Failover nie. Es wechselt nur zwischen Anbietern, die dieselbe Familie bereitstellen. Wenn Sie die Familie ändern, löschen Sie ./storage und bauen Sie den Index neu auf.

Diese Embedding-Modelle sind im heutigen Katalog kostenlos. Die Spalte Dimensions zeigt die Vektorgröße jeder Familie.

ModellAnbieterDimensionenMax. EingabeKostenloses Limit
Gemini Embedding
gemini-embedding-001
Google AI Studio30722048100 rpm · 1K req/day
Nemotron Embed VL 1B
nvidia/llama-nemotron-embed-vl-1b-v2
NVIDIA NIM20488192~40 rpm
Nemotron 3 Embed 1B (OR free)
nvidia/nemotron-3-embed-1b:free
OpenRouter20483276820 rpm · shared free daily cap
SEA-LION E5 Embedding 600M
aisingapore/SEA-LION-E5-Embedding-600M
SEA-LION10248192free · 10 rpm
SEA-LION ModernBERT Embedding 300M
aisingapore/SEA-LION-ModernBERT-Embedding-300M
SEA-LION10248192free · 10 rpm
SEA-LION ModernBERT Embedding 600M
aisingapore/SEA-LION-ModernBERT-Embedding-600M
SEA-LION10248192free · 10 rpm
BGE-M3
@cf/baai/bge-m3
Cloudflare Workers AI1024819210K neurons/day (shared)
EmbeddingGemma 300M
@cf/google/embeddinggemma-300m
Cloudflare Workers AI768204810K neurons/day (shared)
Qwen3 Embedding 0.6B
@cf/qwen/qwen3-embedding-0.6b
Cloudflare Workers AI1024819210K neurons/day (shared)
Cohere Embed v4
embed-v4.0
Cohere15361280001K calls/mo (shared w/ chat)
Gemini Embedding 2
gemini-embedding-2
Google AI Studio30728192free-tier rate limited
Nemotron 3 Embed 1B
nvidia/nemotron-3-embed-1b
NVIDIA NIM20484096~40 rpm
PLaMo Embedding 1B (CF)
@cf/pfnet/plamo-embedding-1b
Cloudflare Workers AI2048409610K neurons/day (shared)
BGE Small EN v1.5 (CF)
@cf/baai/bge-small-en-v1.5
Cloudflare Workers AI38451210K neurons/day (shared)
BGE Base EN v1.5 (CF)
@cf/baai/bge-base-en-v1.5
Cloudflare Workers AI76851210K neurons/day (shared)
BGE Large EN v1.5 (CF)
@cf/baai/bge-large-en-v1.5
Cloudflare Workers AI102451210K neurons/day (shared)
Mistral Embed
mistral-embed
Mistral10248192free mode · monthly cap (shared)
Codestral Embed
codestral-embed
Mistral15368192free mode · monthly cap (shared)
Llama Text Embed v2 (Pinecone)
llama-text-embed-v2
Pinecone102420485M tokens/mo per model
Multilingual E5 Large (Pinecone)
multilingual-e5-large
Pinecone10245075M tokens/mo per model
Nemotron 3 Embed 1B (Speka)
nvidia/nemotron-3-embed-1b
Speka20488192$1/month shared across Speka models
OpenAI: Text Embedding 3 Small (ElectronHub)
text-embedding-3-small
ElectronHub15368192$0.25/week shared free credits
OpenAI: Text Embedding 3 Large (ElectronHub)
text-embedding-3-large
ElectronHub30728192$0.25/week shared free credits
Nemotron 3 Embed 8B (Inferbase)
nvidia-nemotron-3-embed-8b
Inferbase409681925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 0.6B (Inferbase)
qwen3-embedding-0-6b
Inferbase102481925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 4B (Inferbase)
qwen3-embedding-4b
Inferbase256081925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 8B (Inferbase)
qwen3-embedding-8b
Inferbase409681925,000 requests/month; 100 requests and $0.50 usage/day shared
LFM2.5 Embedding 350M (LLMTR)
liquid/lfm-2.5-embedding-350m-free
LLMTR1024512Ongoing zero-price route; provider terms apply
BGE-M3 (SEA-LION)
BAAI/bge-m3
SEA-LION10248192free · 10 rpm
Cohere Embed English v3
embed-english-v3.0
Cohere10245121K calls/mo (shared w/ chat)
Qwen3 Embedding 8B (OVH)
Qwen3-Embedding-8B
OVH AI Endpoints409632768free · anonymous 2 req/min per IP
BGE-M3 (OVH)
bge-m3
OVH AI Endpoints10248192free · anonymous 2 req/min per IP
BGE Multilingual Gemma2 (OVH)
bge-multilingual-gemma2
OVH AI Endpoints35848192free · anonymous 2 req/min per IP
Mistral: Codestral Embed (ElectronHub)
codestral-embed
ElectronHub15368192$0.25/week shared free credits
Mistral: Mistral Embed (ElectronHub)
mistral-embed
ElectronHub10248192$0.25/week shared free credits
Google: Gemini Embedding 2 (ElectronHub)
gemini-embedding-2
ElectronHub30728192$0.25/week shared free credits
Google: Gemini Embedding 001 (ElectronHub)
gemini-embedding-001
ElectronHub30722048$0.25/week shared free credits
OpenAI: Text Embedding Ada 002 (ElectronHub)
text-embedding-ada-002
ElectronHub15368192$0.25/week shared free credits
Cohere Embed English Light v3
embed-english-light-v3.0
Cohere3845121K calls/mo (shared w/ chat)
Cohere Embed Multilingual v3
embed-multilingual-v3.0
Cohere10245121K calls/mo (shared w/ chat)
Cohere Embed Multilingual Light v3
embed-multilingual-light-v3.0
Cohere3845121K calls/mo (shared w/ chat)

Live-Daten aus dem FreeLLMAPI-Katalog (Version 2026.11.19, geprüft 2026-11-19). Kostenlose Limits ändern sich oft. Der Katalog wird jeden Tag geprüft.

Einen Agenten mit FunctionAgent hinzufügen

FunctionAgent verwendet Tool-Aufrufe. Sie können ihm die Query-Engine als Tool geben und eigene Python-Funktionen hinzufügen.

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())

Für Agent-Arbeit wählen Sie Modelle mit Tool-Aufrufen. Legen Sie ein Fallback-Ketten-Profil nur mit diesen Modellen an und verwenden Sie auto:<profile> als Modellnamen.

Kostenlose Modelle mit Tool-Aufrufen und 128K+ Kontext
ModellKostenlos beiKontextKostenlose Limits (bestes Angebot)ToolsBildverarbeitung
GLM 5.3UnoRouter1M1 Anfragen/Min.
1 req/min per model
JaNein
GLM 5.3 FlashNVIDIA NIM, UnoRouter1M40 Anfragen/Min.
40 RPM
JaJa
Gemini 3.8 FlashGoogle AI Studio1MRecurring provider quotaJaJa
Qwen3.8 Flash NextAMD Radeon Cloud262KRecurring daily account allowanceJaNein
Qwen3.8 FlashElectronHub1M$0.25/week shared recurring creditJaJa
Gemini 3.7 FlashGoogle AI Studio1M10 Anfragen/Min.
20 Anfragen/Tag
250,000 Token/Min.
~3M
JaJa
GPT-5.6 LunaElectronHub1M$0.25/week shared recurring creditJaJa
Dots3 Note PreviewKilo Gateway, OpenRouter512K20 Anfragen/Min.
50 Anfragen/Tag
50 req/day account-wide (1,000 after a $10 purchase)
JaJa
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 Anfragen/Min.
50 Anfragen/Tag
Shared rate limit
JaNein
Qwen3.8 27BElectronHub, Groq, OVH AI Endpoints262K30 Anfragen/Min.
250 Anfragen/Tag
70,000 Token/Min.
~6M
JaJa

Es werden 10 von 109 passenden kostenlosen Modellen angezeigt. Alle Modelle ansehen.

Live-Daten aus dem FreeLLMAPI-Katalog (Version 2026.11.19, geprüft 2026-11-19). Kostenlose Limits ändern sich oft. Der Katalog wird jeden Tag geprüft.

Die Indizierung innerhalb der kostenlosen Limits halten

Die Indizierung sendet in kurzer Zeit viele Embedding-Anfragen. Kostenlose Embedding-Stufen haben niedrige Limits. Manche erlauben zum Beispiel 10 Anfragen pro Minute, andere zählen Aufrufe pro Monat. Planen Sie die erste Indizierung, bevor Sie sie starten.

  • Verwenden Sie große Abschnitte. Weniger Abschnitte bedeuten weniger Vektoren und weniger Anfragen. Eine Abschnittsgröße um 1,024 Tokens ist ein guter Start.
  • Verwenden Sie Stapel. Setzen Sie embed_batch_size auf 16 oder mehr. Eine Anfrage enthält dann viele Abschnitte.
  • Speichern Sie den Index. Persistieren Sie den Index nach dem ersten Lauf. Betten Sie dieselben Dateien nicht erneut ein.
  • Behalten Sie Wiederholungen bei. OpenAILikeEmbedding wiederholt Anfragen standardmäßig bis zu 10 Mal. Behalten Sie diesen Wert für lange Indizierungsaufträge bei.
  • Indizieren Sie in Teilen. Bei Tausenden Dateien indizieren Sie jeweils einen Ordner.

Abfragen sind günstiger als die Indizierung. Jede Abfrage verwendet eine Embedding-Anfrage und eine Chat-Anfrage. Eine Chat-Anfrage mit vier Abschnitten zu je 1,024 Tokens sendet etwa 5,000 Tokens. Kostenlose Stufen mit niedrigen Limits für Tokens pro Minute können das ablehnen. FreeLLMAPI versucht dann den nächsten Anbieter.

Fehlerbehebung

ProblemUrsacheLösung
Unknown model 'auto'Sie haben die Klasse OpenAI verwendetVerwenden Sie OpenAILike
Anfragen gehen an /v1/completionsis_chat_model ist nicht gesetztSetzen Sie is_chat_model=True
Der Agent ruft keine Tools aufis_function_calling_model ist aus, oder das Modell hat keine Tool-AufrufeSetzen Sie den Wert auf True und verwenden Sie ein Tools-Profil
Fehler 429 während der IndizierungDie Embedding-Familie ist bei allen Anbietern am LimitVerwenden Sie größere Stapel, warten Sie auf Retry-After und starten Sie erneut
Schlechte Antworten nach einem Wechsel des Embedding-ModellsVektoren aus zwei Familien in einem IndexLöschen Sie den gespeicherten Index und bauen Sie ihn neu auf
Fehler zur Kontextlängecontext_window ist größer als das Modell, das geantwortet hatSetzen Sie einen kleineren Wert oder verwenden Sie ein Profil mit langem Kontext

Um zu sehen, welcher Anbieter eine Anfrage beantwortet hat, verwenden Sie das FreeLLMAPI-Dashboard. Die Seite Analytics zeigt Anfragen, Latenz und Fehler für jeden Anbieter und jedes Modell. Jede Antwort hat außerdem einen Header X-Routed-Via. Wenn der Router den Anbieter gewechselt hat, nennt der Header X-Fallback-Trail jeden fehlgeschlagenen Versuch und den Grund.

Nutzen Sie alle diese Modelle über einen einzigen Schlüssel. FreeLLMAPI ist ein Open-Source-Router, den Sie selbst hosten. Er stellt alle diese kostenlosen Angebote hinter einem einzigen OpenAI-kompatiblen Endpunkt bereit und wechselt zum nächsten Anbieter, wenn ein Anbieter das Limit erreicht. Katalog ansehen oder Jetzt starten.

Häufig gestellte Fragen

Kann ich LlamaIndex mit einem kostenlosen LLM verwenden?

Ja. Verwenden Sie OpenAILike mit api_base auf eine OpenAI-kompatible URL. FreeLLMAPI bietet eine URL für viele kostenlose Anbieter-Stufen. Jede Stufe hat eigene Limits.

Was ist der Unterschied zwischen OpenAI und OpenAILike in LlamaIndex?

Die Klasse OpenAI prüft Modellnamen gegen OpenAI-Modelle. OpenAILike akzeptiert jeden Modellnamen. Das Kontextfenster sowie die Flags für Chat und Funktionsaufrufe setzen Sie selbst.

Welches kostenlose Embedding-Modell ist am besten für LlamaIndex?

Wählen Sie eine Familie mit genug kostenlosen Anfragen für Ihre Indizierung und behalten Sie sie für den gesamten Index. Die Familie bge-m3 ist bei mehreren Anbietern kostenlos, daher kann das Failover zwischen ihnen wechseln.

Funktioniert FunctionAgent mit kostenlosen Modellen?

Ja, wenn das Modell Tool-Aufrufe unterstützt und Sie is_function_calling_model=True setzen. Verwenden Sie ein Fallback-Ketten-Profil, das nur Modelle mit Tool-Aufrufen enthält.

Wie vermeide ich Rate-Limits beim Aufbau eines LlamaIndex-Index?

Verwenden Sie große Abschnitte, setzen Sie embed_batch_size auf 16 oder mehr, speichern Sie den Index und indizieren Sie große Ordner in Teilen.

Verwandte Anleitungen

Quellen

Alle Anleitungen · Alle kostenlosen Modelle ansehen