Inicio / Guías / LLM API gratuita con llamadas a funciones

LLM API gratuita con llamadas a funciones

Las llamadas a funciones, o llamadas a herramientas, permiten que un LLM pida a su código que ejecute una función. Los agentes, los bots de chat con datos en vivo y la extracción estructurada las usan todas. El catálogo de FreeLLMAPI tiene 190 ofertas de modelos gratuitos con llamadas a herramientas. Usted envía tools en formato OpenAI, y la pasarela las traduce para cada proveedor.

El código, los nombres de los modelos y las etiquetas del catálogo en vivo se muestran en inglés.

Cómo funcionan las llamadas a herramientas con FreeLLMAPI

  1. Usted envía los mensajes y una lista de tools. Cada herramienta tiene un nombre, una descripción y un JSON Schema para sus parámetros.
  2. El modelo responde con tool_calls y finish_reason: "tool_calls". No ejecuta nada por sí mismo.
  3. Su código ejecuta la función y añade el resultado como mensaje con role: "tool".
  4. Usted envía la conversación de nuevo. El modelo usa el resultado para escribir la respuesta final.

Los proveedores compatibles con OpenAI, como Groq, Cerebras, Mistral, OpenRouter y Cloudflare, reciben la solicitud tal cual. Para Gemini, FreeLLMAPI traduce las herramientas al formato functionDeclarations de Google’s y traduce la respuesta de vuelta. Su código es el mismo para cada proveedor.

Algunos modelos escriben una llamada a herramienta como texto simple y no como una llamada real. FreeLLMAPI las detecta y las convierte en tool_calls reales.

Modelos gratuitos con llamadas a herramientas hoy

La tabla muestra los modelos gratuitos con llamadas a herramientas más sólidos. Los datos vienen del catálogo activo. Para agentes, revise también el tamaño del contexto, porque las definiciones de herramientas y los resultados usan muchos tokens.

Modelos gratuitos con llamadas a herramientas, los más sólidos primero
ModeloGratis enContextoLímites gratuitos (mejor oferta)HerramientasVisión
GLM 5.3UnoRouter1M1 solicitudes/min
1 req/min per model
SíNo
Qwen3.8 MaxACLIDE-€20/month shared internal usage credits · no cardSíNo
GLM 5.3 FlashNVIDIA NIM, UnoRouter1M40 solicitudes/min
40 RPM
SíSí
Gemini 3.8 FlashGoogle AI Studio1MRecurring provider quotaSíSí
Gemini Flash (latest alias)Google AI Studio-10 solicitudes/min
20 solicitudes/día
250,000 tokens/min
~3M
SíSí
Qwen3.8 Flash NextAMD Radeon Cloud262KRecurring daily account allowanceSíNo
Qwen3.8 FlashElectronHub1M$0.25/week shared recurring creditSíSí
Gemini 3.7 FlashGoogle AI Studio1M10 solicitudes/min
20 solicitudes/día
250,000 tokens/min
~3M
SíSí
GPT-5.6 LunaElectronHub1M$0.25/week shared recurring creditSíSí
Dots3 Note PreviewKilo Gateway, OpenRouter512K20 solicitudes/min
50 solicitudes/día
50 req/day account-wide (1,000 after a $10 purchase)
SíSí
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 solicitudes/min
50 solicitudes/día
Shared rate limit
SíNo
Qwen3.8 27BElectronHub, Groq, OVH AI Endpoints262K30 solicitudes/min
250 solicitudes/día
70,000 tokens/min
~6M
SíSí
Gemini 3.6 FlashGoogle AI Studio1M10 solicitudes/min
20 solicitudes/día
250,000 tokens/min
~3M
SíSí
Qwen 3.8 27BCloudflare Workers AI262KShared 10k neurons/daySíSí
Gemini 3.5 FlashGoogle AI Studio1M10 solicitudes/min
20 solicitudes/día
250,000 tokens/min
~3M
SíSí

Se muestran 15 de 146 modelos gratuitos que coinciden. Ver todos los modelos.

Datos en vivo del catálogo de FreeLLMAPI (versión 2026.11.19, revisado 2026-11-19). Los límites gratuitos cambian con frecuencia. El catálogo se revisa todos los días.

Paso 1: Instale FreeLLMAPI y añada claves

FreeLLMAPI es de código abierto. Se ejecuta en su computadora con Docker. Sus claves de proveedor permanecen en su computadora.

Instale (macOS o Linux)

curl -fsSL https://freellmapi.co/install.sh | bash

Abra el panel en http://localhost:3001. Añada claves de tres o más proveedores en la página Keys. Un bucle de herramientas envía varias solicitudes para una tarea, así que más claves dan más margen. Copie su clave unificada de la misma página.

Paso 2: Ejecute un bucle de herramientas completo

curl: la primera solicitud

curl http://localhost:3001/v1/chat/completions \
  -H "Authorization: Bearer <unified-key>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "auto",
    "messages": [{"role": "user", "content": "What is the weather in Karachi?"}],
    "tools": [{
      "type": "function",
      "function": {
        "name": "get_weather",
        "description": "Get the current weather for a city.",
        "parameters": {
          "type": "object",
          "properties": {"city": {"type": "string"}},
          "required": ["city"]
        }
      }
    }]
  }'

Python: repita hasta que el modelo dé una respuesta final

import json
from openai import OpenAI

client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")

def get_weather(city: str) -> dict:
    return {"city": city, "temp_c": 32, "condition": "sunny"}  # call a real API here

FUNCS = {"get_weather": get_weather}
tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "Get the current weather for a city.",
        "parameters": {
            "type": "object",
            "properties": {"city": {"type": "string"}},
            "required": ["city"],
        },
    },
}]
messages = [{"role": "user", "content": "What is the weather in Karachi and Lahore?"}]

for _ in range(5):  # stop after 5 rounds
    msg = client.chat.completions.create(model="auto", messages=messages, tools=tools).choices[0].message
    if not msg.tool_calls:
        print(msg.content)
        break
    messages.append(msg)
    for call in msg.tool_calls:
        try:
            args = json.loads(call.function.arguments or "{}")
            result = FUNCS[call.function.name](**args)
        except Exception as exc:  # bad JSON, unknown tool or wrong arguments
            result = {"error": str(exc)}
        messages.append({"role": "tool", "tool_call_id": call.id, "content": json.dumps(result)})

Las llamadas a herramientas también funcionan con stream=True. Recibe fragmentos delta.tool_calls y después un fragmento final con finish_reason: "tool_calls". Una los fragmentos de argumentos antes de analizar el JSON.

Use una herramienta para obtener datos estructurados

Las llamadas a herramientas también son una buena forma de obtener datos con una forma fija. Defina una herramienta cuyos parámetros sean los campos que quiere. Defina tool_choice como "required", para que el modelo deba llamar a una herramienta. Después lea los argumentos. No necesita ejecutar ninguna función.

Python: extraer campos con una llamada obligatoria a herramienta

import json
from openai import OpenAI

client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")
schema = {
    "type": "function",
    "function": {
        "name": "save_contact",
        "description": "Save one contact found in the text.",
        "parameters": {
            "type": "object",
            "properties": {"name": {"type": "string"}, "email": {"type": "string"}},
            "required": ["name", "email"],
        },
    },
}
resp = client.chat.completions.create(
    model="auto",
    messages=[{"role": "user", "content": "Reach Sara Khan at [email protected]."}],
    tools=[schema],
    tool_choice="required",
)
print(json.loads(resp.choices[0].message.tool_calls[0].function.arguments))

Valide los argumentos con su propio código. Un modelo puede omitir un campo obligatorio o enviar un tipo incorrecto. Si la comprobación falla, envíe el error de vuelta y vuelva a preguntar.

Seguridad: no ejecute llamadas a herramientas con efectos secundarios, como pagos, correos o borrado de archivos, sin una comprobación. Pida primero al usuario que confirme estas acciones.

Errores comunes

  • Los argumentos son una cadena: function.arguments es una cadena JSON. Analícela y capture los errores. Los modelos pequeños a veces envían JSON que no es válido.
  • Coincida los IDs: cada mensaje de herramienta necesita el tool_call_id de su llamada. Añada el mensaje del asistente con los tool_calls antes de los mensajes de herramienta.
  • Varias llamadas a la vez: un modelo puede devolver más de una llamada a herramienta en una respuesta. Ejecútelas todas y después envíe todos los resultados.
  • Costo en tokens: cada definición de herramienta se envía con cada solicitud. Veinte herramientas grandes pueden usar miles de tokens y alcanzar con rapidez un límite bajo de tokens por minuto. Envíe solo las herramientas que necesita la tarea.
  • Descripciones claras: el modelo elige una herramienta por su nombre y descripción. Escriba una frase corta que diga qué hace la herramienta y cuándo usarla.
  • Detenga el bucle: defina un número máximo de rondas. Un modelo débil puede llamar a la misma herramienta una y otra vez.
  • Modelos sin herramientas: algunos proveedores gratuitos no admiten herramientas. Por ejemplo, AI Horde descarta las herramientas y responde como chat simple.
Mismo modelo durante una tarea: FreeLLMAPI mantiene una conversación en un mismo modelo durante 30 minutos. Un bucle de herramientas normalmente se queda en un modelo. Si un límite obliga a cambiar, el modelo siguiente recibe el historial completo de mensajes, incluidos los resultados de las herramientas.

Solución de problemas

ProblemaCausaSolución
El modelo responde con texto y no llama a ninguna herramientaEl modelo es débil con herramientas, o la descripción no es claraFije un modelo más fuerte de la tabla, o mejore la descripción de la herramienta
json.JSONDecodeError en los argumentosEl modelo envió JSON no válidoCapture el error y envíelo de vuelta como resultado de la herramienta, para que el modelo lo intente de nuevo
Error 400 sobre un mensaje de herramientaEl tool_call_id no coincide, o falta el mensaje del asistenteAñada primero el mensaje del asistente y luego un mensaje de herramienta por cada llamada
Error 429 durante una tarea de agenteEl bucle envía muchas solicitudes grandesAñada más claves de proveedores y envíe menos herramientas
El bucle no se detieneEl modelo llama a la misma herramienta otra vezDefina un límite de rondas y devuelva resultados claros
Use cada uno de estos modelos con una sola clave. FreeLLMAPI es un enrutador de código abierto y autoalojado. Reúne todos estos niveles gratuitos detrás de un único endpoint compatible con OpenAI y cambia de proveedor cuando uno alcanza su límite. Explore el catálogo o ir en vivo.

Preguntas frecuentes

¿Qué APIs de LLM gratuitas admiten llamadas a funciones?

Gemini, Groq, Cerebras, Mistral, OpenRouter, Cloudflare y otros proveedores tienen modelos gratuitos con llamadas a herramientas. El catálogo de FreeLLMAPI tiene hoy 190 ofertas de modelos gratuitos con herramientas.

¿Las llamadas a herramientas son lo mismo que las llamadas a funciones?

Sí. OpenAI usó primero el nombre llamadas a funciones (function calling). La API actual usa tools y tool_calls. Ambos nombres significan que el modelo pide a su código que ejecute una función.

¿Funcionan las llamadas a herramientas de Gemini con el formato de OpenAI?

Sí, a través de FreeLLMAPI. La pasarela traduce las herramientas de OpenAI a functionDeclarations de Gemini y traduce la respuesta de vuelta a tool_calls de OpenAI.

¿Puedo recibir las llamadas a herramientas en streaming?

Sí. Con stream=True recibe fragmentos delta.tool_calls y un finish_reason final de tool_calls. Una los fragmentos de argumentos antes de analizarlos.

Guías relacionadas

Fuentes

Todas las guías · Ver todos los modelos gratuitos