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
- Usted envía los mensajes y una lista de
tools. Cada herramienta tiene un nombre, una descripción y un JSON Schema para sus parámetros. - El modelo responde con
tool_callsyfinish_reason: "tool_calls". No ejecuta nada por sí mismo. - Su código ejecuta la función y añade el resultado como mensaje con
role: "tool". - 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.
| Modelo | Gratis en | Contexto | Límites gratuitos (mejor oferta) | Herramientas | Visión |
|---|---|---|---|---|---|
| GLM 5.3 | UnoRouter | 1M | 1 solicitudes/min 1 req/min per model | Sí | No |
| Qwen3.8 Max | ACLIDE | - | €20/month shared internal usage credits · no card | Sí | No |
| GLM 5.3 Flash | NVIDIA NIM, UnoRouter | 1M | 40 solicitudes/min 40 RPM | Sí | Sí |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | Sí | Sí |
| Gemini Flash (latest alias) | Google AI Studio | - | 10 solicitudes/min 20 solicitudes/día 250,000 tokens/min ~3M | Sí | Sí |
| Qwen3.8 Flash Next | AMD Radeon Cloud | 262K | Recurring daily account allowance | Sí | No |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | Sí | Sí |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 solicitudes/min 20 solicitudes/día 250,000 tokens/min ~3M | Sí | Sí |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | Sí | Sí |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 solicitudes/min 50 solicitudes/día 50 req/day account-wide (1,000 after a $10 purchase) | Sí | Sí |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 solicitudes/min 50 solicitudes/día Shared rate limit | Sí | No |
| Qwen3.8 27B | ElectronHub, Groq, OVH AI Endpoints | 262K | 30 solicitudes/min 250 solicitudes/día 70,000 tokens/min ~6M | Sí | Sí |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 solicitudes/min 20 solicitudes/día 250,000 tokens/min ~3M | Sí | Sí |
| Qwen 3.8 27B | Cloudflare Workers AI | 262K | Shared 10k neurons/day | Sí | Sí |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 solicitudes/min 20 solicitudes/día 250,000 tokens/min ~3M | Sí | Sí |
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 | bashAbra 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.
Errores comunes
- Los argumentos son una cadena:
function.argumentses 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_idde su llamada. Añada el mensaje del asistente con lostool_callsantes 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.
Solución de problemas
| Problema | Causa | Solución |
|---|---|---|
| El modelo responde con texto y no llama a ninguna herramienta | El modelo es débil con herramientas, o la descripción no es clara | Fije un modelo más fuerte de la tabla, o mejore la descripción de la herramienta |
json.JSONDecodeError en los argumentos | El modelo envió JSON no válido | Capture 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 herramienta | El tool_call_id no coincide, o falta el mensaje del asistente | Añada primero el mensaje del asistente y luego un mensaje de herramienta por cada llamada |
| Error 429 durante una tarea de agente | El bucle envía muchas solicitudes grandes | Añada más claves de proveedores y envíe menos herramientas |
| El bucle no se detiene | El modelo llama a la misma herramienta otra vez | Defina un límite de rondas y devuelva resultados claros |
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
- API LLM gratuita para agentes de IA
- API de búsqueda web gratuita para agentes de IA
- Mejores API gratuitas de modelos para programar
- API LLM gratuita para LangChain
- API de LLM gratuita en Python
Fuentes
- FreeLLMAPI docs: Tool calling (revisado 20 November 2026)
- FreeLLMAPI README: features (revisado 20 November 2026)
- OpenAI API reference: Chat Completions tools (revisado 20 November 2026)