خانه / راهنماها / LLM API رایگان با فراخوانی تابع

LLM API رایگان با فراخوانی تابع

فراخوانی تابع، یا فراخوانی ابزار، به یک LLM اجازه می‌دهد از کد شما بخواهد یک تابع را اجرا کند. عامل‌ها، ربات‌های گفتگو با داده زنده و استخراج ساختاریافته همه از آن استفاده می‌کنند. کاتالوگ FreeLLMAPI 190 پیشنهاد مدل رایگان با فراخوانی ابزار دارد. شما tools به سبک OpenAI می‌فرستید و درگاه آن‌ها را برای هر ارائه‌دهنده ترجمه می‌کند.

کد، نام مدل‌ها و برچسب‌های زندهٔ کاتالوگ به زبان انگلیسی نمایش داده می‌شوند.

فراخوانی ابزار از طریق FreeLLMAPI چطور کار می‌کند

  1. شما پیام‌ها و فهرستی از tools می‌فرستید. هر ابزار یک نام، یک توضیح و یک JSON Schema برای پارامترهایش دارد.
  2. مدل با tool_calls و finish_reason: "tool_calls" پاسخ می‌دهد. خودش چیزی را اجرا نمی‌کند.
  3. کد شما تابع را اجرا می‌کند و نتیجه را به عنوان پیامی با role: "tool" اضافه می‌کند.
  4. شما گفتگو را دوباره می‌فرستید. مدل از نتیجه برای نوشتن پاسخ نهایی استفاده می‌کند.

ارائه‌دهندگان سازگار با OpenAI، مثل Groq، Cerebras، Mistral، OpenRouter و Cloudflare، درخواست را همان‌طور که هست دریافت می‌کنند. برای Gemini، FreeLLMAPI ابزارها را به قالب functionDeclarations گوگل ترجمه می‌کند و پاسخ را برمی‌گرداند. کد شما برای همه ارائه‌دهندگان یکسان است.

برخی مدل‌ها فراخوانی ابزار را به‌صورت متن ساده می‌نویسند، نه به‌عنوان یک فراخوانی واقعی ابزار. FreeLLMAPI این‌ها را تشخیص می‌دهد و به tool_calls واقعی تبدیل می‌کند.

مدل‌های رایگان با فراخوانی ابزار امروز

جدول قوی‌ترین مدل‌های رایگان با فراخوانی ابزار را نشان می‌دهد. داده‌ها از کاتالوگ زنده می‌آیند. برای عامل‌ها، اندازه زمینه را هم بررسی کنید، چون تعریف ابزارها و نتایج توکن زیادی مصرف می‌کنند.

مدل‌های رایگان با فراخوانی ابزار، قوی‌ترین اول
مدلرایگان درمتن ورودیمحدودیت‌های رایگان (بهترین پیشنهاد)ابزارهابینایی
GLM 5.3UnoRouter1M1 درخواست در دقیقه
1 req/min per model
بلهخیر
Qwen3.8 MaxACLIDE-€20/month shared internal usage credits · no cardبلهخیر
GLM 5.3 FlashNVIDIA NIM, UnoRouter1M40 درخواست در دقیقه
40 RPM
بلهبله
Gemini 3.8 FlashGoogle AI Studio1MRecurring provider quotaبلهبله
Gemini Flash (latest alias)Google AI Studio-10 درخواست در دقیقه
20 درخواست در روز
250,000 توکن در دقیقه
~3M
بلهبله
Qwen3.8 Flash NextAMD Radeon Cloud262KRecurring daily account allowanceبلهخیر
Qwen3.8 FlashElectronHub1M$0.25/week shared recurring creditبلهبله
Gemini 3.7 FlashGoogle AI Studio1M10 درخواست در دقیقه
20 درخواست در روز
250,000 توکن در دقیقه
~3M
بلهبله
GPT-5.6 LunaElectronHub1M$0.25/week shared recurring creditبلهبله
Dots3 Note PreviewKilo Gateway, OpenRouter512K20 درخواست در دقیقه
50 درخواست در روز
50 req/day account-wide (1,000 after a $10 purchase)
بلهبله
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 درخواست در دقیقه
50 درخواست در روز
Shared rate limit
بلهخیر
Qwen3.8 27BElectronHub, Groq, OVH AI Endpoints262K30 درخواست در دقیقه
250 درخواست در روز
70,000 توکن در دقیقه
~6M
بلهبله
Gemini 3.6 FlashGoogle AI Studio1M10 درخواست در دقیقه
20 درخواست در روز
250,000 توکن در دقیقه
~3M
بلهبله
Qwen 3.8 27BCloudflare Workers AI262KShared 10k neurons/dayبلهبله
Gemini 3.5 FlashGoogle AI Studio1M10 درخواست در دقیقه
20 درخواست در روز
250,000 توکن در دقیقه
~3M
بلهبله

نمایش 15 مدل رایگان مطابق از 146 مدل. مشاهده همه مدل‌ها.

داده‌های زنده از کاتالوگ FreeLLMAPI (نسخه 2026.11.19، بررسی‌شده در 2026-11-19). محدودیت‌های رایگان اغلب تغییر می‌کنند. کاتالوگ هر روز بررسی می‌شود.

مرحله 1: نصب FreeLLMAPI و افزودن کلیدها

FreeLLMAPI متن‌باز است. این برنامه داخل Docker روی رایانه شما اجرا می‌شود. کلیدهای ارائه‌دهندگان شما روی رایانه شما می‌مانند.

نصب (macOS یا Linux)

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

داشبورد را در http://localhost:3001 باز کنید. کلیدهایی از سه ارائه‌دهنده یا بیشتر را در صفحه Keys اضافه کنید. یک حلقه ابزار برای یک وظیفه چند درخواست می‌فرستد، پس کلیدهای بیشتر جای بیشتری می‌دهند. کلید یکپارچه خود را از همان صفحه کپی کنید.

مرحله 2: اجرای یک حلقه کامل ابزار

curl: درخواست اول

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: تا زمانی که مدل پاسخ نهایی بدهد حلقه بزنید

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)})

فراخوانی ابزار با stream=True هم کار می‌کند. شما تکه‌های delta.tool_calls را می‌گیرید، سپس یک تکه پایانی با finish_reason: "tool_calls". پیش از تجزیه JSON، تکه‌های آرگومان را به هم بچسبانید.

از یک ابزار برای داده ساختاریافته استفاده کنید

فراخوانی ابزار راه خوبی برای گرفتن داده در یک شکل ثابت هم هست. یک ابزار تعریف کنید که پارامترهایش فیلدهایی باشند که می‌خواهید. tool_choice را روی "required" بگذارید، تا مدل باید یک ابزار را فراخوانی کند. سپس آرگومان‌ها را بخوانید. لازم نیست هیچ تابعی را اجرا کنید.

Python: استخراج فیلدها با یک فراخوانی ابزار الزامی

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))

آرگومان‌ها را با کد خودتان اعتبارسنجی کنید. مدل ممکن است یک فیلد الزامی را حذف کند یا نوع اشتباه بفرستد. اگر بررسی شکست بخورد، خطا را برگردانید و دوباره بپرسید.

ایمنی: فراخوانی ابزارهایی را که اثر جانبی دارند، مثل پرداخت، ایمیل یا حذف فایل، بدون بررسی اجرا نکنید. پیش از این اقدام‌ها از کاربر تأیید بگیرید.

نکات دام‌دار

  • آرگومان‌ها رشته هستند: function.arguments یک رشته JSON است. آن را تجزیه کنید و خطاها را بگیرید. مدل‌های کوچک گاهی JSON معتبر نمی‌فرستند.
  • شناسه‌ها را تطبیق دهید: هر پیام ابزار به tool_call_id فراخوانی خودش نیاز دارد. پیام دستیار با tool_calls را پیش از پیام‌های ابزار اضافه کنید.
  • چند فراخوانی هم‌زمان: یک مدل ممکن است در یک پاسخ بیش از یک فراخوانی ابزار برگرداند. همه را اجرا کنید، سپس همه نتایج را بفرستید.
  • هزینه توکن: تعریف هر ابزار با هر درخواست فرستاده می‌شود. بیست ابزار بزرگ می‌توانند هزاران توکن مصرف کنند و سریع به یک محدودیت پایین توکن در دقیقه برسند. فقط ابزارهایی را بفرستید که وظیفه به آن‌ها نیاز دارد.
  • توضیح‌های روشن: مدل ابزار را از نام و توضیح آن انتخاب می‌کند. یک جمله کوتاه بنویسید که بگوید ابزار چه می‌کند و چه زمانی استفاده شود.
  • حلقه را متوقف کنید: یک حداکثر تعداد دور تعیین کنید. یک مدل ضعیف ممکن است بارها یک ابزار را دوباره فراخوانی کند.
  • مدل‌های بدون ابزار: برخی ارائه‌دهندگان رایگان ابزار را پشتیبانی نمی‌کنند. مثلاً AI Horde ابزارها را حذف می‌کند و مثل گفتگوی ساده پاسخ می‌دهد.
همان مدل در طول یک وظیفه: FreeLLMAPI یک گفتگو را 30 دقیقه روی یک مدل نگه می‌دارد. یک حلقه ابزار معمولاً روی یک مدل می‌ماند. اگر یک محدودیت تغییر مدل را لازم کند، مدل بعدی کل تاریخچه پیام‌ها را دریافت می‌کند، از جمله نتایج ابزار.

عیب‌یابی

مشکلعلتراه‌حل
مدل به‌صورت متن پاسخ می‌دهد و هیچ ابزاری را فراخوانی نمی‌کندمدل در ابزارها ضعیف است، یا توضیح ابزار روشن نیستیک مدل قوی‌تر از جدول را ثابت کنید، یا توضیح ابزار را بهتر کنید
json.JSONDecodeError روی آرگومان‌هامدل JSON نامعتبر فرستاده استخطا را بگیرید و آن را به عنوان نتیجه ابزار برگردانید، تا مدل دوباره تلاش کند
خطای 400 درباره یک پیام ابزارtool_call_id تطبیق نمی‌کند، یا پیام دستیار وجود نداردابتدا پیام دستیار را اضافه کنید، سپس برای هر فراخوانی یک پیام ابزار
خطای 429 در یک وظیفه عاملحلقه درخواست‌های حجیم زیادی می‌فرستدکلیدهای ارائه‌دهندگان بیشتری اضافه کنید، و ابزارهای کمتری بفرستید
حلقه متوقف نمی‌شودمدل همان ابزار را دوباره فراخوانی می‌کندیک حد دور تعیین کنید، و نتایج روشن برگردانید
هر یک از این‌ها را با یک کلید استفاده کنید. FreeLLMAPI یک روتر متن‌باز و میزبانی‌شده روی سرور خودتان است. این روتر همه این سطوح رایگان را پشت یک نقطه پایانی سازگار با OpenAI قرار می‌دهد و وقتی یک سرویس به محدودیت نرخ برسد، به سرویس بعدی منتقل می‌شود. مرور کاتالوگ یا اجرای زنده.

پرسش‌های متداول

کدام LLM APIهای رایگان از فراخوانی تابع پشتیبانی می‌کنند؟

Gemini، Groq، Cerebras، Mistral، OpenRouter، Cloudflare و ارائه‌دهندگان دیگر مدل‌های رایگان با فراخوانی ابزار دارند. کاتالوگ FreeLLMAPI امروز 190 پیشنهاد مدل رایگان با ابزار دارد.

آیا فراخوانی ابزار همان فراخوانی تابع است؟

بله. OpenAI ابتدا نام فراخوانی تابع (function calling) را به کار برد. API فعلی از tools و tool_calls استفاده می‌کند. هر دو نام یعنی مدل از کد شما می‌خواهد یک تابع را اجرا کند.

آیا فراخوانی ابزار Gemini با قالب OpenAI کار می‌کند؟

بله، از طریق FreeLLMAPI. درگاه ابزارهای OpenAI را به functionDeclarations در Gemini ترجمه می‌کند و پاسخ را به tool_calls در OpenAI برمی‌گرداند.

آیا می‌توانم فراخوانی‌های ابزار را استریم کنم؟

بله. با stream=True تکه‌های delta.tool_calls و یک finish_reason نهایی از نوع tool_calls می‌گیرید. پیش از تجزیه، تکه‌های آرگومان را به هم بچسبانید.

راهنماهای مرتبط

منابع

همه راهنماها · مرور همه مدل‌های رایگان