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
- شما پیامها و فهرستی از
toolsمیفرستید. هر ابزار یک نام، یک توضیح و یک JSON Schema برای پارامترهایش دارد. - مدل با
tool_callsوfinish_reason: "tool_calls"پاسخ میدهد. خودش چیزی را اجرا نمیکند. - کد شما تابع را اجرا میکند و نتیجه را به عنوان پیامی با
role: "tool"اضافه میکند. - 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.
| مدل | رایگان در | متن ورودی | محدودیتهای رایگان (بهترین پیشنهاد) | ابزارها | بینایی |
|---|---|---|---|---|---|
| GLM 5.3 | UnoRouter | 1M | 1 درخواست در دقیقه 1 req/min per model | بله | خیر |
| Qwen3.8 Max | ACLIDE | - | €20/month shared internal usage credits · no card | بله | خیر |
| GLM 5.3 Flash | NVIDIA NIM, UnoRouter | 1M | 40 درخواست در دقیقه 40 RPM | بله | بله |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | بله | بله |
| Gemini Flash (latest alias) | Google AI Studio | - | 10 درخواست در دقیقه 20 درخواست در روز 250,000 توکن در دقیقه ~3M | بله | بله |
| Qwen3.8 Flash Next | AMD Radeon Cloud | 262K | Recurring daily account allowance | بله | خیر |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | بله | بله |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 درخواست در دقیقه 20 درخواست در روز 250,000 توکن در دقیقه ~3M | بله | بله |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | بله | بله |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 درخواست در دقیقه 50 درخواست در روز 50 req/day account-wide (1,000 after a $10 purchase) | بله | بله |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 درخواست در دقیقه 50 درخواست در روز Shared rate limit | بله | خیر |
| Qwen3.8 27B | ElectronHub, Groq, OVH AI Endpoints | 262K | 30 درخواست در دقیقه 250 درخواست در روز 70,000 توکن در دقیقه ~6M | بله | بله |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 درخواست در دقیقه 20 درخواست در روز 250,000 توکن در دقیقه ~3M | بله | بله |
| Qwen 3.8 27B | Cloudflare Workers AI | 262K | Shared 10k neurons/day | بله | بله |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 درخواست در دقیقه 20 درخواست در روز 250,000 توکن در دقیقه ~3M | بله | بله |
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 | bashداشبورد 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.
نکات دامدار
- آرگومانها رشته هستند:
function.argumentsیک 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_idفراخوانی خودش نیاز دارد. پیام دستیار باtool_callsرا 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.
عیبیابی
| مشکل | علت | راهحل |
|---|---|---|
| مدل بهصورت متن پاسخ میدهد و هیچ ابزاری را فراخوانی نمیکند | مدل در ابزارها ضعیف است، یا توضیح ابزار روشن نیست | یک مدل قویتر از جدول را ثابت کنید، یا توضیح ابزار را بهتر کنید |
json.JSONDecodeError روی آرگومانها | مدل JSON نامعتبر فرستاده است | خطا را بگیرید و آن را به عنوان نتیجه ابزار برگردانید، تا مدل دوباره تلاش کند |
| خطای 400 درباره یک پیام ابزار | tool_call_id تطبیق نمیکند، یا پیام دستیار وجود ندارد | ابتدا پیام دستیار را اضافه کنید، سپس برای هر فراخوانی یک پیام ابزار |
| خطای 429 در یک وظیفه عامل | حلقه درخواستهای حجیم زیادی میفرستد | کلیدهای ارائهدهندگان بیشتری اضافه کنید، و ابزارهای کمتری بفرستید |
| حلقه متوقف نمیشود | مدل همان ابزار را دوباره فراخوانی میکند | یک حد دور تعیین کنید، و نتایج روشن برگردانید |
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
- API رایگان LLM برای عاملهای هوش مصنوعی
- API جستجوی وب رایگان برای عاملهای AI
- بهترین API مدلهای کدنویسی رایگان
- API رایگان LLM برای LangChain
- API رایگان LLM در Python
منابع
- FreeLLMAPI docs: Tool calling (بررسیشده در 20 November 2026)
- FreeLLMAPI README: features (بررسیشده در 20 November 2026)
- OpenAI API reference: Chat Completions tools (بررسیشده در 20 November 2026)