LangChain साठी मोफत LLM API
LangChain ChatOpenAI आणि OpenAIEmbeddings द्वारे OpenAI-सुसंगत API शी जोडते. तुम्ही बेस URL आणि की बदलता. हे मार्गदर्शक दोन्ही क्लासेस FreeLLMAPI कडे निर्देशित करते, जे एका कीमागे 45 मोफत प्रदाता टियर एकत्र ठेवते. खालील कोड Python आणि JavaScript मध्ये चालतो आणि विनंती मर्यादा हाताळतो.
कोड, मॉडेलची नावे आणि थेट कॅटलॉग लेबल इंग्रजीत दाखवले जातात.
गेटवे आणि पॅकेजेस सेट करा
FreeLLMAPI इन्स्टॉल करा आणि डॅशबोर्डच्या Keys पेजवर दोन किंवा अधिक प्रदात्यांच्या मोफत की जोडा. एकत्रित की कॉपी करा. तुमचा कोड फक्त ही की वापरतो. प्रदात्यांच्या की FreeLLMAPI मध्येच राहतात.
FreeLLMAPI आणि LangChain पॅकेजेस इन्स्टॉल करा
curl -fsSL https://freellmapi.co/install.sh | bash
# Python
pip install -U langchain langchain-openai
# JavaScript
npm install @langchain/openai @langchain/core zodएन्व्हायर्नमेंट व्हेरिएबल्स
export FREELLMAPI_BASE_URL=http://localhost:3001/v1
export FREELLMAPI_API_KEY=<unified-key>राउटरला मॉडेल निवडू देण्यासाठी model="auto" वापरा. तुम्ही राउटिंग स्ट्रॅटेजी देखील वापरू शकता, उदाहरणार्थ auto:fast किंवा auto:smart. auto:coding सारखे नावाचे प्रोफाइल आणि कॅटलॉगमधील निश्चित मॉडेल ID देखील चालतात.
तुमच्या की आता कोणत्या मॉडेलना कॉल करू शकतात हे पाहण्यासाठी GET /v1/models?execution_status=ready विनंती करा. संपूर्ण यादीत की नसलेली मॉडेल्सही असतात. exhausted स्थिती असलेल्या मॉडेलकडे की आहेत, पण त्या सर्व सध्या मर्यादेवर आहेत. कूलडाउन संपल्यावर ही स्थिती साफ होते.
आता उत्तर देऊ शकणारी मॉडेल्स यादी करा
curl "http://localhost:3001/v1/models?execution_status=ready" \
-H "Authorization: Bearer <unified-key>"ChatOpenAI सह चॅट करा
Python मध्ये base_url आणि api_key सेट करा. max_retries मूल्य OpenAI क्लायंटकडे जाते, जो 429 आणि 5xx त्रुटी घातांकी बॅकऑफसह पुन्हा प्रयत्न करतो.
Python: चॅट आणि स्ट्रीमिंग
import os
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="auto",
base_url=os.environ["FREELLMAPI_BASE_URL"],
api_key=os.environ["FREELLMAPI_API_KEY"],
temperature=0.2,
max_retries=3,
timeout=60,
include_response_headers=True,
)
msg = llm.invoke("Explain retrieval-augmented generation in two sentences.")
print(msg.content)
print("Served by:", msg.response_metadata["headers"].get("x-routed-via"))
for chunk in llm.stream("Write a haiku about SQLite."):
print(chunk.content, end="", flush=True)JavaScript मध्ये बेस URL configuration.baseURL मध्ये ठेवा. configuration ऑब्जेक्ट अधिकृत OpenAI SDK क्लायंटकडे जातो.
JavaScript: चॅट आणि स्ट्रीमिंग
import { ChatOpenAI } from "@langchain/openai";
const llm = new ChatOpenAI({
model: "auto",
apiKey: process.env.FREELLMAPI_API_KEY,
temperature: 0.2,
maxRetries: 3,
configuration: { baseURL: process.env.FREELLMAPI_BASE_URL },
});
const msg = await llm.invoke("Explain retrieval-augmented generation in two sentences.");
console.log(msg.content);
for await (const chunk of await llm.stream("Write a haiku about SQLite.")) {
process.stdout.write(String(chunk.content));
}x-routed-via हेडर दाखवते की कोणत्या प्रदात्याने आणि मॉडेलने उत्तर दिले. राउटरने प्रदाता बदलला असल्यास x-fallback-trail प्रत्येक अयशस्वी प्रयत्न आणि त्याचे कारण दाखवते.
टूल्स आणि एजंट
FreeLLMAPI OpenAI-शैलीतील tools प्रत्येक प्रदात्याला पाठवते आणि OpenAI स्वरूपात tool_calls परत देते. Gemini साठी ते विनंती Google च्या स्वरूपात अनुवादित करते आणि परत आणते. एका कॉलसाठी bind_tools वापरा, किंवा टूल्स चालवणाऱ्या लूपसाठी create_agent वापरा.
Python: bind_tools आणि create_agent
from langchain.agents import create_agent
from langchain_core.tools import tool
@tool
def get_weather(city: str) -> str:
"""Return the current weather for a city."""
return f"It is 18 C and cloudy in {city}."
# One call: the model returns the tool call, your code runs it
msg = llm.bind_tools([get_weather]).invoke("What is the weather in Dublin?")
print(msg.tool_calls)
# Agent loop: LangChain runs the tool and sends the result back
agent = create_agent(
model=llm,
tools=[get_weather],
system_prompt="You answer weather questions. Use the tool.",
)
result = agent.invoke({"messages": [{"role": "user", "content": "Weather in Dublin?"}]})
print(result["messages"][-1].content)JavaScript: bindTools
import { tool } from "@langchain/core/tools";
import { z } from "zod";
const getWeather = tool(
async ({ city }) => `It is 18 C and cloudy in ${city}.`,
{
name: "get_weather",
description: "Return the current weather for a city.",
schema: z.object({ city: z.string() }),
},
);
const reply = await llm.bindTools([getWeather]).invoke("What is the weather in Dublin?");
console.log(reply.tool_calls);फक्त काही मोफत मॉडेल टूल कॉलिंगला समर्थन देतात. auto सोबत टूल-कॉलिंग मॉडेल्स तुमच्या फॉलबॅक साखळीत ठेवा, किंवा एजंटसाठी प्रोफाइल बनवा. आज ही मोफत मॉडेल्स टूल्सना समर्थन देतात:
| मॉडेल | मोफत उपलब्ध | संदर्भ | मोफत मर्यादा (सर्वोत्तम ऑफर) | साधने | व्हिजन |
|---|---|---|---|---|---|
| GLM 5.3 | UnoRouter | 1M | 1 विनंत्या/मिनिट 1 req/min per model | होय | नाही |
| GLM 5.3 Flash | NVIDIA NIM, UnoRouter | 1M | 40 विनंत्या/मिनिट 40 RPM | होय | होय |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | होय | होय |
| Qwen3.8 Flash Next | AMD Radeon Cloud | 262K | Recurring daily account allowance | होय | नाही |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | होय | होय |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 विनंत्या/मिनिट 20 विनंत्या/दिवस 250,000 टोकन/मिनिट ~3M | होय | होय |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | होय | होय |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 विनंत्या/मिनिट 50 विनंत्या/दिवस 50 req/day account-wide (1,000 after a $10 purchase) | होय | होय |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 विनंत्या/मिनिट 50 विनंत्या/दिवस Shared rate limit | होय | नाही |
| Qwen3.8 27B | ElectronHub, Groq, OVH AI Endpoints | 262K | 30 विनंत्या/मिनिट 250 विनंत्या/दिवस 70,000 टोकन/मिनिट ~6M | होय | होय |
जुळणाऱ्या 109 मोफत मॉडेलपैकी 10 दाखवले जात आहेत. सर्व मॉडेल पहा.
FreeLLMAPI कॅटलॉगमधील थेट डेटा (आवृत्ती 2026.11.19, तपासले 2026-11-19). मोफत मर्यादा वारंवार बदलतात. कॅटलॉग दररोज तपासले जाते.
OpenAIEmbeddings सह एम्बेडिंग
डीफॉल्टनुसार Python मधील OpenAIEmbeddings मजकूर OpenAI टोकनायझरने विभागतो आणि टोकन पाठवतो. इतर बहुतेक प्रदात्यांना कच्चा मजकूर हवा असतो. मजकूर पाठवण्यासाठी check_embedding_ctx_length=False सेट करा.
Python: एम्बेडिंग
from langchain_openai import OpenAIEmbeddings
emb = OpenAIEmbeddings(
model="bge-m3", # one embedding family, 1024 dimensions
base_url=os.environ["FREELLMAPI_BASE_URL"],
api_key=os.environ["FREELLMAPI_API_KEY"],
check_embedding_ctx_length=False,
)
vectors = emb.embed_documents(["FreeLLMAPI pools free tiers.", "LangChain builds LLM apps."])
print(len(vectors), len(vectors[0]))JavaScript: एम्बेडिंग
import { OpenAIEmbeddings } from "@langchain/openai";
const emb = new OpenAIEmbeddings({
model: "bge-m3",
apiKey: process.env.FREELLMAPI_API_KEY,
configuration: { baseURL: process.env.FREELLMAPI_BASE_URL },
});
const vector = await emb.embedQuery("What does FreeLLMAPI do?");
console.log(vector.length);FreeLLMAPI मधील एम्बेडिंग फेलओव्हर मॉडेल कधीच बदलत नाही. ते फक्त एकाच कुटुंबाची सेवा देणाऱ्या प्रदात्यांमध्ये हलते. यामुळे एका व्हेक्टर स्टोअरमधील सर्व व्हेक्टर सुसंगत राहतात. एक कुटुंब निवडा आणि ते ठेवा. आज मोफत एम्बेडिंग मॉडेल्स ही आहेत:
| मॉडेल | प्रदाता | परिमाणे | कमाल इनपुट | मोफत मर्यादा |
|---|---|---|---|---|
Gemini Embeddinggemini-embedding-001 | Google AI Studio | 3072 | 2048 | 100 rpm · 1K req/day |
Nemotron Embed VL 1Bnvidia/llama-nemotron-embed-vl-1b-v2 | NVIDIA NIM | 2048 | 8192 | ~40 rpm |
Nemotron 3 Embed 1B (OR free)nvidia/nemotron-3-embed-1b:free | OpenRouter | 2048 | 32768 | 20 rpm · shared free daily cap |
SEA-LION E5 Embedding 600Maisingapore/SEA-LION-E5-Embedding-600M | SEA-LION | 1024 | 8192 | free · 10 rpm |
SEA-LION ModernBERT Embedding 300Maisingapore/SEA-LION-ModernBERT-Embedding-300M | SEA-LION | 1024 | 8192 | free · 10 rpm |
SEA-LION ModernBERT Embedding 600Maisingapore/SEA-LION-ModernBERT-Embedding-600M | SEA-LION | 1024 | 8192 | free · 10 rpm |
BGE-M3@cf/baai/bge-m3 | Cloudflare Workers AI | 1024 | 8192 | 10K neurons/day (shared) |
EmbeddingGemma 300M@cf/google/embeddinggemma-300m | Cloudflare Workers AI | 768 | 2048 | 10K neurons/day (shared) |
Qwen3 Embedding 0.6B@cf/qwen/qwen3-embedding-0.6b | Cloudflare Workers AI | 1024 | 8192 | 10K neurons/day (shared) |
Cohere Embed v4embed-v4.0 | Cohere | 1536 | 128000 | 1K calls/mo (shared w/ chat) |
Gemini Embedding 2gemini-embedding-2 | Google AI Studio | 3072 | 8192 | free-tier rate limited |
Nemotron 3 Embed 1Bnvidia/nemotron-3-embed-1b | NVIDIA NIM | 2048 | 4096 | ~40 rpm |
PLaMo Embedding 1B (CF)@cf/pfnet/plamo-embedding-1b | Cloudflare Workers AI | 2048 | 4096 | 10K neurons/day (shared) |
BGE Small EN v1.5 (CF)@cf/baai/bge-small-en-v1.5 | Cloudflare Workers AI | 384 | 512 | 10K neurons/day (shared) |
BGE Base EN v1.5 (CF)@cf/baai/bge-base-en-v1.5 | Cloudflare Workers AI | 768 | 512 | 10K neurons/day (shared) |
BGE Large EN v1.5 (CF)@cf/baai/bge-large-en-v1.5 | Cloudflare Workers AI | 1024 | 512 | 10K neurons/day (shared) |
Mistral Embedmistral-embed | Mistral | 1024 | 8192 | free mode · monthly cap (shared) |
Codestral Embedcodestral-embed | Mistral | 1536 | 8192 | free mode · monthly cap (shared) |
Llama Text Embed v2 (Pinecone)llama-text-embed-v2 | Pinecone | 1024 | 2048 | 5M tokens/mo per model |
Multilingual E5 Large (Pinecone)multilingual-e5-large | Pinecone | 1024 | 507 | 5M tokens/mo per model |
Nemotron 3 Embed 1B (Speka)nvidia/nemotron-3-embed-1b | Speka | 2048 | 8192 | $1/month shared across Speka models |
OpenAI: Text Embedding 3 Small (ElectronHub)text-embedding-3-small | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
OpenAI: Text Embedding 3 Large (ElectronHub)text-embedding-3-large | ElectronHub | 3072 | 8192 | $0.25/week shared free credits |
Nemotron 3 Embed 8B (Inferbase)nvidia-nemotron-3-embed-8b | Inferbase | 4096 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 0.6B (Inferbase)qwen3-embedding-0-6b | Inferbase | 1024 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 4B (Inferbase)qwen3-embedding-4b | Inferbase | 2560 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
Qwen 3 Embedding 8B (Inferbase)qwen3-embedding-8b | Inferbase | 4096 | 8192 | 5,000 requests/month; 100 requests and $0.50 usage/day shared |
LFM2.5 Embedding 350M (LLMTR)liquid/lfm-2.5-embedding-350m-free | LLMTR | 1024 | 512 | Ongoing zero-price route; provider terms apply |
BGE-M3 (SEA-LION)BAAI/bge-m3 | SEA-LION | 1024 | 8192 | free · 10 rpm |
Cohere Embed English v3embed-english-v3.0 | Cohere | 1024 | 512 | 1K calls/mo (shared w/ chat) |
Qwen3 Embedding 8B (OVH)Qwen3-Embedding-8B | OVH AI Endpoints | 4096 | 32768 | free · anonymous 2 req/min per IP |
BGE-M3 (OVH)bge-m3 | OVH AI Endpoints | 1024 | 8192 | free · anonymous 2 req/min per IP |
BGE Multilingual Gemma2 (OVH)bge-multilingual-gemma2 | OVH AI Endpoints | 3584 | 8192 | free · anonymous 2 req/min per IP |
Mistral: Codestral Embed (ElectronHub)codestral-embed | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
Mistral: Mistral Embed (ElectronHub)mistral-embed | ElectronHub | 1024 | 8192 | $0.25/week shared free credits |
Google: Gemini Embedding 2 (ElectronHub)gemini-embedding-2 | ElectronHub | 3072 | 8192 | $0.25/week shared free credits |
Google: Gemini Embedding 001 (ElectronHub)gemini-embedding-001 | ElectronHub | 3072 | 2048 | $0.25/week shared free credits |
OpenAI: Text Embedding Ada 002 (ElectronHub)text-embedding-ada-002 | ElectronHub | 1536 | 8192 | $0.25/week shared free credits |
Cohere Embed English Light v3embed-english-light-v3.0 | Cohere | 384 | 512 | 1K calls/mo (shared w/ chat) |
Cohere Embed Multilingual v3embed-multilingual-v3.0 | Cohere | 1024 | 512 | 1K calls/mo (shared w/ chat) |
Cohere Embed Multilingual Light v3embed-multilingual-light-v3.0 | Cohere | 384 | 512 | 1K calls/mo (shared w/ chat) |
FreeLLMAPI कॅटलॉगमधील थेट डेटा (आवृत्ती 2026.11.19, तपासले 2026-11-19). मोफत मर्यादा वारंवार बदलतात. कॅटलॉग दररोज तपासले जाते.
स्ट्रक्चर्ड आउटपुट, सेशन्स आणि मॉडेल निवड
with_structured_output मजकुराऐवजी Pydantic ऑब्जेक्ट परत देते. डीफॉल्टनुसार LangChain यासाठी फंक्शन कॉलिंग वापरते. ही पद्धत टूल्सना समर्थन देणाऱ्या प्रत्येक मोफत मॉडेलवर चालते.
Python: स्ट्रक्चर्ड आउटपुट
from pydantic import BaseModel, Field
class Ticket(BaseModel):
category: str = Field(description="billing, bug or other")
urgent: bool
classifier = llm.with_structured_output(Ticket)
ticket = classifier.invoke("The app crashes when I pay. Please fix it today.")
print(ticket.category, ticket.urgent)method="json_schema" सोबत auto वापरू नका. प्रत्येक मोफत प्रदाता कठोर JSON schema आउटपुटला समर्थन देत नाही, आणि राउटर प्रत्येक विनंतीसाठी वेगळा प्रदाता निवडू शकतो.
FreeLLMAPI एक संभाषण 30 मिनिटे एकाच मॉडेलवर ठेवते. ते संभाषण X-Session-Id हेडरवरून ओळखते. हेडर नसल्यास ते पहिल्या वापरकर्ता संदेशाचा हॅश वापरते. अनेक वापरकर्ते असलेल्या चॅट ॲपसाठी प्रत्येक वापरकर्त्यासाठी एक सेशन ID पाठवा:
Python: प्रति वापरकर्ता एक सेशन
def llm_for(user_id: str) -> ChatOpenAI:
return ChatOpenAI(
model="auto",
base_url=os.environ["FREELLMAPI_BASE_URL"],
api_key=os.environ["FREELLMAPI_API_KEY"],
default_headers={"X-Session-Id": f"user-{user_id}"},
max_retries=3,
)तुमच्या ॲपच्या प्रत्येक भागासाठी मॉडेल स्ट्रिंग निवडा:
| तुमच्या ॲपमधील कार्य | मॉडेल स्ट्रिंग | कारण |
|---|---|---|
| वापरकर्त्यांसाठी चॅट उत्तरे | auto | डॅशबोर्डवर तुम्ही सेट केलेली साखळी पाळते |
| टूल्स असलेला एजंट | auto:<profile> | फक्त टूल-कॉलिंग मॉडेल्स असलेले प्रोफाइल |
| वर्गीकरण, राउटिंग, लहान सारांश | auto:fast | मोजलेल्या वेगानुसार मॉडेल्सचा क्रम लावते |
| कठीण तर्कशक्तीचे टप्पे | auto:smart | बुद्धिमत्तेनुसार मॉडेल्सचा क्रम लावते |
| पुनरावृत्ती करता येणाऱ्या चाचण्या | एक निश्चित मॉडेल ID | प्रत्येक वेळी तेच मॉडेल, पण त्या मॉडेलच्या मर्यादेवर थांबते |
मोफत टियरला SLA नाही. दिवसभर विलंब बदलतो, आणि सर्वात सक्षम मॉडेल्स आधी दैनंदिन मर्यादेवर पोहोचतात. तुमची साखळी प्रत्यक्षात वापरणाऱ्या मॉडेल्सनी तुमच्या साखळ्यांची चाचणी करा.
विनंती मर्यादा आणि रिट्राय
एक प्रदाता 429 परत करतो तेव्हा FreeLLMAPI पुढच्या प्रदात्याचा प्रयत्न करते. साखळीतील प्रत्येक की मर्यादेवर असेल तेव्हाच तुमच्या कोडला 429 दिसते. तेव्हा प्रतिसादात Retry-After हेडर असते. अनेक दैनंदिन मर्यादा UTC मध्यरात्री रीसेट होतात.
बॅच जॉब्ससाठी with_retry सह दुसरा रिट्राय स्तर जोडा. ते संपूर्ण runnable घातांकी बॅकऑफ आणि जिटरसह पुन्हा चालवते.
Python: मर्यादेवर साखळी पुन्हा चालवा
import openai
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "Summarize the text in one sentence."),
("user", "{text}"),
])
chain = (prompt | llm).with_retry(
retry_if_exception_type=(openai.RateLimitError, openai.APITimeoutError),
wait_exponential_jitter=True,
stop_after_attempt=5,
)
# batch() runs requests in parallel; max_concurrency keeps the rate low
results = chain.batch(
[{"text": t} for t in ["First document.", "Second document."]],
config={"max_concurrency": 4},
)| समस्या | कारण | उपाय |
|---|---|---|
openai.AuthenticationError | चुकीची एकत्रित की | Keys पेजवरून की पुन्हा कॉपी करा |
प्रत्येक कॉलवर openai.NotFoundError | बेस URL मध्ये /v1 नाही | http://localhost:3001/v1 वापरा |
openai.RateLimitError | साखळीतील सर्व की मर्यादेवर आहेत | प्रदाते जोडा, max_concurrency कमी करा किंवा Retry-After ची वाट पहा |
| टोकन किंवा इनपुट प्रकाराबद्दल एम्बेडिंग त्रुटी | LangChain मजकूर नव्हे, टोकन पाठवते | check_embedding_ctx_length=False सेट करा |
tool_calls रिकामे आहे | मॉडेल टूल्सना समर्थन देत नाही | टूल्स तक्त्यातील मॉडेल किंवा टूल्स प्रोफाइल वापरा |
| तर्कशक्तीचा मजकूर गहाळ आहे | ChatOpenAI फक्त मानक OpenAI फील्ड ठेवते | उत्तर content मध्ये वाचा; प्रदात्याचे अतिरिक्त फील्ड ठेवले जात नाहीत |
वारंवार विचारले जाणारे प्रश्न
मी LangChain सोबत मोफत LLM API वापरू शकतो का?
होय. कोणतीही OpenAI-सुसंगत API ChatOpenAI सोबत काम करते. base_url ला http://localhost:3001/v1 आणि api_key ला तुमची FreeLLMAPI एकत्रित की सेट करा. राउटर मोफत प्रदाता टियर वापरते.
LangChain ChatOpenAI मध्ये कस्टम बेस URL कसा सेट करू?
Python मध्ये ChatOpenAI ला base_url द्या. JavaScript मध्ये कन्स्ट्रक्टरला configuration: { baseURL } द्या. OPENAI_BASE_URL एन्व्हायर्नमेंट व्हेरिएबल Python मध्येही चालते.
LangChain एजंट मोफत मॉडेल्ससोबत काम करतात का?
होय, जर मॉडेल टूल कॉलिंगला समर्थन देत असेल तर. ChatOpenAI मॉडेलसह create_agent वापरा आणि टूल-कॉलिंग मॉडेल्स तुमच्या FreeLLMAPI साखळीत ठेवा.
नॉन-OpenAI प्रदात्यासोबत OpenAIEmbeddings अयशस्वी का होते?
डीफॉल्टनुसार ते टोकन ID पाठवते. इतर बहुतेक प्रदात्यांना कच्चा मजकूर हवा असतो. Python मध्ये check_embedding_ctx_length=False सेट करा.
LangChain मध्ये 429 त्रुटी कशा हाताळू?
ChatOpenAI वर max_retries सेट करा आणि बॅच जॉब्ससाठी साखळीत with_retry जोडा. तुमच्या कोडला 429 दिसण्यापूर्वीच FreeLLMAPI पुढच्या प्रदात्याकडे जाते.
संबंधित मार्गदर्शक
- LlamaIndex साठी मोफत LLM
- Python मध्ये मोफत LLM API
- RAG साठी मोफत LLM API
- मोफत Embeddings API
- फंक्शन कॉलिंग असलेला मोफत LLM API
- AI एजंटसाठी मोफत LLM API
स्रोत
- LangChain docs: ChatOpenAI integration (Python) (तपासले 20 November 2026)
- LangChain docs: ChatOpenAI integration (JavaScript) (तपासले 20 November 2026)
- LangChain docs: agents and create_agent (तपासले 20 November 2026)
- LangChain source: OpenAIEmbeddings note on OpenAI-compatible APIs (तपासले 20 November 2026)
- OpenAI Python SDK: retries and errors (तपासले 20 November 2026)
- FreeLLMAPI docs: REST API (tool calling, embeddings, response headers) (तपासले 20 November 2026)