LangChain-க்கான இலவச LLM API
LangChain, ChatOpenAI மற்றும் OpenAIEmbeddings மூலம் OpenAI-இணக்கமான APIகளுடன் இணைகிறது. அடிப்படை URL மற்றும் விசையை மாற்றுகிறீர்கள். இந்த வழிகாட்டி இரண்டு வகுப்புகளையும் FreeLLMAPI-க்குச் சுட்டுகிறது. FreeLLMAPI ஒரே விசையின் பின்னால் 45 இலவச வழங்குநர் அடுக்குகளை இணைக்கிறது. கீழுள்ள குறியீடு Python மற்றும் JavaScript இரண்டிலும் வேலை செய்கிறது, கோரிக்கை வரம்புகளையும் கையாளுகிறது.
குறியீடு, மாதிரிப் பெயர்கள் மற்றும் நேரடி பட்டியல் லேபிள்கள் ஆங்கிலத்தில் காட்டப்படுகின்றன.
நுழைவாயிலையும் தொகுப்புகளையும் அமைக்கவும்
FreeLLMAPI-ஐ நிறுவி, டாஷ்போர்டின் Keys பக்கத்தில் இரண்டு அல்லது அதற்கு மேற்பட்ட வழங்குநர்களின் இலவச விசைகளைச் சேர்க்கவும். ஒருங்கிணைந்த விசையை நகலெடுக்கவும். உங்கள் குறியீடு இந்த விசையை மட்டுமே பயன்படுத்துகிறது. வழங்குநர் விசைகள் FreeLLMAPI-இலேயே இருக்கும்.
FreeLLMAPI மற்றும் LangChain தொகுப்புகளை நிறுவவும்
curl -fsSL https://freellmapi.co/install.sh | bash
# Python
pip install -U langchain langchain-openai
# JavaScript
npm install @langchain/openai @langchain/core zodசூழல் மாறிகள்
export FREELLMAPI_BASE_URL=http://localhost:3001/v1
export FREELLMAPI_API_KEY=<unified-key>ரூட்டர் ஒரு மாதிரியைத் தேர்ந்தெடுக்க model="auto" ஐப் பயன்படுத்தவும். auto:fast அல்லது auto:smart போன்ற வழித்தேர்வு உத்தியையும் பயன்படுத்தலாம். auto:coding போன்ற பெயரிட்ட சுயவிவரமும், பட்டியலிலிருந்து நிலையான மாதிரி ID-யும் வேலை செய்யும்.
உங்கள் விசைகள் இப்போது எந்த மாதிரிகளை அழைக்க முடியும் என்று பார்க்க, GET /v1/models?execution_status=ready ஐக் கோரவும். முழுப் பட்டியலில் விசை இல்லாத மாதிரிகளும் உள்ளன. exhausted நிலையுள்ள மாதிரிக்கு விசைகள் உண்டு, ஆனால் இந்த நேரத்தில் அவை அனைத்தும் வரம்பில் உள்ளன. குளிர்வு நேரம் முடிந்ததும் அந்த நிலை நீங்கும்.
இப்போது பதிலளிக்கக் கூடிய மாதிரிகளைப் பட்டியலிடவும்
curl "http://localhost:3001/v1/models?execution_status=ready" \
-H "Authorization: Bearer <unified-key>"ChatOpenAI உடன் அரட்டையடிக்கவும்
Python-இல், base_url மற்றும் api_key ஐ அமைக்கவும். max_retries மதிப்பு OpenAI கிளையன்ட்டுக்குச் செல்கிறது. அது 429 மற்றும் 5xx பிழைகளை அதிவேக பின்னடைவுடன் மீண்டும் முயல்கிறது.
Python: அரட்டையும் ஸ்ட்ரீமிங்கும்
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-இல், அடிப்படை URL ஐ configuration.baseURL-இல் வைக்கவும். configuration பொருள் அதிகாரப்பூர்வ OpenAI SDK கிளையன்ட்டுக்குச் செல்கிறது.
JavaScript: அரட்டையும் ஸ்ட்ரீமிங்கும்
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 தலைப்பு, பதிலளித்த வழங்குநரையும் மாதிரியையும் காட்டுகிறது. ரூட்டர் வழங்குநரை மாற்றினால், x-fallback-trail தோல்வியடைந்த ஒவ்வொரு முயற்சியையும் அதன் காரணத்தையும் காட்டுகிறது.
கருவிகளும் முகவர்களும்
FreeLLMAPI OpenAI பாணி tools ஐ ஒவ்வொரு வழங்குநருக்கும் அனுப்புகிறது, மேலும் tool_calls ஐ OpenAI வடிவத்தில் திருப்புகிறது. Gemini-க்கு, கோரிக்கையை Google வடிவத்திற்கு மாற்றி, பதிலை மீண்டும் மாற்றுகிறது. ஓர் அழைப்புக்கு bind_tools ஐப் பயன்படுத்தவும், கருவிகளை இயக்கும் ஒரு சுழற்சிக்கு create_agent ஐப் பயன்படுத்தவும்.
Python: bind_tools மற்றும் 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);சில இலவச மாதிரிகள் மட்டுமே கருவி அழைப்பை ஆதரிக்கின்றன. auto உடன், கருவி அழைப்பு மாதிரிகளை உங்கள் மாற்றுச் சங்கிலியில் வைத்திருக்கவும், அல்லது முகவர்களுக்காக ஒரு சுயவிவரத்தை உருவாக்கவும். இன்று இந்த இலவச மாதிரிகள் கருவிகளை ஆதரிக்கின்றன:
| மாதிரி | இலவசம் | சூழல் அளவு | இலவச வரம்புகள் (சிறந்த சலுகை) | கருவிகள் | படப் பார்வை |
|---|---|---|---|---|---|
| GLM 5.3 | UnoRouter | 1M | 1 கோரிக்கை/நிமிடம் 1 req/min per model | ஆம் | இல்லை |
| GLM 5.3 Flash | NVIDIA NIM, UnoRouter | 1M | 40 கோரிக்கை/நிமிடம் 40 RPM | ஆம் | ஆம் |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | ஆம் | ஆம் |
| Qwen3.8 Flash Next | AMD Radeon Cloud | 262K | Recurring daily account allowance | ஆம் | இல்லை |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | ஆம் | ஆம் |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 கோரிக்கை/நிமிடம் 20 கோரிக்கை/நாள் 250,000 டோக்கன்/நிமிடம் ~3M | ஆம் | ஆம் |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | ஆம் | ஆம் |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 கோரிக்கை/நிமிடம் 50 கோரிக்கை/நாள் 50 req/day account-wide (1,000 after a $10 purchase) | ஆம் | ஆம் |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 கோரிக்கை/நிமிடம் 50 கோரிக்கை/நாள் Shared rate limit | ஆம் | இல்லை |
| Qwen3.8 27B | ElectronHub, Groq, OVH AI Endpoints | 262K | 30 கோரிக்கை/நிமிடம் 250 கோரிக்கை/நாள் 70,000 டோக்கன்/நிமிடம் ~6M | ஆம் | ஆம் |
பொருந்தும் 109 இலவச மாதிரிகளில் 10 காட்டப்படுகின்றன. அனைத்து மாதிரிகளையும் பார்க்கவும்.
FreeLLMAPI பட்டியலிலிருந்து நேரடி தரவு (பதிப்பு 2026.11.19, சரிபார்க்கப்பட்டது 2026-11-19). இலவச வரம்புகள் அடிக்கடி மாறும். பட்டியல் ஒவ்வொரு நாளும் சரிபார்க்கப்படுகிறது.
OpenAIEmbeddings உடன் embeddings
இயல்பாக, Python-இல் OpenAIEmbeddings OpenAI tokenizer மூலம் உரையைப் பிரித்து, டோக்கன்களை அனுப்புகிறது. மற்ற பெரும்பாலான வழங்குநர்களுக்கு மூல உரை தேவை. உரையை அனுப்ப check_embedding_ctx_length=False ஐ அமைக்கவும்.
Python: embeddings
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: embeddings
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-இல் embedding மாற்றம் ஒருபோதும் மாதிரியை மாற்றாது. அதே குடும்பத்தை வழங்கும் வழங்குநர்களுக்கு இடையே மட்டுமே நகர்கிறது. இதனால் ஒரே vector சேமிப்பில் உள்ள அனைத்து vectors-உம் பொருந்துகின்றன. ஒரு குடும்பத்தைத் தேர்ந்தெடுத்து அதையே வைத்திருக்கவும். இன்றைய இலவச embedding மாதிரிகள்:
| மாதிரி | வழங்குநர் | பரிமாணங்கள் | அதிகபட்ச உள்ளீடு | இலவச வரம்பு |
|---|---|---|---|---|
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 பட்டியலிலிருந்து நேரடி தரவு (பதிப்பு 2026.11.19, சரிபார்க்கப்பட்டது 2026-11-19). இலவச வரம்புகள் அடிக்கடி மாறும். பட்டியல் ஒவ்வொரு நாளும் சரிபார்க்கப்படுகிறது.
கட்டமைக்கப்பட்ட வெளியீடு, அமர்வுகள் மற்றும் மாதிரித் தேர்வு
with_structured_output உரைக்குப் பதிலாக ஒரு Pydantic பொருளைத் திருப்புகிறது. இயல்பாக, LangChain இதற்கு function calling ஐப் பயன்படுத்துகிறது. கருவிகளை ஆதரிக்கும் ஒவ்வொரு இலவச மாதிரியிலும் அந்த முறை வேலை செய்கிறது.
Python: கட்டமைக்கப்பட்ட வெளியீடு
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" ஐ auto உடன் பயன்படுத்த வேண்டாம்.எல்லா இலவச வழங்குநர்களும் கடுமையான JSON schema வெளியீட்டை ஆதரிப்பதில்லை, மேலும் ஒவ்வொரு கோரிக்கைக்கும் ரூட்டர் வேறு வழங்குநரைத் தேர்ந்தெடுக்கலாம்.
FreeLLMAPI ஓர் உரையாடலை 30 நிமிடங்களுக்கு ஒரே மாதிரியில் வைத்திருக்கிறது. X-Session-Id தலைப்பிலிருந்து உரையாடலைக் கண்டறிகிறது. தலைப்பு இல்லையென்றால், முதல் பயனர் செய்தியின் hash ஐப் பயன்படுத்துகிறது. பல பயனர்களுடன் கூடிய அரட்டை செயலிக்கு, ஒவ்வொரு பயனருக்கும் ஓர் அமர்வு ID ஐ அனுப்பவும்:
Python: ஒரு பயனருக்கு ஒரு அமர்வு
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,
)உங்கள் செயலியின் ஒவ்வொரு பகுதிக்கும் மாதிரி சரத்தைத் தேர்ந்தெடுக்கவும்:
| உங்கள் செயலியில் பணி | மாதிரி சரம் | காரணம் |
|---|---|---|
| பயனர்களுக்கான அரட்டைப் பதில்கள் | auto | டாஷ்போர்டில் நீங்கள் அமைத்த சங்கிலியைப் பின்பற்றுகிறது |
| கருவிகளுடன் கூடிய முகவர் | auto:<profile> | கருவி அழைப்பு மாதிரிகள் மட்டுமே உள்ள ஒரு சுயவிவரம் |
| வகைப்படுத்தல், வழித்தேர்வு, குறுகிய சுருக்கங்கள் | auto:fast | அளந்த வேகத்தின்படி மாதிரிகளை வரிசைப்படுத்துகிறது |
| கடினமான பகுத்தறிவு படிகள் | auto:smart | நுண்ணறிவின்படி மாதிரிகளை வரிசைப்படுத்துகிறது |
| மீண்டும் நிகழ வேண்டிய சோதனைகள் | நிலையான மாதிரி ID | ஒவ்வொரு முறையும் ஒரே மாதிரி, ஆனால் அந்த மாதிரியின் வரம்பில் நின்றுவிடும் |
இலவச அடுக்குகளுக்கு SLA இல்லை. நாளின் போது தாமதம் மாறுகிறது, வலிமையான மாதிரிகள் தங்கள் தினசரி வரம்புகளை முதலில் எட்டுகின்றன. உங்கள் சங்கிலி உண்மையில் பயன்படுத்தும் மாதிரிகளுடன் உங்கள் சங்கிலிகளைச் சோதிக்கவும்.
கோரிக்கை வரம்புகளும் மறுமுயற்சிகளும்
ஒரு வழங்குநர் 429 ஐத் திருப்பும்போது FreeLLMAPI அடுத்ததை முயல்கிறது. சங்கிலியில் உள்ள ஒவ்வொரு விசையும் அதன் வரம்பில் இருக்கும்போது மட்டுமே உங்கள் குறியீடு 429 ஐப் பார்க்கிறது. அப்போது பதிலில் Retry-After தலைப்பு இருக்கும். பல தினசரி வரம்புகள் நள்ளிரவு UTC இல் மீட்டமைக்கப்படுகின்றன.
தொகுப்பு வேலைகளுக்கு, with_retry மூலம் இரண்டாவது மறுமுயற்சி அடுக்கைச் சேர்க்கவும். அது அதிவேக பின்னடைவு மற்றும் jitter உடன் முழு runnable ஐயும் மீண்டும் முயல்கிறது.
Python: கோரிக்கை வரம்புகளில் சங்கிலியை மீண்டும் முயலவும்
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},
)| சிக்கல் | காரணம் | தீர்வு |
|---|---|---|
openai.AuthenticationError | தவறான ஒருங்கிணைந்த விசை | Keys பக்கத்திலிருந்து விசையை மீண்டும் நகலெடுக்கவும் |
ஒவ்வொரு அழைப்பிலும் openai.NotFoundError | அடிப்படை URL இல் /v1 இல்லை | http://localhost:3001/v1 ஐப் பயன்படுத்தவும் |
openai.RateLimitError | சங்கிலியில் உள்ள எல்லா விசைகளும் அவற்றின் வரம்பில் உள்ளன | வழங்குநர்களைச் சேர்க்கவும், max_concurrency ஐக் குறைக்கவும், அல்லது Retry-After-க்குக் காத்திருக்கவும் |
| டோக்கன்கள் அல்லது உள்ளீட்டு வகை பற்றிய embedding பிழை | LangChain உரைக்குப் பதிலாக டோக்கன்களை அனுப்புகிறது | check_embedding_ctx_length=False ஐ அமைக்கவும் |
tool_calls காலியாக உள்ளது | மாதிரி கருவிகளை ஆதரிக்கவில்லை | கருவிகள் அட்டவணையிலிருந்து அல்லது கருவிகள் சுயவிவரத்திலிருந்து ஒரு மாதிரியைப் பயன்படுத்தவும் |
| பகுத்தறிவு உரை இல்லை | ChatOpenAI நிலையான OpenAI புலங்களை மட்டுமே வைத்திருக்கிறது | பதிலை content-இல் படிக்கவும்; கூடுதல் வழங்குநர் புலங்கள் வைக்கப்படுவதில்லை |
அடிக்கடி கேட்கப்படும் கேள்விகள்
LangChain உடன் இலவச LLM API ஐப் பயன்படுத்தலாமா?
ஆம். எந்த OpenAI-இணக்கமான API-உம் ChatOpenAI உடன் வேலை செய்யும். base_url ஐ http://localhost:3001/v1 ஆகவும், api_key ஐ உங்கள் FreeLLMAPI ஒருங்கிணைந்த விசையாகவும் அமைக்கவும். ரூட்டர் இலவச வழங்குநர் அடுக்குகளைப் பயன்படுத்துகிறது.
LangChain ChatOpenAI-இல் தனிப்பயன் அடிப்படை URL ஐ எவ்வாறு அமைப்பது?
Python-இல், ChatOpenAI க்கு base_url ஐக் கொடுக்கவும். JavaScript-இல், கன்ஸ்ட்ரக்டருக்கு configuration: { baseURL } ஐக் கொடுக்கவும். OPENAI_BASE_URL சூழல் மாறி Python-இலும் வேலை செய்கிறது.
LangChain முகவர்கள் இலவச மாதிரிகளுடன் வேலை செய்யுமா?
ஆம், மாதிரி கருவி அழைப்பை ஆதரித்தால். ChatOpenAI மாதிரியுடன் create_agent ஐப் பயன்படுத்தவும், கருவி அழைப்பு மாதிரிகளை உங்கள் FreeLLMAPI சங்கிலியில் வைத்திருக்கவும்.
OpenAI அல்லாத வழங்குநருடன் OpenAIEmbeddings ஏன் தோல்வியடைகிறது?
இயல்பாக அது டோக்கன் ID களை அனுப்புகிறது. மற்ற பெரும்பாலான வழங்குநர்களுக்கு மூல உரை தேவை. Python-இல் check_embedding_ctx_length=False ஐ அமைக்கவும்.
LangChain-இல் 429 பிழைகளை எவ்வாறு கையாள்வது?
ChatOpenAI-இல் max_retries ஐ அமைக்கவும், தொகுப்பு வேலைகளுக்குச் சங்கிலியில் with_retry ஐச் சேர்க்கவும். உங்கள் குறியீடு 429 ஐப் பார்ப்பதற்கு முன்பே FreeLLMAPI அடுத்த வழங்குநருக்கு மாறிவிடுகிறது.
தொடர்புடைய வழிகாட்டிகள்
- LlamaIndex க்கான இலவச LLM
- Python இல் இலவச LLM API
- RAG-க்கு இலவச LLM API
- இலவச embeddings API
- Function calling உடன் இலவச LLM API
- AI முகவர்களுக்கான இலவச LLM API
ஆதாரங்கள்
- LangChain docs: ChatOpenAI integration (Python) (சரிபார்க்கப்பட்டது 20 November 2026)
- LangChain docs: ChatOpenAI integration (JavaScript) (சரிபார்க்கப்பட்டது 20 November 2026)
- LangChain docs: agents and create_agent (சரிபார்க்கப்பட்டது 20 November 2026)
- LangChain source: OpenAIEmbeddings note on OpenAI-compatible APIs (சரிபார்க்கப்பட்டது 20 November 2026)
- OpenAI Python SDK: retries and errors (சரிபார்க்கப்பட்டது 20 November 2026)
- FreeLLMAPI docs: REST API (tool calling, embeddings, response headers) (சரிபார்க்கப்பட்டது 20 November 2026)
அனைத்து வழிகாட்டிகள் · அனைத்து இலவச மாதிரிகளையும் பார்க்கவும்