Free LLM API ที่รองรับ function calling
Function calling หรือ tool calling ให้ LLM ขอให้โค้ดของคุณรันฟังก์ชันได้ เอเจนต์ แชตบอตที่ใช้ข้อมูลสด และการดึงข้อมูลแบบมีโครงสร้าง ล้วนใช้ฟีเจอร์นี้ แคตตาล็อกของ FreeLLMAPI มีข้อเสนอโมเดลฟรีที่รองรับ tool calling จำนวน 190 รายการ คุณส่ง tools แบบ OpenAI และเกตเวย์จะแปลให้กับแต่ละผู้ให้บริการ
โค้ด ชื่อโมเดล และป้ายกำกับของแคตตาล็อกสดจะแสดงเป็นภาษาอังกฤษ
การทำงานของ tool calling ผ่าน FreeLLMAPI
- คุณส่งข้อความและรายการ
toolsแต่ละเครื่องมือมีชื่อ คำอธิบาย และ JSON Schema สำหรับพารามิเตอร์ - โมเดลตอบด้วย
tool_callsและfinish_reason: "tool_calls"โมเดลไม่ได้รันอะไรเอง - โค้ดของคุณรันฟังก์ชันและเพิ่มผลลัพธ์เป็นข้อความที่มี
role: "tool" - คุณส่งบทสนทนาอีกครั้ง โมเดลใช้ผลลัพธ์เพื่อเขียนคำตอบสุดท้าย
ผู้ให้บริการที่เข้ากันได้กับ OpenAI เช่น Groq, Cerebras, Mistral, OpenRouter และ Cloudflare รับคำขอตามที่ส่งไป สำหรับ Gemini FreeLLMAPI แปลเครื่องมือเป็นรูปแบบ functionDeclarations ของ Google และแปลคำตอบกลับ โค้ดของคุณเหมือนกันสำหรับทุกผู้ให้บริการ
โมเดลบางตัวเขียนการเรียกใช้เครื่องมือเป็นข้อความธรรมดา ไม่ใช่การเรียกใช้เครื่องมือจริง FreeLLMAPI ตรวจจับกรณีเหล่านี้และเปลี่ยนเป็น tool_calls จริง
โมเดลฟรีที่รองรับ tool calling ในวันนี้
ตารางแสดงโมเดลฟรีที่รองรับ tool calling และแข็งแรงที่สุด ข้อมูลมาจากแคตตาล็อกสด สำหรับเอเจนต์ ให้ตรวจขนาดบริบทด้วย เพราะนิยามเครื่องมือและผลลัพธ์ใช้โทเคนจำนวนมาก
| โมเดล | ฟรีบน | ขนาดบริบท | ขีดจำกัดฟรี (ข้อเสนอที่ดีที่สุด) | เครื่องมือ | การอ่านภาพ |
|---|---|---|---|---|---|
| GLM 5.3 | UnoRouter | 1M | 1 คำขอ/นาที 1 req/min per model | ใช่ | ไม่ |
| Qwen3.8 Max | ACLIDE | - | €20/month shared internal usage credits · no card | ใช่ | ไม่ |
| GLM 5.3 Flash | NVIDIA NIM, UnoRouter | 1M | 40 คำขอ/นาที 40 RPM | ใช่ | ใช่ |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | ใช่ | ใช่ |
| Gemini Flash (latest alias) | Google AI Studio | - | 10 คำขอ/นาที 20 คำขอ/วัน 250,000 โทเคน/นาที ~3M | ใช่ | ใช่ |
| Qwen3.8 Flash Next | AMD Radeon Cloud | 262K | Recurring daily account allowance | ใช่ | ไม่ |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | ใช่ | ใช่ |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 คำขอ/นาที 20 คำขอ/วัน 250,000 โทเคน/นาที ~3M | ใช่ | ใช่ |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | ใช่ | ใช่ |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 คำขอ/นาที 50 คำขอ/วัน 50 req/day account-wide (1,000 after a $10 purchase) | ใช่ | ใช่ |
| DeepSeek V4 Flash | AMD Radeon Cloud, BazaarLink, ElectronHub | 1M | 10 คำขอ/นาที 50 คำขอ/วัน Shared rate limit | ใช่ | ไม่ |
| Qwen3.8 27B | ElectronHub, Groq, OVH AI Endpoints | 262K | 30 คำขอ/นาที 250 คำขอ/วัน 70,000 โทเคน/นาที ~6M | ใช่ | ใช่ |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 คำขอ/นาที 20 คำขอ/วัน 250,000 โทเคน/นาที ~3M | ใช่ | ใช่ |
| Qwen 3.8 27B | Cloudflare Workers AI | 262K | Shared 10k neurons/day | ใช่ | ใช่ |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 คำขอ/นาที 20 คำขอ/วัน 250,000 โทเคน/นาที ~3M | ใช่ | ใช่ |
แสดง 15 จาก 146 โมเดลฟรีที่ตรงกัน ดูโมเดลทั้งหมด.
ข้อมูลสดจากแคตตาล็อก FreeLLMAPI (เวอร์ชัน 2026.11.19 ตรวจสอบเมื่อ 2026-11-19) ขีดจำกัดฟรีเปลี่ยนบ่อย แคตตาล็อกถูกตรวจสอบทุกวัน
ขั้นตอนที่ 1: ติดตั้ง FreeLLMAPI และเพิ่มคีย์
FreeLLMAPI เป็นโอเพนซอร์ส ทำงานบนคอมพิวเตอร์ของคุณด้วย Docker คีย์ของผู้ให้บริการของคุณอยู่บนคอมพิวเตอร์ของคุณ
ติดตั้ง (macOS หรือ Linux)
curl -fsSL https://freellmapi.co/install.sh | bashเปิดแดชบอร์ดที่ http://localhost:3001 เพิ่มคีย์จากผู้ให้บริการสามรายขึ้นไปในหน้า Keys ลูปเครื่องมือส่งหลายคำขอสำหรับหนึ่งงาน ดังนั้นคีย์ที่มากขึ้นจะให้พื้นที่มากขึ้น คัดลอกคีย์รวมของคุณจากหน้าเดียวกัน
ขั้นตอนที่ 2: รันลูปเครื่องมือให้ครบ
curl: คำขอแรก
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: วนลูปจนโมเดลให้คำตอบสุดท้าย
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)})tool calling ทำงานกับ stream=True ได้เช่นกัน คุณจะได้ชิ้นส่วน delta.tool_calls และชิ้นส่วนสุดท้ายที่มี finish_reason: "tool_calls" รวมชิ้นส่วนของอาร์กิวเมนต์ก่อนแยกวิเคราะห์ JSON
ใช้เครื่องมือเพื่อรับข้อมูลแบบมีโครงสร้าง
tool calling ยังเป็นวิธีที่ดีในการรับข้อมูลในรูปแบบคงที่ นิยามเครื่องมือหนึ่งตัวที่มีพารามิเตอร์เป็นฟิลด์ที่คุณต้องการ ตั้ง tool_choice เป็น "required" เพื่อให้โมเดลต้องเรียกใช้เครื่องมือ จากนั้นอ่านอาร์กิวเมนต์ คุณไม่ต้องรันฟังก์ชันใด ๆ
Python: ดึงฟิลด์ด้วยการเรียกเครื่องมือที่จำเป็น
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))ตรวจอาร์กิวเมนต์ด้วยโค้ดของคุณเอง โมเดลอาจละฟิลด์ที่จำเป็นหรือส่งชนิดข้อมูลผิด หากการตรวจไม่ผ่าน ส่งข้อผิดพลาดกลับไปและถามใหม่
ข้อผิดพลาดที่พบบ่อย
- อาร์กิวเมนต์เป็นสตริง:
function.argumentsเป็นสตริง JSON แยกวิเคราะห์และดักจับข้อผิดพลาดไว้ โมเดลขนาดเล็กบางครั้งส่ง JSON ที่ไม่ถูกต้อง - จับคู่ id: ข้อความเครื่องมือแต่ละข้อความต้องมี
tool_call_idของการเรียกนั้น เพิ่มข้อความของผู้ช่วยที่มีtool_callsก่อนข้อความของเครื่องมือ - หลายการเรียกพร้อมกัน: โมเดลอาจส่งการเรียกใช้เครื่องมือมากกว่าหนึ่งรายการในคำตอบเดียว รันทุกรายการ แล้วส่งผลลัพธ์ทั้งหมด
- ต้นทุนโทเคน: นิยามเครื่องมือแต่ละตัวถูกส่งไปพร้อมทุกคำขอ เครื่องมือขนาดใหญ่ยี่สิบตัวอาจใช้โทเคนหลายพันและถึงขีดจำกัดโทเคนต่อนาทีที่ต่ำได้อย่างรวดเร็ว ส่งเฉพาะเครื่องมือที่งานต้องการ
- คำอธิบายที่ชัดเจน: โมเดลเลือกเครื่องมือจากชื่อและคำอธิบาย เขียนประโยคสั้นหนึ่งประโยคที่บอกว่าเครื่องมือทำอะไรและควรใช้เมื่อใด
- หยุดลูป: กำหนดจำนวนรอบสูงสุด โมเดลที่อ่อนอาจเรียกเครื่องมือเดิมซ้ำแล้วซ้ำอีก
- โมเดลที่ไม่มีเครื่องมือ: ผู้ให้บริการฟรีบางรายไม่รองรับเครื่องมือ เช่น AI Horde ตัดเครื่องมือออกและตอบเป็นแชตธรรมดา
การแก้ปัญหา
| ปัญหา | สาเหตุ | วิธีแก้ |
|---|---|---|
| โมเดลตอบเป็นข้อความและไม่เรียกเครื่องมือใด | โมเดลอ่อนด้านเครื่องมือ หรือคำอธิบายไม่ชัดเจน | กำหนดโมเดลที่แข็งแรงกว่าจากตาราง หรือปรับปรุงคำอธิบายของเครื่องมือ |
json.JSONDecodeError กับอาร์กิวเมนต์ | โมเดลส่ง JSON ที่ไม่ถูกต้อง | ดักจับข้อผิดพลาดและส่งกลับเป็นผลลัพธ์ของเครื่องมือ เพื่อให้โมเดลลองใหม่ได้ |
| ข้อผิดพลาด 400 เกี่ยวกับข้อความของเครื่องมือ | tool_call_id ไม่ตรงกัน หรือไม่มีข้อความของผู้ช่วย | เพิ่มข้อความของผู้ช่วยก่อน แล้วเพิ่มข้อความของเครื่องมือหนึ่งข้อความสำหรับแต่ละการเรียก |
| ข้อผิดพลาด 429 ระหว่างงานของเอเจนต์ | ลูปส่งคำขอขนาดใหญ่จำนวนมาก | เพิ่มคีย์ของผู้ให้บริการ และส่งเครื่องมือให้น้อยลง |
| ลูปไม่หยุด | โมเดลเรียกเครื่องมือเดิมซ้ำ | กำหนดขีดจำกัดจำนวนรอบ และส่งผลลัพธ์ที่ชัดเจนกลับไป |
คำถามที่พบบ่อย
LLM API ฟรีรายใดรองรับ function calling
Gemini, Groq, Cerebras, Mistral, OpenRouter, Cloudflare และผู้ให้บริการอื่นมีโมเดลฟรีที่รองรับ tool calling แคตตาล็อกของ FreeLLMAPI มีข้อเสนอโมเดลฟรีที่มีเครื่องมือ 190 รายการในวันนี้
tool calling เหมือนกับ function calling หรือไม่
ใช่ OpenAI เป็นผู้ใช้ชื่อ function calling ก่อน API ปัจจุบันใช้ tools และ tool_calls ทั้งสองชื่อหมายถึงการที่โมเดลขอให้โค้ดของคุณรันฟังก์ชัน
tool calling ของ Gemini ใช้รูปแบบ OpenAI ได้หรือไม่
ได้ ผ่าน FreeLLMAPI เกตเวย์แปล tools ของ OpenAI เป็น functionDeclarations ของ Gemini และแปลคำตอบกลับเป็น tool_calls ของ OpenAI
ฉันสตรีมการเรียกใช้เครื่องมือได้หรือไม่
ได้ ด้วย stream=True คุณจะได้ชิ้นส่วน delta.tool_calls และ finish_reason สุดท้ายเป็น tool_calls รวมชิ้นส่วนของอาร์กิวเมนต์ก่อนแยกวิเคราะห์
คู่มือที่เกี่ยวข้อง
- Free LLM API สำหรับ AI agent
- Web search API ฟรีสำหรับเอเจนต์ AI
- API โมเดลเขียนโค้ดฟรีที่ดีที่สุด
- Free LLM API สำหรับ LangChain
- LLM API ฟรีใน Python
แหล่งข้อมูล
- FreeLLMAPI docs: Tool calling (ตรวจสอบเมื่อ 20 November 2026)
- FreeLLMAPI README: features (ตรวจสอบเมื่อ 20 November 2026)
- OpenAI API reference: Chat Completions tools (ตรวจสอบเมื่อ 20 November 2026)