หน้าแรก / คู่มือ / Free LLM API ที่รองรับ function calling

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

  1. คุณส่งข้อความและรายการ tools แต่ละเครื่องมือมีชื่อ คำอธิบาย และ JSON Schema สำหรับพารามิเตอร์
  2. โมเดลตอบด้วย tool_calls และ finish_reason: "tool_calls" โมเดลไม่ได้รันอะไรเอง
  3. โค้ดของคุณรันฟังก์ชันและเพิ่มผลลัพธ์เป็นข้อความที่มี role: "tool"
  4. 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

โมเดลฟรีที่รองรับ tool calling เรียงตามความแข็งแรง
โมเดลฟรีบนขนาดบริบทขีดจำกัดฟรี (ข้อเสนอที่ดีที่สุด)เครื่องมือการอ่านภาพ
GLM 5.3UnoRouter1M1 คำขอ/นาที
1 req/min per model
ใช่ไม่
Qwen3.8 MaxACLIDE-€20/month shared internal usage credits · no cardใช่ไม่
GLM 5.3 FlashNVIDIA NIM, UnoRouter1M40 คำขอ/นาที
40 RPM
ใช่ใช่
Gemini 3.8 FlashGoogle AI Studio1MRecurring provider quotaใช่ใช่
Gemini Flash (latest alias)Google AI Studio-10 คำขอ/นาที
20 คำขอ/วัน
250,000 โทเคน/นาที
~3M
ใช่ใช่
Qwen3.8 Flash NextAMD Radeon Cloud262KRecurring daily account allowanceใช่ไม่
Qwen3.8 FlashElectronHub1M$0.25/week shared recurring creditใช่ใช่
Gemini 3.7 FlashGoogle AI Studio1M10 คำขอ/นาที
20 คำขอ/วัน
250,000 โทเคน/นาที
~3M
ใช่ใช่
GPT-5.6 LunaElectronHub1M$0.25/week shared recurring creditใช่ใช่
Dots3 Note PreviewKilo Gateway, OpenRouter512K20 คำขอ/นาที
50 คำขอ/วัน
50 req/day account-wide (1,000 after a $10 purchase)
ใช่ใช่
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 คำขอ/นาที
50 คำขอ/วัน
Shared rate limit
ใช่ไม่
Qwen3.8 27BElectronHub, Groq, OVH AI Endpoints262K30 คำขอ/นาที
250 คำขอ/วัน
70,000 โทเคน/นาที
~6M
ใช่ใช่
Gemini 3.6 FlashGoogle AI Studio1M10 คำขอ/นาที
20 คำขอ/วัน
250,000 โทเคน/นาที
~3M
ใช่ใช่
Qwen 3.8 27BCloudflare Workers AI262KShared 10k neurons/dayใช่ใช่
Gemini 3.5 FlashGoogle AI Studio1M10 คำขอ/นาที
20 คำขอ/วัน
250,000 โทเคน/นาที
~3M
ใช่ใช่

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 | bash

เปิดแดชบอร์ดที่ 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

ความปลอดภัย: อย่ารันการเรียกใช้เครื่องมือที่มีผลข้างเคียง เช่น การชำระเงิน อีเมล หรือการลบไฟล์ โดยไม่มีการตรวจสอบ ให้ผู้ใช้ยืนยันการกระทำเหล่านี้ก่อน

ข้อผิดพลาดที่พบบ่อย

  • อาร์กิวเมนต์เป็นสตริง: function.arguments เป็นสตริง JSON แยกวิเคราะห์และดักจับข้อผิดพลาดไว้ โมเดลขนาดเล็กบางครั้งส่ง JSON ที่ไม่ถูกต้อง
  • จับคู่ id: ข้อความเครื่องมือแต่ละข้อความต้องมี tool_call_id ของการเรียกนั้น เพิ่มข้อความของผู้ช่วยที่มี tool_calls ก่อนข้อความของเครื่องมือ
  • หลายการเรียกพร้อมกัน: โมเดลอาจส่งการเรียกใช้เครื่องมือมากกว่าหนึ่งรายการในคำตอบเดียว รันทุกรายการ แล้วส่งผลลัพธ์ทั้งหมด
  • ต้นทุนโทเคน: นิยามเครื่องมือแต่ละตัวถูกส่งไปพร้อมทุกคำขอ เครื่องมือขนาดใหญ่ยี่สิบตัวอาจใช้โทเคนหลายพันและถึงขีดจำกัดโทเคนต่อนาทีที่ต่ำได้อย่างรวดเร็ว ส่งเฉพาะเครื่องมือที่งานต้องการ
  • คำอธิบายที่ชัดเจน: โมเดลเลือกเครื่องมือจากชื่อและคำอธิบาย เขียนประโยคสั้นหนึ่งประโยคที่บอกว่าเครื่องมือทำอะไรและควรใช้เมื่อใด
  • หยุดลูป: กำหนดจำนวนรอบสูงสุด โมเดลที่อ่อนอาจเรียกเครื่องมือเดิมซ้ำแล้วซ้ำอีก
  • โมเดลที่ไม่มีเครื่องมือ: ผู้ให้บริการฟรีบางรายไม่รองรับเครื่องมือ เช่น AI Horde ตัดเครื่องมือออกและตอบเป็นแชตธรรมดา
โมเดลเดียวกันระหว่างงาน: FreeLLMAPI เก็บบทสนทนาไว้กับโมเดลเดียวเป็นเวลา 30 นาที ลูปเครื่องมือมักอยู่กับโมเดลเดียว หากขีดจำกัดบังคับให้เปลี่ยน โมเดลถัดไปจะได้รับประวัติข้อความทั้งหมด รวมถึงผลลัพธ์ของเครื่องมือ

การแก้ปัญหา

ปัญหาสาเหตุวิธีแก้
โมเดลตอบเป็นข้อความและไม่เรียกเครื่องมือใดโมเดลอ่อนด้านเครื่องมือ หรือคำอธิบายไม่ชัดเจนกำหนดโมเดลที่แข็งแรงกว่าจากตาราง หรือปรับปรุงคำอธิบายของเครื่องมือ
json.JSONDecodeError กับอาร์กิวเมนต์โมเดลส่ง JSON ที่ไม่ถูกต้องดักจับข้อผิดพลาดและส่งกลับเป็นผลลัพธ์ของเครื่องมือ เพื่อให้โมเดลลองใหม่ได้
ข้อผิดพลาด 400 เกี่ยวกับข้อความของเครื่องมือtool_call_id ไม่ตรงกัน หรือไม่มีข้อความของผู้ช่วยเพิ่มข้อความของผู้ช่วยก่อน แล้วเพิ่มข้อความของเครื่องมือหนึ่งข้อความสำหรับแต่ละการเรียก
ข้อผิดพลาด 429 ระหว่างงานของเอเจนต์ลูปส่งคำขอขนาดใหญ่จำนวนมากเพิ่มคีย์ของผู้ให้บริการ และส่งเครื่องมือให้น้อยลง
ลูปไม่หยุดโมเดลเรียกเครื่องมือเดิมซ้ำกำหนดขีดจำกัดจำนวนรอบ และส่งผลลัพธ์ที่ชัดเจนกลับไป
ใช้ทุกตัวในรายการนี้ผ่านคีย์เดียว FreeLLMAPI คือเราเตอร์โอเพนซอร์สที่คุณโฮสต์เอง รวมระดับฟรีทั้งหมดนี้ไว้หลังปลายทางเดียวที่เข้ากันได้กับ OpenAI และเปลี่ยนไปใช้ตัวอื่นเมื่อตัวใดตัวหนึ่งถูกจำกัดอัตรา ดูแคตตาล็อก หรือ เริ่มใช้งานจริง.

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

แหล่งข้อมูล

คู่มือทั้งหมด · ดูโมเดลฟรีทั้งหมด