首页 / 指南 / 用于 RAG 的免费 LLM API

用于 RAG 的免费 LLM API

检索增强生成(RAG)需要两种 API:一个嵌入模型用于查找相关文本,一个聊天模型用于撰写答案。两者在免费层级上都可以使用。FreeLLMAPI 通过一个兼容 OpenAI 的密钥提供 41 个免费嵌入模型和 487 个免费聊天模型,并在提供商之间进行故障转移。本指南介绍每个步骤可用的免费模型,并提供完整的 Python 流程。

代码、模型名称和目录中的实时标签以英文显示。

免费层级上的 RAG 流程

步骤API免费层级的注意事项
1. 将文档拆分为块无(本地代码)无
2. 为每个块生成嵌入/v1/embeddings开始时请求量很大。一些免费嵌入层级每分钟只允许 10 个请求。
3. 为问题生成嵌入/v1/embeddings每个问题一个请求
4. 查找最相关的块无(本地向量搜索)无
5. 对块重新排序(可选)/v1/chat/completions每个问题额外一个聊天请求
6. 撰写答案/v1/chat/completions提示词较大。适用每分钟 token 数限制。

第 2 步是开销最大的步骤。每个文档只需执行一次。保存向量,之后只为新增或已更改的文档生成嵌入。

安装 FreeLLMAPI 和 Python 包

curl -fsSL https://freellmapi.co/install.sh | bash

python3 -m pip install -U openai numpy
export FREELLMAPI_API_KEY=<unified-key>

选择免费嵌入模型

选择一个嵌入模型系列,并在整个索引中保持使用它。来自两个模型的向量不兼容。FreeLLMAPI 可防止混用向量:嵌入的故障转移从不更改模型。它只在提供相同系列的提供商之间切换。

模型提供方维度最大输入免费额度
Gemini Embedding
gemini-embedding-001
Google AI Studio30722048100 rpm · 1K req/day
Nemotron Embed VL 1B
nvidia/llama-nemotron-embed-vl-1b-v2
NVIDIA NIM20488192~40 rpm
Nemotron 3 Embed 1B (OR free)
nvidia/nemotron-3-embed-1b:free
OpenRouter20483276820 rpm · shared free daily cap
SEA-LION E5 Embedding 600M
aisingapore/SEA-LION-E5-Embedding-600M
SEA-LION10248192free · 10 rpm
SEA-LION ModernBERT Embedding 300M
aisingapore/SEA-LION-ModernBERT-Embedding-300M
SEA-LION10248192free · 10 rpm
SEA-LION ModernBERT Embedding 600M
aisingapore/SEA-LION-ModernBERT-Embedding-600M
SEA-LION10248192free · 10 rpm
BGE-M3
@cf/baai/bge-m3
Cloudflare Workers AI1024819210K neurons/day (shared)
EmbeddingGemma 300M
@cf/google/embeddinggemma-300m
Cloudflare Workers AI768204810K neurons/day (shared)
Qwen3 Embedding 0.6B
@cf/qwen/qwen3-embedding-0.6b
Cloudflare Workers AI1024819210K neurons/day (shared)
Cohere Embed v4
embed-v4.0
Cohere15361280001K calls/mo (shared w/ chat)
Gemini Embedding 2
gemini-embedding-2
Google AI Studio30728192free-tier rate limited
Nemotron 3 Embed 1B
nvidia/nemotron-3-embed-1b
NVIDIA NIM20484096~40 rpm
PLaMo Embedding 1B (CF)
@cf/pfnet/plamo-embedding-1b
Cloudflare Workers AI2048409610K neurons/day (shared)
BGE Small EN v1.5 (CF)
@cf/baai/bge-small-en-v1.5
Cloudflare Workers AI38451210K neurons/day (shared)
BGE Base EN v1.5 (CF)
@cf/baai/bge-base-en-v1.5
Cloudflare Workers AI76851210K neurons/day (shared)
BGE Large EN v1.5 (CF)
@cf/baai/bge-large-en-v1.5
Cloudflare Workers AI102451210K neurons/day (shared)
Mistral Embed
mistral-embed
Mistral10248192free mode · monthly cap (shared)
Codestral Embed
codestral-embed
Mistral15368192free mode · monthly cap (shared)
Llama Text Embed v2 (Pinecone)
llama-text-embed-v2
Pinecone102420485M tokens/mo per model
Multilingual E5 Large (Pinecone)
multilingual-e5-large
Pinecone10245075M tokens/mo per model
Nemotron 3 Embed 1B (Speka)
nvidia/nemotron-3-embed-1b
Speka20488192$1/month shared across Speka models
OpenAI: Text Embedding 3 Small (ElectronHub)
text-embedding-3-small
ElectronHub15368192$0.25/week shared free credits
OpenAI: Text Embedding 3 Large (ElectronHub)
text-embedding-3-large
ElectronHub30728192$0.25/week shared free credits
Nemotron 3 Embed 8B (Inferbase)
nvidia-nemotron-3-embed-8b
Inferbase409681925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 0.6B (Inferbase)
qwen3-embedding-0-6b
Inferbase102481925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 4B (Inferbase)
qwen3-embedding-4b
Inferbase256081925,000 requests/month; 100 requests and $0.50 usage/day shared
Qwen 3 Embedding 8B (Inferbase)
qwen3-embedding-8b
Inferbase409681925,000 requests/month; 100 requests and $0.50 usage/day shared
LFM2.5 Embedding 350M (LLMTR)
liquid/lfm-2.5-embedding-350m-free
LLMTR1024512Ongoing zero-price route; provider terms apply
BGE-M3 (SEA-LION)
BAAI/bge-m3
SEA-LION10248192free · 10 rpm
Cohere Embed English v3
embed-english-v3.0
Cohere10245121K calls/mo (shared w/ chat)
Qwen3 Embedding 8B (OVH)
Qwen3-Embedding-8B
OVH AI Endpoints409632768free · anonymous 2 req/min per IP
BGE-M3 (OVH)
bge-m3
OVH AI Endpoints10248192free · anonymous 2 req/min per IP
BGE Multilingual Gemma2 (OVH)
bge-multilingual-gemma2
OVH AI Endpoints35848192free · anonymous 2 req/min per IP
Mistral: Codestral Embed (ElectronHub)
codestral-embed
ElectronHub15368192$0.25/week shared free credits
Mistral: Mistral Embed (ElectronHub)
mistral-embed
ElectronHub10248192$0.25/week shared free credits
Google: Gemini Embedding 2 (ElectronHub)
gemini-embedding-2
ElectronHub30728192$0.25/week shared free credits
Google: Gemini Embedding 001 (ElectronHub)
gemini-embedding-001
ElectronHub30722048$0.25/week shared free credits
OpenAI: Text Embedding Ada 002 (ElectronHub)
text-embedding-ada-002
ElectronHub15368192$0.25/week shared free credits
Cohere Embed English Light v3
embed-english-light-v3.0
Cohere3845121K calls/mo (shared w/ chat)
Cohere Embed Multilingual v3
embed-multilingual-v3.0
Cohere10245121K calls/mo (shared w/ chat)
Cohere Embed Multilingual Light v3
embed-multilingual-light-v3.0
Cohere3845121K calls/mo (shared w/ chat)

数据来自 FreeLLMAPI 目录(版本 2026.11.19,检查于 2026-11-19)。免费额度经常变化。该目录每天检查一次。

  • 同一系列有多个提供商: 例如 bge-m3 系列在多个提供商上免费提供。这样故障转移就有了备选目标。
  • 最大输入: 超过最大输入的块会被截断或被拒绝。请将块的大小控制在此值以内。
  • 语言: 对于非英语文本,请使用多语言系列,例如 bge-m3。名称中含有 -en- 的系列适用于英语。
  • 维度: 向量维度越大,占用的存储越多。对于小型索引,这不是问题。

Python 中的完整 RAG 代码

该脚本将文本文件拆分为块,分批生成嵌入,并使用 NumPy 保存向量。然后,它会使用最相关的块回答问题,并给出来源。当某个限制导致请求失败时,它会重试。

rag.py

import json
import os
import pathlib
import time

import numpy as np
import openai
from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:3001/v1",
    api_key=os.environ["FREELLMAPI_API_KEY"],
    max_retries=3,
    timeout=90,
)
EMBED_MODEL = "bge-m3"   # keep one family for the whole index
CHAT_MODEL = "auto"      # or a long-context profile: auto:<profile>
INDEX = pathlib.Path("index")

def with_retry(fn, *args, **kwargs):
    for attempt in range(6):
        try:
            return fn(*args, **kwargs)
        except openai.RateLimitError as err:
            header = err.response.headers.get("retry-after", "")
            time.sleep(min(int(header) if header.isdigit() else 2 ** attempt, 120))
    raise RuntimeError("Rate limited on every provider")

def chunk(text: str, size: int = 1500, overlap: int = 200) -> list[str]:
    step = size - overlap
    return [text[i:i + size] for i in range(0, max(len(text), 1), step)]

def embed(texts: list[str], batch: int = 32) -> np.ndarray:
    out = []
    for i in range(0, len(texts), batch):
        resp = with_retry(client.embeddings.create, model=EMBED_MODEL, input=texts[i:i + batch])
        out.extend(d.embedding for d in resp.data)
    vecs = np.array(out, dtype=np.float32)
    return vecs / np.linalg.norm(vecs, axis=1, keepdims=True)

def build(folder: str) -> None:
    chunks = []
    for path in sorted(pathlib.Path(folder).rglob("*.md")):
        for part in chunk(path.read_text(encoding="utf-8")):
            if part.strip():
                chunks.append({"source": str(path), "text": part})
    INDEX.mkdir(exist_ok=True)
    np.save(INDEX / "vectors.npy", embed([c["text"] for c in chunks]))
    (INDEX / "chunks.json").write_text(json.dumps(chunks))

def answer(question: str, k: int = 5) -> str:
    vecs = np.load(INDEX / "vectors.npy")
    chunks = json.loads((INDEX / "chunks.json").read_text())
    q = embed([question])[0]
    top = np.argsort(vecs @ q)[::-1][:k]
    context = "\n\n".join(f"[{n + 1}] ({chunks[i]['source']})\n{chunks[i]['text']}" for n, i in enumerate(top))
    resp = with_retry(
        client.chat.completions.create,
        model=CHAT_MODEL,
        temperature=0,
        messages=[
            {"role": "system", "content": "Answer only from the sources. Cite them as [1], [2]. If the sources do not answer, say so."},
            {"role": "user", "content": f"Sources:\n{context}\n\nQuestion: {question}"},
        ],
    )
    return resp.choices[0].message.content

if __name__ == "__main__":
    if not (INDEX / "vectors.npy").exists():
        build("docs")
    print(answer("How do I rotate the API keys?"))

当块的数量超过几千个时,请将 NumPy 搜索替换为向量数据库。嵌入和聊天的调用保持不变。

用户经常重复提出相同的问题。FreeLLMAPI 为相同的请求提供可选启用的响应缓存。缓存命中不会占用提供商配额。你可以使用 X-FreeLLM-Cache: on 或 off 标头,为单个请求开启或关闭缓存。使用 temperature=0,使相同的问题产生相同的请求。

添加重排序步骤

向量搜索能找到相似的文本,但排名最高的块未必是最佳答案。重排序步骤会对候选结果重新排序。FreeLLMAPI 文档未说明专用的重排序端点。你可以使用快速的聊天模型作为重排序器。检索 15 个候选结果,并保留最好的 5 个。

使用 auto:fast 进行 LLM 重排序

def rerank(question: str, candidates: list[str], keep: int = 5) -> list[int]:
    listing = "\n".join(f"{n}: {c[:400]}" for n, c in enumerate(candidates))
    resp = with_retry(
        client.chat.completions.create,
        model="auto:fast",
        temperature=0,
        messages=[{
            "role": "user",
            "content": (
                f"Question: {question}\n\nPassages:\n{listing}\n\n"
                f"Return the numbers of the {keep} most useful passages, best first, "
                "as a JSON list of integers. Return only the list."
            ),
        }],
    )
    try:
        ids = json.loads(resp.choices[0].message.content.strip())
        return [i for i in ids if isinstance(i, int) and 0 <= i < len(candidates)][:keep]
    except (json.JSONDecodeError, AttributeError):
        return list(range(min(keep, len(candidates))))  # fall back to vector order


# Use it in answer(): take 15 candidates, keep the best 5
# top = np.argsort(vecs @ q)[::-1][:15]
# best = rerank(question, [chunks[i]["text"] for i in top])
# top = [top[i] for i in best]

重排序步骤每个问题会增加一个聊天请求。如果你的免费限制很紧,可以跳过此步骤。通常,更好的分块带来的改进比重排序步骤更大。

长上下文:何时无需检索

目前,56 个免费模型提供的上下文窗口为 100 万 token 或更大。如果你的文档较少,可以将全部文档放入提示词中,从而跳过向量索引。这种方式更简单,但每个问题都会发送大量 token。

上下文窗口最大的免费模型
模型免费提供方上下文免费额度(最优惠)工具视觉
OpenAI: GPT-6 LunaElectronHub1.1M$0.25/week shared free credits否否
Gemini 3.8 FlashAPINex, Google AI Studio1M5 请求/分钟
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
是是
Gemini 3.7 FlashGoogle AI Studio1M10 请求/分钟
20 请求/天
250,000 令牌/分钟
~3M
是是
DeepSeek V4 FlashAMD Radeon Cloud, BazaarLink, ElectronHub1M10 请求/分钟
50 请求/天
Shared rate limit
是否
DeepSeek V4 Flash 0731ElectronHub, Router91M10,000 credits/month (~$1), shared; account-anniversary reset否否
Gemini 3.6 FlashGoogle AI Studio1M10 请求/分钟
20 请求/天
250,000 令牌/分钟
~3M
是是
GLM 5.2Router91M10,000 credits/month (~$1), shared; account-anniversary reset否否
Gemini 3.5 FlashGoogle AI Studio1M10 请求/分钟
20 请求/天
250,000 令牌/分钟
~3M
是是
DeepSeek V4 ProAPINex, Router91M5 请求/分钟
10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account
否否
Nemotron 3 Ultra 550BGizmo, Kilo Gateway, LLMTR 另外 3 个1M200 请求/天
200 rpd
是否

显示 10 个(共 35 个匹配的免费模型)。 查看所有模型.

数据来自 FreeLLMAPI 目录(版本 2026.11.19,检查于 2026-11-19)。免费额度经常变化。该目录每天检查一次。

  • 使用长上下文适用于少量文档、需要完整文本的问题,或单份报告。
  • 使用检索适用于大量文档、频繁提问,或免费的每分钟 token 数限制较低的情况。
  • 两者结合: 检索 20 个或更多块,并将它们发送给长上下文模型。

在每分钟 token 数限制较低的提供商上,大型提示词可能会失败。随后 FreeLLMAPI 会尝试下一个提供商。要控制哪些模型处理大型提示词,请创建一个仅包含长上下文模型的备用链配置档案。以 auto:<profile> 的形式使用它。

限制与故障排除

问题原因解决方法
导入时因 429 而停止该嵌入系列在所有提供商上都已达到限制使用更大的批次,等待 Retry-After,分部分导入
更改后结果变差索引中包含来自两个系列的向量使用同一系列重新为所有块生成嵌入
输入长度相关错误某个块超过了该系列的最大输入使用更小的块
答案忽略了来源模型根据自身知识作答使用 temperature=0 和严格的系统提示词
生成答案时出现上下文长度错误块的数量过多或过长降低 k,或使用长上下文配置档案
答案的风格发生变化路由器选择了不同的模型发送 X-Session-Id 标头,或固定一个模型

免费层级没有服务等级协议(SLA)。最强的模型会率先达到每日限制,许多限制在 UTC 时间午夜重置。请使用你的备用链实际会用到的模型测试你的流程。

通过一个密钥使用以上每一个模型。 FreeLLMAPI 是一个开源的自托管路由器。它将所有这些免费套餐放在一个兼容 OpenAI 的端点之后,并在某个套餐被限速时自动切换。 浏览目录 或 立即开始.

常见问题

是否有用于 RAG 的免费 API?

有。多家提供商提供免费的嵌入和聊天层级。FreeLLMAPI 通过一个兼容 OpenAI 的密钥提供两者,并在提供商之间进行故障转移。

哪个免费嵌入模型最适合 RAG?

选择一个在多个提供商上免费提供、且适合你所用语言的系列。对于多语言文本,bge-m3 是常见的选择。在整个索引中保持使用同一系列。

是否有免费的重排序 API?

FreeLLMAPI 文档未说明重排序端点。你可以如本页所示,使用快速的聊天模型进行重排序,也可以跳过重排序步骤。

如果免费模型的上下文为 100 万 token,我还需要 RAG 吗?

对于少量小型文档,不需要。对于大量文档或频繁提问,检索每个请求发送的 token 更少,并且能保持在免费限制之内。

之后可以更改嵌入模型吗?

可以,但你必须为所有块重新生成嵌入。来自两个模型的向量不兼容,因此不要将它们混合在同一个索引中。

相关指南

来源

全部指南 · 浏览所有免费模型