AR ▾
احصل على مفتاح API

كيفية استخدام نموذج LLM عبر واجهة برمجة التطبيقات خطوة بخطوة

يختزل استخدام نموذج لغوي مستضاف في استدعاء HTTP واحد بمفتاح، واسم نموذج، وقائمة رسائل. يأخذك هذا الدليل من مجلد فارغ إلى البث، وإخراج JSON، واستدعاء الأدوات.

تم التحديث

طرفية متصلة بمكعب من فقاعات الدردشة مع تدفق البيانات بينها، مما يمثل استدعاء واجهة برمجة تطبيقات LLM
01

نقاط رئيسية

  • الواجهة متوافقة مع OpenAI: غيّر عنوان URL الأساسي والمفتاح، واحتفظ بـ SDK الخاص بك.
  • استخدم معرف النموذج uncensored مع POST /v1/chat/completions.
  • تعمل البث المتدفق، ووضع JSON واستدعاء الأدوات جميعها باستخدام المعلمات القياسية.
  • يعني الرمز 429 تجاوز حدّ معين، ويخبرك رمز الخطأ بالحد الذي تم تجاوزه.

ما تحتاجه قبل إرسال الطلب الأول

إذا كنت تريد معرفة كيفية استخدام نقاط نهاية نموذج LLM في كودك الخاص، فإن ثلاثة أشياء تكفي: مفتاح، وbase URL، واسم النموذج. لا حاجة لتثبيت عميل خاص. يعمل أي SDK أو عميل OpenAI بمجرد توجيهه إلى عنوان مختلف.

  • عنوان API الأساسي: https://api.llmmodelsapi.com/v1
  • معرف النموذج: uncensored
  • المصادقة: رأس Authorization: Bearer YOUR_KEY، الذي تضيفه لك مكتبات SDK

للحصول على مفتاح، سجّل حسابًا باستخدام Google أو عبر البريد الإلكتروني وكلمة المرور، ثم افتح صفحة مفتاح API. يمكن للحسابات الجديدة المطالبة برصيد تجريبي بقيمة $0.50 بنقرة واحدة، بدون بطاقة، صالح لمدة 7 أيام. وهذا كافٍ لكل ما ورد في هذا المقال. تدعم نقطة النهاية طريقتين: POST /v1/chat/completions للتوليد، وGET /v1/models لعرض ما هو متاح.

من المفيد معرفة ماهية النموذج، حتى تكون توقعاتك صحيحة. إنه نموذج مفتوح الأوزان تشغله جهة مستقلة ومضبط للإجابة بدون رفض المحتوى للاستخدام القانوني للبالغين. إنه ليس API الرسمي لأي مورد كبير، ويتعامل مع النصوص فقط. لا يوجد توليد للصور أو الصوت، ولا تضمينات (embeddings)، ولا ضبط دقيق (fine-tuning).

الخطوة 1: تحقق من المفتاح باستخدام curl

قبل كتابة أي كود للتطبيق، تأكد من أن المفتاح ومسار الشبكة يعملان. سرد النماذج هو الفحص الأرخص، لأنه لا يولد أي شيء.

export LLM_KEY="paste-your-key-here"

# the list should include the model id: uncensored

curl https://api.llmmodelsapi.com/v1/models   -H "Authorization: Bearer $LLM_KEY"

يجب أن تحصل على قائمة JSON تتضمن uncensored. إذا رأيت 401، فالمفتاح غير صحيح أو يفتقد كلمة Bearer. الآن أرسل طلب دردشة حقيقي.

curl https://api.llmmodelsapi.com/v1/chat/completions   -H "Authorization: Bearer $LLM_KEY"   -H "Content-Type: application/json"   -d '{
    "model": "uncensored",
    "messages": [
      {"role": "system", "content": "You are a concise assistant."},
      {"role": "user", "content": "Explain what a context window is in two sentences."}
    ],
    "max_tokens": 150
  }'

يحتوي الرد على مصفوفة choices، والنص موجود في choices[0].message.content. تحمل رؤوس الاستجابة X-Request-Id و X-Balance-USD، لذا يمكنك رؤية رصيدك المتبقي في كل طلب. يعرض الحقل usage الرموز المحسوبة للفوترة.

الخطوة 2: استدعِها من Python أو Node

في الممارسة العملية، ستستخدم SDK. قم بتثبيت حزمة OpenAI الرسمية، ثم اضبط base URL عند إنشاء العميل. لا يتغير أي شيء آخر في كودك.

Python

from openai import OpenAI

client = OpenAI(
    base_url="https://api.llmmodelsapi.com/v1",
    api_key="YOUR_KEY",
)

resp = client.chat.completions.create(
    model="uncensored",
    messages=[
        {"role": "system", "content": "You answer in plain language."},
        {"role": "user", "content": "Give me three names for a fantasy tavern."},
    ],
    temperature=0.9,
    max_tokens=200,
)

print(resp.choices[0].message.content)
print(resp.usage.prompt_tokens, resp.usage.completion_tokens)

Node

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api.llmmodelsapi.com/v1",
  apiKey: process.env.LLM_KEY,
});

const resp = await client.chat.completions.create({
  model: "uncensored",
  messages: [{ role: "user", content: "Summarise HTTP caching in one paragraph." }],
});

console.log(resp.choices[0].message.content);

احتفظ بالمفتاح في متغير بيئة بدلاً من ملف المصدر. إذا تسرب مفتاح، استبدله في صفحة المفاتيح ويتوقف المفتاح القديم عن العمل.

الخطوة 3: صيغ المخرجات باستخدام المعاملات

النموذج هو متنبئ بالنصوص، لذا فإن صياغة الطلب مهمة بقدر أهمية المعاملات. بعض العادات تجدي نفعاً فوراً.

  • استخدم رسالة النظام للقواعد الثابتة. ضع النبرة والتنسيق والدور هناك، واحتفظ برسالة المستخدم للمهمة الفعلية.
  • كن محدداً بشأن الطول. اطلب "ثلاث نقاط" أو "أقل من 120 كلمة". إنه أكثر موثوقية من خفض max_tokens فقط، الذي يقطع النص في منتصف الجملة.
  • اضبط درجة الحرارة (temperature) حسب المهمة. حول 0.2 يناسب الاستخراج والتصنيف. حول 0.8 إلى 1.0 يناسب الخيال والتمثيل.
  • مرر ما تحتاجه. top_p، stop، seed وعقوبات التكرار والحضور يتم تمريرها إلى النموذج.

نافذة السياق هي 100,000 رمز، تحسب الموجّه والمكمل معاً. لا تحتاج إلى ضبط max_tokens، لأن الإجابة يمكن أن تستخدم أي مساحة متبقية. ضبطها على أي حال هو طريقة جيدة لوضع سقف للتكلفة.

طريقة عملية لتعلم هذه الإعدادات هي تشغيل نفس الموجّه ثلاث مرات بدرجات حرارة مختلفة ومقارنة النتائج. غيّر قيمة واحدة في كل تشغيل وثبت الباقي، باستخدام نفس seed حيثما أمكن. بعد عشر دقائق من هذا، ستعرف كيف يتصرف النموذج لمهمتك أفضل بكثير مما يمكن لأي وصف أن يخبرك، وتكلفة التجربة هي جزء من سنت واحد.

السعر هو $0.15 لكل مليون رمز مدخل و$0.50 لكل مليون رمز مخرج. طلب يحتوي على 1,500 رمز مدخل و400 رمز مخرج يكلف 1,500 x 0.15 / 1,000,000 = $0.000225 زائد 400 x 0.50 / 1,000,000 = $0.0002، أي $0.000425 في المجموع. تحتوي صفحة التسعير على خيارات شحن الرصيد.

الخطوة 4: بث الاستجابة

يبدو انتظار إجابة كاملة بطيئًا في تطبيق تفاعلي. مع stream: true، يرسل الخادم الرموز كـ أحداث مرسلة من الخادم (SSE)، ويمكن لواجهة المستخدم طباعتها عند وصولها. يُبلغ عن الاستخدام في نهاية البث المتدفق.

from openai import OpenAI

client = OpenAI(base_url="https://api.llmmodelsapi.com/v1", api_key="YOUR_KEY")

stream = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Write a short story opening about a lighthouse."}],
    stream=True,
    stream_options={"include_usage": True},
)

for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)
    if chunk.usage:
        print("\ntokens:", chunk.usage.prompt_tokens, chunk.usage.completion_tokens)

شيء واحد يجب تذكره حول التزامن: يشغل الطلب المتدفق فتحة حتى انتهاء البث. يسمح المفتاح الكامل بـ 8 طلبات متزامنة، ويسمح المفتاح التجريبي بـ 2. إذا فتحت تدفقاً في المتصفح ولم تغلقه، تظل هذه الفتحة مشغولة.

الخطوة 5: وضع JSON واستدعاء الدوال

عندما يحتاج برنامج آخر إلى قراءة الإجابة، يصبح النص الحر مشكلة. يطلب وضع JSON من النموذج إرجاع كائن JSON صالح.

import json
from openai import OpenAI

client = OpenAI(base_url="https://api.llmmodelsapi.com/v1", api_key="YOUR_KEY")

resp = client.chat.completions.create(
    model="uncensored",
    response_format={"type": "json_object"},
    messages=[
        {"role": "system", "content": "Reply with JSON only: {\"title\": string, \"tags\": [string]}"},
        {"role": "user", "content": "Describe a post about growing tomatoes on a balcony."},
    ],
)

data = json.loads(resp.choices[0].message.content)
print(data["title"], data["tags"])

صف الشكل الذي تريده في الموجّه أيضًا، لأن وضع JSON يضمن صحة التركيب وليس بالضرورة أسماء الحقول الدقيقة الخاصة بك. لف عملية التحليل داخل كتلة try وأعد المحاولة مرة واحدة إذا فشلت.

يسمح استدعاء الأدوات للنموذج بطلب تشغيل دالة في الكود الخاص بك. تصف الأدوات، ويرد النموذج بـ إدخال tool_calls، وتشغله وترسل النتيجة مرة أخرى كرسالة مع role: "tool".

import json
from openai import OpenAI

client = OpenAI(base_url="https://api.llmmodelsapi.com/v1", api_key="YOUR_KEY")

tools = [{
    "type": "function",
    "function": {
        "name": "get_time",
        "description": "Return the current time for a city",
        "parameters": {
            "type": "object",
            "properties": {"city": {"type": "string"}},
            "required": ["city"],
        },
    },
}]

messages = [{"role": "user", "content": "What time is it in Lisbon?"}]
first = client.chat.completions.create(model="uncensored", messages=messages, tools=tools)
call = first.choices[0].message.tool_calls[0]

messages.append(first.choices[0].message)
messages.append({
    "role": "tool",
    "tool_call_id": call.id,
    "content": json.dumps({"time": "14:05"}),
})

final = client.chat.completions.create(model="uncensored", messages=messages, tools=tools)
print(final.choices[0].message.content)

في بيئة الإنتاج، تحقق من وجود tool_calls قبل الوصول إليها بالمؤشر، لأن النموذج قد يجيب مباشرة بدلاً من استدعاء الدالة. يسمح لك المعامل tool_choice بإجبار أو منع الاستدعاء عندما تحتاج إلى ذلك.

إدامة المحادثة

لا تملك الواجهة أي ذاكرة بين المكالمات. إذا كنت تريد من النموذج تذكر ما قيل قبل دورين، فأرسل تلك الأدوار مرة أخرى. لذلك، تطبيق الدردشة هو قائمة تنمو: تضيف رسالة المستخدم، تستدعي الواجهة، تضيف رد المساعد، وتكرر العملية.

from openai import OpenAI

client = OpenAI(base_url="https://api.llmmodelsapi.com/v1", api_key="YOUR_KEY")
history = [{"role": "system", "content": "You are a friendly writing coach."}]

def say(text):
    history.append({"role": "user", "content": text})
    resp = client.chat.completions.create(model="uncensored", messages=history, max_tokens=300)
    reply = resp.choices[0].message.content
    history.append({"role": "assistant", "content": reply})
    return reply

print(say("Give me a tip for opening a short story."))
print(say("Now apply it to a story about a night train."))

نظراً لأن كل طلب يحمل القائمة الكاملة، فإن التكلفة وزمن الاستجابة يزدادان مع المحادثة. بمجرد أن تصبح السلسلة طويلة، احذف الأدوار الأقدم أو استبدلها بملخص من فقرة واحدة. لديك مساحة كبيرة، حيث أن 100,000 رمز يساوي تقريباً طول رواية قصيرة، لكن لا داعي لدفع ثمن رموز لم تعد تساعد في الإجابة.

لنفس السبب، اجعل رسالة النظام قصيرة ومستقرة. تُرسل في كل استدعاء، لذا فإن موجّه النظام بحجم 1,000 رمز عبر 500 طلب يعني 500,000 رمز إدخال، مما يكلف 500,000 × 0.15 / 1,000,000 = $0.075 فقط.

الأخطاء التي يرتكبها المبتدئون

  • نسيان إضافة رد المساعد. يرى النموذج بعد ذلك أسئلتك فقط ويفقد خيط الحديث.
  • وضع الأسرار في الواجهة الأمامية. المفتاح الموجود في كود المتصفح مرئي للجميع. اتصل بالواجهة من خادمك واعرض نقطة النهاية الخاصة بك بدلاً من ذلك.
  • توقع الحقائق من مُتنبئ النصوص. يمكن للنموذج ذكر تفاصيل خاطئة بثقة. زود النص المصدر في الموجّه عندما تكون الدقة مهمة، وتحقق من المخرجات المهمة.
  • تحليل النص الحر. إذا كان يجب على الكود قراءة الإجابة، فاستخدم وضع JSON أو استدعاء الأداة بدلاً من التعبيرات النمطية.

الأخطاء، الحدود، وأين تذهب بعد ذلك

تقع معظم المشكلات في قائمة قصيرة.

العرضالسبب المحتملالحل
استجابة 401مفتاح مفقود أو غير صحيحتحقق من رأس Bearer والمفتاح في صفحة المفاتيح
429، الرمز rate_limitedأكثر من 300 طلب في الدقيقة (60 على مفتاح تجريبي)أبطئ أو قم بترتيب الطلبات في طابور
429، الرمز concurrencyأكثر من 8 طلبات في وقت واحد (2 على مفتاح تجريبي)حدّ من العمليات المتوازية، وأغلق البث المفتوح
429 مع Retry-After: 5إحمال مؤقتانتظر 5 ثوانٍ وأعد المحاولة
الطلب كبير جدًاجسم الطلب يتجاوز 8 ميجابايتأرسل نصًا أقل لكل استدعاء

محاولة إعادة بسيطة مع تأخير قصير تتعامل مع حالات 429. الطلبات الفاشلة لا تُحسب تكلفتها، لذا فإن إعادة المحاولة لا تكلف شيئاً إضافياً. لا تُستخدم المطالبات في التدريب.

من هنا، يسرد توثيق API كل المعلمات، ويغطي نظرة عامة على الدفع لكل رمز لمن هي الخدمة. قاعدة واحدة تنطبق في كل مكان: المحتوى الجنسي الذي يتضمن قاصرين غير مسموح به أبداً.

02

أسئلة وأجوبة

ما هو معرف النموذج الذي أرسله في الطلب؟

استخدم uncensored كقيمة للنموذج في كل الطلبات. يمكنك التأكد من ذلك باستدعاء GET /v1/models.

هل أحتاج إلى SDK خاص؟

لا. يعمل أي OpenAI SDK أو عميل بمجرد تغيير عنوان URL الأساسي إلى https://api.llmmodelsapi.com/v1 واستخدام مفتاحك الخاص.

هل يمكنني استخدامه بدون بطاقة ائتمان؟

نعم، للاختبار. يمكن للمستخدمين الجدد الحصول على رصيد تجربي بقيمة $0.50 بنقرة واحدة بعد التسجيل، بدون بطاقة، ساري المفعول لمدة 7 أيام.

ما هو الحد الأقصى لحجم الموجّه؟

تبلغ نافذة السياق 100,000 رمز (token) للمطالبة والإكمال معاً، ويمكن أن يصل حجم جسم الطلب إلى 8 MB.

مفتاحك على بُعد نموذج واحد

أنشئ حساباً، وانسخ المفتاح، ثم غيّر URL الأساسي. هذه هي الإعدادات الكاملة.

احصل على مفتاح API