Faça sua primeira chamada à API de LLM em Python e curl
Veja como fazer uma chamada à API de LLM na prática: uma solicitação POST com uma chave, um nome de modelo e uma lista de mensagens, e a resposta retorna como JSON. Esta página detalha curl, Python, streaming, custo e os erros que você encontrará primeiro.
Atualizado

A chamada em cinco etapas
Se você quer saber como fazer uma chamada à API de LLM sem ler um manual, este é o procedimento completo. Cada solicitação a um modelo de linguagem estilo chat segue as mesmas cinco etapas, independente do cliente que você use.
- Obtenha uma chave de API na página de chaves. Contas novas podem resgatar um pequeno saldo de teste lá com um clique.
- Escolha o endpoint:
https://api.llmwebsearchapi.com/v1/chat/completions. - Envie a chave no cabeçalho
Authorization: Bearer YOUR_API_KEY. - Envie um corpo JSON com
modeldefinido comouncensorede uma listamessages. - Leia
choices[0].message.contentno JSON que retorna.
É só isso. Todo o resto nesta página são detalhes em torno dessas cinco etapas: o que a lista de mensagens deve conter, como ver quanto custou a chamada e o que fazer quando o servidor responde com um erro em vez de texto.
Sua primeira requisição com curl
curl é a maneira mais rápida de provar que sua chave e caminho de rede funcionam, porque não há biblioteca no meio. Salve sua chave em uma variável de ambiente primeiro para que ela não termine no histórico do shell como parte de um comando longo.
export API_KEY="YOUR_API_KEY"
curl https://api.llmwebsearchapi.com/v1/chat/completions -H "Authorization: Bearer $API_KEY" -H "Content-Type: application/json" -d '{
"model": "uncensored",
"messages": [
{"role": "system", "content": "You answer in two short sentences."},
{"role": "user", "content": "What is a token in a language model?"}
],
"temperature": 0.7
}'
O corpo tem três partes que importam. model indica qual modelo deve responder; neste serviço há apenas um modelo, então o valor é sempre uncensored. messages é a conversa até agora. temperature controla o quão ousada é a redação, de perto de 0 para saída repetível até cerca de 1 para mais variedade.
Você também pode verificar se a chave é aceita sem gerar nada: envie uma solicitação GET para /v1/models com o mesmo cabeçalho Authorization. Se a lista contiver uncensored, a autenticação funciona e qualquer falha posterior é sobre o corpo da solicitação, não a chave.
A mesma chamada em Python
Você não precisa de um cliente especial. O pacote oficial openai funciona se você apontá-lo para uma URL base diferente. Instale-o com pip install openai.
from openai import OpenAI
client = OpenAI(
base_url="https://api.llmwebsearchapi.com/v1",
api_key="YOUR_API_KEY",
)
resp = client.chat.completions.create(
model="uncensored",
messages=[
{"role": "system", "content": "You answer in two short sentences."},
{"role": "user", "content": "What is a token in a language model?"},
],
temperature=0.7,
)
print(resp.choices[0].message.content)
print(resp.usage.prompt_tokens, resp.usage.completion_tokens)
Duas coisas valem a pena copiar para seu próprio código. Primeiro, mantenha a chave fora do arquivo de origem; leia-a de uma variável de ambiente com os.environ["API_KEY"] assim que você passar das experimentações. Segundo, imprima resp.usage enquanto está aprendendo. Ver as contagens de tokens ao lado do texto é a maneira mais rápida de criar uma noção do que uma chamada custa.
Como a interface segue o formato OpenAI, a mesma forma funciona a partir de Node, Go, Ruby ou fetch puro. Apenas a sintaxe em torno do POST muda. O quickstart na documentação lista os parâmetros suportados.
Lendo a resposta
A resposta é um objeto JSON. Você vai lidar com mais frequência com quatro partes dele:
choices[0].message.contenté o texto gerado.choices[0].finish_reasondiz por que a geração parou.stopsignifica que o modelo terminou;lengthsignifica que atingiu um limite de tokens e o texto pode estar cortado.usagecontémprompt_tokens,completion_tokense o total. É nisso que a cobrança se baseia.- Os cabeçalhos de resposta incluem
X-Request-IdeX-Balance-USD. Registre o ID da solicitação com cada chamada. Se você entrar em contato com o suporte, esse ID permite que eles encontrem sua solicitação exata.
A janela de contexto tem 100.000 tokens, contando o prompt e a conclusão juntos. Uma rodada normal de chat usa uma pequena parte disso. Você só começa a sentir o limite quando cola documentos inteiros ou envia um histórico muito longo. max_tokens é opcional; se você não o especificar, a conclusão pode usar qualquer espaço restante na janela.
Mensagens, memória e streaming
A API não lembra de você
Isso surpreende pessoas que só usaram um site de chat. Cada chamada é independente. Se o usuário fizer uma pergunta de acompanhamento, você deve enviar as rodadas anteriores novamente: a mensagem do sistema, a primeira pergunta, a primeira resposta do modelo e, em seguida, a nova pergunta. Seu código mantém a lista e vai acrescentando itens a ela.
from openai import OpenAI
client = OpenAI(base_url="https://api.llmwebsearchapi.com/v1", api_key="YOUR_API_KEY")
history = [{"role": "system", "content": "You are a concise assistant."}]
def ask(text):
history.append({"role": "user", "content": text})
r = client.chat.completions.create(model="uncensored", messages=history)
answer = r.choices[0].message.content
history.append({"role": "assistant", "content": answer})
return answer
print(ask("Name one use for a text API."))
print(ask("Give a second one."))
Lembre-se de que um histórico mais longo significa mais tokens de entrada em cada chamada posterior. Para sessões longas, corte ou resuma as rodadas mais antigas.
Streaming para uma interface responsiva
Defina stream como true e o servidor envia o texto em partes por eventos enviados pelo servidor, para que uma janela de chat possa exibir as palavras conforme chegam. Os dados de uso chegam no final do streaming.
from openai import OpenAI
client = OpenAI(base_url="https://api.llmwebsearchapi.com/v1", api_key="YOUR_API_KEY")
stream = client.chat.completions.create(
model="uncensored",
messages=[{"role": "user", "content": "Explain HTTP in three sentences."}],
stream=True,
)
for chunk in stream:
if chunk.choices and chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end="", flush=True)
Um ponto prático: uma requisição de streaming ocupa um de seus slots de concorrência até que o streaming termine, então uma conexão abandonada mantém um slot ocupado por um tempo.
Quanto custa uma chamada
O preço é por token e pagamento por uso: $0,15 por 1M de tokens de entrada e $0,50 por 1M de tokens de saída, descontados do crédito pré-pago. Não há assinatura, e solicitações falhas ou recusadas não são cobradas. O crédito nunca expira.
Pegue a chamada pequena anterior e diga que usou 1.200 tokens de entrada e 400 tokens de saída:
- Entrada: 1.200 / 1.000.000 x $0,15 = $0,00018
- Saída: 400 / 1.000.000 x $0,50 = $0,00020
- Total: $0,00038
O saldo de teste de $0,50 cobriria aproximadamente 1.300 chamadas desse tamanho, já que $0,50 dividido por $0,00038 é cerca de 1.316. O saldo de teste é válido por 7 dias e não precisa de cartão. Quando você avançar, recargas variam de $20 a $500 em valores inteiros, com um bônus de 5% a partir de $50, 10% a partir de $100 e 15% a partir de $200. A página de preços tem os detalhes atuais e métodos de pagamento aceitos.
Tokens de saída custam mais que tokens de entrada, então o hábito mais barato é pedir respostas curtas quando respostas curtas são suficientes. Uma mensagem de sistema como "responda em duas frases" corta a conta e o tempo de espera juntos.
Erros e limites que você encontrará primeiro
A maioria das falhas iniciais se enquadra em alguns grupos.
| Sintoma | Causa usual | Correção |
|---|---|---|
| Erro de autenticação (tipicamente HTTP 401) | Chave ausente ou incorreta, ou a palavra Bearer omitida | Verifique o cabeçalho e se a chave não tem espaço em branco no final |
| Solicitação rejeitada por estar malformada (tipicamente HTTP 400) | JSON inválido ou messages ausente | Valide o JSON; no curl, cuidado com as aspas ao redor de -d |
HTTP 429, código rate_limited | Mais de 300 requisições por minuto em uma chave completa, ou 60 em uma chave de teste | Reduza a velocidade e tente novamente |
HTTP 429, código concurrency | Mais de 8 requisições de uma vez em uma chave completa, ou 2 em uma chave de teste | Coloque em fila as requisições no seu código |
HTTP 429 com Retry-After: 5 | Sobrecarga temporária | Aguarde os 5 segundos indicados e tente novamente |
Adicionar novas tentativas é fácil. Esta versão espera um pouco mais após cada tentativa que falhou:
import time
from openai import OpenAI, RateLimitError
client = OpenAI(
base_url="https://api.llmwebsearchapi.com/v1",
api_key="YOUR_API_KEY",
max_retries=0,
)
def call_with_retry(messages, tries=4):
for attempt in range(tries):
try:
return client.chat.completions.create(model="uncensored", messages=messages)
except RateLimitError:
time.sleep(5 * (attempt + 1))
raise RuntimeError("still rate limited after retries")
O corpo da requisição pode ter até 8 MB, o que é muito mais do que qualquer prompt que caiba na janela de contexto.
Uma nota para um site com foco em busca
As páginas deste site falam sobre busca na web, então um esclarecimento é útil: o endpoint descrito aqui é um modelo de texto. Ele não navega na internet por conta própria e não tem acesso a páginas que você não forneceu. Se o seu produto precisa de resultados frescos da web, busque-os no seu próprio código e coloque os trechos relevantes na mensagem do usuário, ou exponha sua função de busca como uma ferramenta através de chamada de funções e deixe o modelo pedir por ela.
De qualquer forma, a estrutura da chamada permanece a mesma dos exemplos acima. Você envia mensagens, recebe texto de volta e paga pelos tokens em ambas as direções. Quando estiver pronto, crie uma chave e execute o comando curl no topo desta página.
Mais guias
Perguntas e respostas
Preciso da biblioteca OpenAI para chamar esta API?
Não. Qualquer cliente HTTP funciona porque é um POST JSON normal. Os SDKs OpenAI são convenientes e só precisam de uma URL base e uma chave diferentes.
Por que minha pergunta de acompanhamento recebe uma resposta sem contexto?
A API não mantém memória entre chamadas. Envie as mensagens anteriores novamente no array messages a cada vez.
Como vejo quantos tokens uma chamada usou?
Leia o campo usage na resposta. Ele lista tokens de prompt e tokens de conclusão, que são os dois números nos quais o preço se baseia.
O que devo fazer após um HTTP 429?
Espere e tente novamente. Se um cabeçalho Retry-After estiver presente, aguarde esse tempo; caso contrário, espere alguns segundos e reduza quantas requisições você envia de uma vez.
Sua chave está a um formulário de distância
Crie uma conta, copie a chave e altere a URL base. Essa é toda a configuração.