Réponse rapide
Comment appeler LLMwithCrypto depuis Python ?
Installez le package officiel avec pip install openai, puis créez le client avec base_url="https://llmwithcrypto.com/api/v1" et votre clé depuis LLMWITHCRYPTO_API_KEY. LLMwithCrypto répond à client.chat.completions.create() comme l'API OpenAI, pour 12 modèles open-weight tels que deepseek-v4-pro ou gpt-oss-120b. Le streaming, l'async et les tool calls fonctionnent comme d'habitude, comme documenté le 23 octobre 2026.
Ce qu'il vous faut
| Python | 3.9 ou plus récent |
|---|---|
| Package | openai (officiel) ; requests pour l'appel credits |
| URL de base | https://llmwithcrypto.com/api/v1 |
| Key | Dans la variable d'environnement LLMWITHCRYPTO_API_KEY, jamais dans le code |
| Ids de modèle | Sur la page des modèles ou depuis client.models.list() |
Comment envoyer une requête ?
Créez le client une fois et réutilisez-le : il garde la connexion ouverte entre les appels. Le SDK ne lit ici aucune variable d'environnement pour la base URL de lui-même, passez-la donc explicitement.
import os
from openai import OpenAI
client = OpenAI(
base_url="https://llmwithcrypto.com/api/v1",
api_key=os.environ["LLMWITHCRYPTO_API_KEY"],
)
resp = client.chat.completions.create(
model="deepseek-v4-pro",
messages=[
{"role": "system", "content": "Answer in two sentences."},
{"role": "user", "content": "What is a context window?"},
],
max_tokens=200,
)
print(resp.choices[0].message.content)
print(resp.usage.prompt_tokens, "in,", resp.usage.completion_tokens, "out")
Comment lancer beaucoup de requêtes en même temps ?
Utilisez AsyncOpenAI avec asyncio.gather, et un sémaphore pour limiter le nombre de requêtes exécutées en parallèle. Quatre est un bon point de départ ; augmentez-le tant que vous restez sous votre rate limit. Chaque compte a une limite de requêtes et de tokens par minute, affichée dans le dashboard ; demandez au support, elle peut être augmentée.
import asyncio
import os
from openai import AsyncOpenAI
client = AsyncOpenAI(
base_url="https://llmwithcrypto.com/api/v1",
api_key=os.environ["LLMWITHCRYPTO_API_KEY"],
)
LIMIT = asyncio.Semaphore(4)
async def summarize(text):
async with LIMIT:
resp = await client.chat.completions.create(
model="deepseek-v4.1-flash",
messages=[
{"role": "system", "content": "Summarize in one sentence."},
{"role": "user", "content": text},
],
max_tokens=80,
)
return resp.choices[0].message.content
async def main():
docs = ["First report text...", "Second report text...", "Third report text..."]
for summary in await asyncio.gather(*(summarize(d) for d in docs)):
print("-", summary)
asyncio.run(main())
Comment streamer la réponse ?
Passez stream=True et itérez sur les chunks ; chacun porte un morceau de texte dans delta.content. Avec stream_options={"include_usage": True}, le dernier chunk porte les compteurs de tokens. La page sur le streaming explique le format.
import os
from openai import OpenAI
client = OpenAI(
base_url="https://llmwithcrypto.com/api/v1",
api_key=os.environ["LLMWITHCRYPTO_API_KEY"],
)
stream = client.chat.completions.create(
model="deepseek-v4.1-flash",
messages=[{"role": "user", "content": "Write a haiku about latency."}],
stream=True,
stream_options={"include_usage": True},
max_tokens=120,
)
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("\n", chunk.usage.prompt_tokens, "in,", chunk.usage.completion_tokens, "out")
Comment savoir combien a coûté une requête ?
Multipliez les compteurs de usage par les prix du modèle par million de tokens. Au 23 octobre 2026, DeepSeek V4 Pro coûte $1.254 par million de tokens en entrée et $3.762 par million de tokens en sortie ; l'exemple code en dur ces deux nombres, mettez-les donc à jour depuis la page des tarifs quand les prix changent. Le dashboard affiche le coût exact de chaque appel.
import os
from openai import OpenAI
# prices per 1M tokens of the models you use, copied from the pricing page
PRICES = {"deepseek-v4-pro": (1.254, 3.762)}
client = OpenAI(
base_url="https://llmwithcrypto.com/api/v1",
api_key=os.environ["LLMWITHCRYPTO_API_KEY"],
)
resp = client.chat.completions.create(
model="deepseek-v4-pro",
messages=[{"role": "user", "content": "Give me three names for a coffee shop."}],
max_tokens=100,
)
price_in, price_out = PRICES[resp.model]
cost = (resp.usage.prompt_tokens * price_in + resp.usage.completion_tokens * price_out) / 1_000_000
print(resp.choices[0].message.content)
print(f"cost: ${cost:.6f}")
Comment migrer une application OpenAI existante ?
Trois changements, généralement dans un seul fichier :
- Le client. Ajoutez
base_urlet lisez la clé depuisLLMWITHCRYPTO_API_KEYlà où vous créezOpenAI()ouAsyncOpenAI(). - Les noms de modèles. Remplacez chaque nom
gpt-…par un id de la page des modèles. Cherchez dans tout le projet : les noms de modèles se cachent dans les fichiers de config, les prompts et les tests. - Les fonctionnalités sur lesquelles vous comptez. Le chat, le streaming et les system prompts fonctionnent partout. Le tool calling et la sortie JSON dépendent du modèle, alors lancez vos tests existants sur le modèle que vous choisissez.
Tout le reste ne change pas : vos prompts, votre logique de retry, votre parsing de choices et usage. Le guide de migration détaille tout cela.
Où doit vivre la clé ?
Dans l'environnement, jamais dans le code. En local, un fichier .env chargé par votre app et listé dans .gitignore suffit ; en production, utilisez le secret store de votre hébergeur ou de votre CI. Donnez à chaque app ou service sa propre clé, pour pouvoir en révoquer une sans arrêter les autres. Créez une clé API par app, agent ou coéquipier et révoquez n'importe laquelle depuis le dashboard sans toucher aux autres.
Python : questions fréquentes
Le SDK relance-t-il les requêtes tout seul ?
Oui, le package openai relance certaines erreurs deux fois par défaut (max_retries). La page des erreurs indique quelles erreurs méritent un retry.
Puis-je continuer à utiliser mon code OpenAI ?
Oui. L'API parle le format chat completions d'OpenAI : pointez le SDK OpenAI, LangChain ou tout outil compatible OpenAI vers notre URL de base avec votre clé, et changez le nom du modèle. Le guide de migration liste ce qu'il faut vérifier.
Quels frameworks Python fonctionnent ?
Tous ceux qui acceptent une base URL compatible OpenAI. La page LangChain montre LangChain et LlamaIndex.