Resposta rápida
Como usar LLMwithCrypto no LangChain?
Instale langchain-openai e crie ChatOpenAI(model="deepseek-v4-pro", base_url="https://llmwithcrypto.com/api/v1", api_key=…). LLMwithCrypto fala o formato de chat da OpenAI, então invoke, streaming e bind_tools funcionam como com a OpenAI, nos modelos que suportam ferramentas. O LlamaIndex usa OpenAILike com o mesmo base URL. Documentado em 23 de outubro de 2026.
Qual classe usar
| LangChain (Python) | ChatOpenAI a partir de langchain-openai, com base_url |
|---|---|
| LangChain.js | ChatOpenAI a partir de @langchain/openai, com configuration.baseURL |
| LlamaIndex | OpenAILike a partir de llama-index-llms-openai-like, com api_base e is_chat_model=True |
| Ids de modelo | Na página de modelos |
Como configuro o ChatOpenAI?
Passe a base URL e a chave ao criar o modelo. Definir max_tokens impede que cada etapa de uma chain ou de um agente escreva mais do que você quer pagar; o usage_metadata da resposta mostra os tokens de cada chamada.
import os
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="deepseek-v4-pro",
base_url="https://llmwithcrypto.com/api/v1",
api_key=os.environ["LLMWITHCRYPTO_API_KEY"],
max_tokens=300,
temperature=0.3,
)
reply = llm.invoke("Explain what a vector database is in two sentences.")
print(reply.content)
print(reply.usage_metadata)
Ferramentas e agentes funcionam?
Sim, nos modelos que suportam tool calling. O streaming funciona em todos os modelos; tool calling e saída em JSON seguem o que cada modelo suporta por si. bind_tools envia suas ferramentas no formato OpenAI; teste seu schema no modelo escolhido antes de depender dele. Agentes LangGraph construídos sobre ChatOpenAI funcionam do mesmo jeito.
import os
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
@tool
def convert_currency(amount: float, rate: float) -> float:
"""Convert an amount with an exchange rate."""
return round(amount * rate, 2)
llm = ChatOpenAI(
model="gpt-oss-120b",
base_url="https://llmwithcrypto.com/api/v1",
api_key=os.environ["LLMWITHCRYPTO_API_KEY"],
)
llm_with_tools = llm.bind_tools([convert_currency])
msg = llm_with_tools.invoke("How much is 250 at a rate of 0.92?")
for call in msg.tool_calls:
print(call["name"], call["args"], "->", convert_currency.invoke(call["args"]))
E a partir do JavaScript?
O LangChain.js recebe a base URL dentro de configuration, que ele repassa ao cliente OpenAI por baixo.
import { ChatOpenAI } from '@langchain/openai';
const llm = new ChatOpenAI({
model: 'qwen3-235b-a22b-instruct-2507',
apiKey: process.env.LLMWITHCRYPTO_API_KEY,
configuration: { baseURL: 'https://llmwithcrypto.com/api/v1' },
maxTokens: 300,
});
const reply = await llm.invoke('Give me a three-step plan to learn SQL.');
console.log(reply.content);
Como uso no LlamaIndex?
Use OpenAILike, que não confere nomes de modelos com a lista da OpenAI. Defina is_chat_model=True para que ele envie mensagens de chat e informe a janela de contexto do modelo para o LlamaIndex dimensionar os prompts: o DeepSeek V4.1 Flash lê até 1M tokens em 23 de outubro de 2026, e o exemplo define uma janela menor de propósito para manter os prompts curtos.
import os
from llama_index.llms.openai_like import OpenAILike
llm = OpenAILike(
model="deepseek-v4.1-flash",
api_base="https://llmwithcrypto.com/api/v1",
api_key=os.environ["LLMWITHCRYPTO_API_KEY"],
is_chat_model=True,
context_window=131072,
max_tokens=300,
)
print(llm.complete("Name three uses of a knowledge graph."))
Como mantenho os custos de agentes sob controle?
Um agente chama o modelo várias vezes por tarefa: uma para planejar, uma por resultado de ferramenta, uma para responder. Cada chamada reenvia a conversa inteira, então a entrada cresce a cada etapa.
- Limite cada chamada com
max_tokense a execução inteira com um número máximo de etapas. - Use um modelo pequeno onde ele basta. Em 23 de outubro de 2026, o gpt-oss-20b custa $0.033 por milhão de tokens de entrada contra $1.254 do DeepSeek V4 Pro: encaminhe etapas simples para o pequeno e deixe o grande para a resposta final.
- Enxugue o histórico em conversas longas, ou resuma turnos antigos.
- Acompanhe o saldo de créditos com
GET https://llmwithcrypto.com/api/v1/creditsantes de execuções grandes.
O dashboard lista cada chamada com seus tokens e seu custo, o que mostra rapidamente qual etapa de uma chain é a cara.
Frameworks: perguntas comuns
Posso misturar modelos em uma chain?
Sim: crie um ChatOpenAI por modelo, por exemplo um barato para roteamento e um grande para a resposta final. Todos gastam os mesmos créditos.
Embeddings funcionam?
Não. A API serve apenas chat completions; use seu modelo de embeddings atual junto com ela.
Quanto pago por uma execução de agente?
Por cada chamada de modelo da execução, por token. Você paga por token a partir do seu saldo: tokens de entrada e de saída são contados pelo tokenizer do próprio modelo e cobrados ao preço daquele modelo por 1M de tokens. Uma chamada que termina em erro não custa nada. Os preços por modelo estão na página de preços.