Kısa yanıt
LLMwithCrypto LangChain'de nasıl kullanırım?
langchain-openai kurun ve ChatOpenAI(model="deepseek-v4-pro", base_url="https://llmwithcrypto.com/api/v1", api_key=…) oluşturun. LLMwithCrypto OpenAI chat formatını konuşur, bu yüzden invoke, streaming ve bind_tools, tool'ları destekleyen modellerde OpenAI'deki gibi çalışır. LlamaIndex aynı base URL ile OpenAILike kullanır. 23 Ekim 2026 tarihinde belgelendi.
Hangi sınıfı kullanmalıyım
| LangChain (Python) | base_url ile langchain-openai üzerinden ChatOpenAI |
|---|---|
| LangChain.js | configuration.baseURL ile @langchain/openai üzerinden ChatOpenAI |
| LlamaIndex | api_base ve is_chat_model=True ile llama-index-llms-openai-like üzerinden OpenAILike |
| Model kimlikleri | modeller sayfasında |
ChatOpenAI'ı nasıl kurarım?
Modeli oluştururken base URL'yi ve anahtarı geçin. max_tokens ayarını yapmak, bir chain veya agent'ın her adımının ödemek istediğinizden fazlasını yazmasını engeller; yanıtın usage_metadata alanı her çağrının token sayısını gösterir.
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)
Araçlar ve agent'lar çalışır mı?
Evet, tool calling destekleyen modellerde. Streaming her modelde çalışır; tool calling ve JSON çıktısı, her modelin kendi desteklediğiyle sınırlıdır. bind_tools araçlarınızı OpenAI formatında gönderir; buna güvenmeden önce şemanızı seçtiğiniz modelde test edin. ChatOpenAI üzerine kurulu LangGraph agent'ları da aynı şekilde çalışır.
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"]))
Peki JavaScript ile nasıl?
LangChain.js base URL'yi configuration içinde alır ve alttaki OpenAI istemcisine iletir.
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);
LlamaIndex'te nasıl kullanırım?
Model adlarını OpenAI'ın listesiyle karşılaştırmayan OpenAILike kullanın. Chat mesajları göndermesi için is_chat_model=True ayarlayın ve modele context window değerini verin ki LlamaIndex prompt'larının boyutunu ayarlayabilsin: DeepSeek V4.1 Flash, 23 Ekim 2026 itibarıyla 1M token'a kadar okuyor, örnekte prompt'ları kısa tutmak için bilerek daha küçük bir pencere ayarlanmış.
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."))
Agent maliyetlerini nasıl kontrol altında tutarım?
Bir agent modeli görev başına birçok kez çağırır: bir kez planlamak için, her araç sonucu için bir kez, bir kez de yanıtlamak için. Her çağrı tüm konuşmayı yeniden gönderir, bu yüzden girdi her adımda büyür.
- Her çağrıyı
max_tokensile, tüm çalışmayı da maksimum adım sayısıyla sınırlayın. - Yeterli olduğu yerde küçük bir model kullanın. 23 Ekim 2026 itibarıyla gpt-oss-20b, milyon girdi token'ı başına DeepSeek V4 Pro'nun $1.254 fiyatına karşılık $0.033 tutuyor: basit adımları küçük modele yönlendirin, büyük olanı final yanıt için saklayın.
- Geçmişi budayın uzun konuşmalarda veya eski turları özetleyin.
- Krediyi izleyin büyük çalışmalardan önce
GET https://llmwithcrypto.com/api/v1/creditsile.
Dashboard her çağrıyı token'ları ve maliyetiyle listeler; bu da bir chain'in hangi adımının pahalı olduğunu hemen gösterir.
Framework'ler: sık sorulan sorular
Aynı chain içinde modelleri karıştırabilir miyim?
Evet: her model için bir ChatOpenAI oluşturun; örneğin yönlendirme için ucuz bir tane, final yanıt için büyük bir tane. Hepsi aynı krediyi harcar.
Embedding'ler çalışır mı?
Hayır. API yalnızca chat completions sunar; mevcut embedding modelinizi onunla birlikte kullanın.
Bir agent çalışması için ne öderim?
Çalışmanın her model çağrısı, token başına. Token başına bakiyenizden ödersiniz: girdi ve çıktı token'ları modelin kendi tokenizer'ı ile sayılır ve o modelin 1M token başına fiyatından ücretlendirilir. Hata ile sonuçlanan bir çağrı ücretsizdir. Model başına fiyatlar fiyatlandırma sayfasında.