GLM api Key: Průvodce řešením problémů

Proč váš klíč vrací 'Unauthorized'

Chyba 'Unauthorized' (Neoprávněný přístup) obvykle pramení z nesouladu mezi vaším nakonfigurovaným API klíčem a URL endpointu. Při integraci nového LLM do editoru, jako je Zed nebo Trae, musíte zajistit, aby base URL směřovala přímo na endpoint pro dokončení chatu poskytovatele, nikoliv na obecnou proxy. Pokud používáte klienta kompatibilního s OpenAI, base URL pro naši službu je HTTPS://api.apiglm.com/v1. Předání špatné URL nebo expirovaného klíče okamžitě vyvolá odpověď 401.

Další běžnou příčinou je odeslání klíče ve špatném formátu hlavičky. Někteří klienti očekávají 'Authorization: Bearer ', zatímco jiní mohou nesprávně interpretovat vstupní pole. Ověřte, zda je váš klíč zkopírován přesně tak, jak je uveden na ovládacím panelu po přihlášení pomocí Google nebo e-mailu. Neexistuje žádný krok ověření telefonního čísla, takže pokud je klíč platný, měl by fungovat v libovolné standardní implementaci SDK OpenAI.

• Zkontrolujte, že základní URL končí /v1.
• Ujistěte se, že v řetězci adresy URL nejsou přítomny koncové lomítka.
• Ověřte, že klíč nebyl zrušen nebo nahrazen.

Řešení problému s 'Thinking Block'

Uživatelé modelů náročných na úsudky často narazí na prázdné bloky 'myšlení', kde model vypíše značku, ale žádný text. Není to vždy chyba ve vašem kódu, ale chování základní architektury modelu bez omezení. Model může rozhodnout, že vypíše blok úsudku, který obsahuje pouze bílé znaky nebo null znaky, které váš parser může interpretovat jako prázdnou odpověď.

Tento problém vyřešíte konfigurací klienta tak, aby ignoroval prázdné tagy pro úvažování nebo ořezal bílé znaky před zpracováním. Pokud používáte vlastní transformátor úvah, ujistěte se, že správně zpracovává tyto hraniční případy. Model je vyladěn pro přímé odpovědi, takže nadměrné bloky myšlení mohou někdy naznačovat potřebu upravit parametry 'temperature' nebo 'top_p', aby se podpořily přímější odpovědi.

Ladění tohoto problému zahrnuje logování surových bajtů odpovědi. Pokud je blok myšlení přítomen, ale prázdný, je bezpečné ho přeskočit a pokračovat k generování skutečného obsahu. To zajišťuje, že vaše aplikace neuvízne v čekání na neexistující text.

Konfigurace základních URL v editorech

Integrace neomezené LLM do lokálních editorů, jako je Zed nebo Claude Code, vyžaduje přepsání výchozích proměnných prostředí. Většina editorů používá výchozí základní URL OpenAI. Musíte explicitně nastavit základní URL na HTTPS://api.apiglm.com/v1 ve svých konfiguračních souborech.

Pro soubory .env.development nebo config.js se ujistěte, že je proměnná API klíče správně přiřazena. Například nastavte proměnnou base URL tak, aby ukazovala na náš endpoint. To zajistí, že všechny požadavky, včetně volání funkcí a streamování, budou směrovány přes naši infrastrukturu. Pokud editor nepodporuje vlastní base URL, možná budete muset použít proxy nebo obalovací skript, který přeloží standardní protokol OpenAI na náš endpoint.

Ověřte integraci odesláním jednoduchého požadavku 'ping'. Pokud obdržíte platnou odpověď JSON, vaše konfigurace je správná. Tento krok je zásadní před pokusem o složité víceotáčkové konverzace.

Limity rychlosti a chyby souběžnosti

Naše infrastruktura vynucuje přísná omezení propustnosti pro zajištění stability při vysokém objemu používání. Každý klíč API je omezen na 300 požadavků za minutu a zvládne až 8 souběžných požadavků. Pokud tyto limity překročíte, obdržíte chybu 429 Too Many Requests.

Abychom se těmto chybám vyhnuli, implementujte v kódu klienta exponenciální backoff. Sledujte hlavičku 'Retry-After' v odpovědi, pokud je k dispozici. Kromě toho se ujistěte, že vaše aplikace nevykazuje špičky provozu během špičkových hodin. Pokud provozujete více instancí, rozložte zátěž mezi různé klíče nebo řiďte souběžnost na úrovni aplikace.

Velikost těla žádosti je také omezena na 8 MB. Velké prompty nebo mnoho volání nástrojů mohou tento limit překročit. Rozdělte svůj vstup nebo snižte počet souběžných požadavků, abyste zůstali v těchto mezích. Tyto limity jsou transparentní a navrženy tak, aby zabránily vyčerpání zdrojů.

Počítání tokenů a kontextová okna

Pochopení využití tokenů je kritické pro řízení nákladů. Náš model podporuje kontextové okno o velikosti 100,000 tokenů, které zahrnuje jak podnět, tak dokončení. Maximální výstup na požadavek je 16,000 tokenů, nebo 2,048, pokud neurčíte 'max_tokens'.

Cena je založena na skutečném využití tokenů: $0,15 za milion vstupních tokenů a $0,50 za milion výstupních tokenů. Chyby a odmítnutí jsou zdarma, takže platíte pouze za úspěšnou generaci obsahu. Tento předplacený model znamená, že váš úvěr nevyprší a dobít jej můžete kdykoli pomocí kryptoměn.

Sledujte využití tokenů ve své aplikaci parsováním metadat odpovědi. Poslední blok streamované odpovědi obsahuje celkový počet tokenů. To umožňuje sledovat náklady v reálném čase a upravovat prompty, abyste zůstali v rozpočtu. Efektivní využití tokenů je klíčové pro maximalizaci hodnoty vašeho předplaceného kreditu.

Parsování streamovaných odpovědí

Streamované odpovědi jsou doručovány prostřednictvím Server-Sent Events (SSE). Každý blok obsahuje část odpovědi, ale data o využití tokenů jsou zahrnuta pouze v posledním bloku. To znamená, že celkové využití tokenů nemůžete spočítat, dokud není stream dokončen.

Parsovejte stream nasloucháním událostem 'data'. Akumulujte textové části pro vytvoření celé odpovědi. Když obdržíte konečnou část, extrahujte pole 'usage' pro aktualizaci místního počtu tokenů. Tento přístup zajišťuje přesnou fakturaci a pomáhá vám sledovat spotřebu zdrojů.

Zvládněte síťové přerušení elegantně. Pokud se stream připojení přeruší, možná budete muset požadavek opakovat. Ujistěte se, že váš klient může zpracovat částečné odpovědi a správně je znovu složit. Streamování je ideální pro aplikace v reálném čase, ale vyžaduje robustní zpracování chyb.

Chyby parametrů při volání funkcí

Volání funkcí vyžaduje přesnou konfiguraci parametrů. Ujistěte se, že vaše pole 'tools' správně definuje schéma funkce, včetně parametrů a popisů. Parametr 'tool_choice' lze nastavit na 'auto', 'required' nebo konkrétní název funkce.

Mezi běžné chyby patří chybějící povinná pole nebo nesprávné datové typy v schématu nástroje. Ověřte, že váš klient odesílá 'response_format' jako 'json_object', pokud očekáváte strukturovaný výstup. To zajistí, že model vrátí platný JSON, který vaše aplikace může parsovat.

Nejprve otestujte volání funkcí s jednoduchými nástroji. Postupně zvyšujte složitost a identifikujte případné nesrovnalosti schémat. Pokud model selže při volání nástroje, zkontrolujte pole 'tool_calls' v odpovědi na chyby. Správná konfigurace je pro spolehlivé volání funkcí zásadní.

Opravy zpoždění při doplňování v kryptoměnách

Doplňování kreditu probíhá přes kryptoměny, konkrétně USDT (TRC20) nebo USDC (Base). Transakce mohou vyžadovat několik minut na potvrzení v blockchainu. Pokud se kredit nezobrazí okamžitě, počkejte na potvrzení sítě.

Bonusové kredity jsou automaticky aplikovány při dobíjení částkami $50 nebo více: +5 % pro $50, +10 % pro $100 a +15 % pro $200. Ujistěte se, že odešlete přesnou částku pro získání správného bonusu. Transakce pod $20 nebo nad $500 nemusí získat bonusy nebo mohou být zamítnuty.

Pokud dojde k dvojímu zpoplatnění, kontaktujte podporu prostřednictvím stránky Podpora. Kredity se nevracejí, ale mohou být upraveny. Pro rychlejší řešení si uložte záznam o ID vaší transakce. Tento předplacený model zajišťuje, že nikdy nepřijdete o kredit kvůli vypršení platnosti.

Chyby konfigurace ID modelu

Použití nesprávného ID modelu je častým zdrojem chyb. Pro náš model bez omezení je ID jednoduše 'uncensored'. Odeslání požadavku s 'gpt-4' nebo 'claude-3' způsobí chybu 'Model Not Found'.

Ujistěte se, že váš klient explicitně nastaví pole 'model' na 'uncensored' v každém požadavku. To je zásadní při používání SDK kompatibilních s OpenAI, která mohou implicitně používat jiné modely. Ověřte ID modelu ve vašich konfiguračních souborech a testovacích požadavcích.

Naše služba neposkytuje směrování modelů ani výběr z více modelů. Jde o endpoint s jedním modelem určený pro generování textu bez omezení. Tato jednoduchost snižuje složitost a zajišťuje konzistentní výkon. Před nasazením do produkce si vždy ověřte ID modelu.