Panduan Penyelesaian Masalah Kunci API GLM

Kenapa Kunci Anda Mengembalikan 'Unauthorized'

Ralat 'Unauthorized' (Tidak Dibenarkan) biasanya berpunca daripada ketidakpadanan antara kunci API yang dikonfigurasi anda dan hujung sambungan URL asas. Apabila mengintegrasikan LLM baharu ke dalam editor seperti Zed atau Trae, anda mesti memastikan URL asas menunjuk terus ke hujung sambungan penyelesaian sembang penyedia tersebut, bukannya proksi umum. Jika anda menggunakan klien serasi OpenAI, URL asas untuk perkhidmatan kami ialah HTTPS://api.apiglm.com/v1. Melewarkan URL yang salah atau kunci yang telah luput akan mencetuskan respons 401 ini serta-merta.

Sebab biasa lain ialah menghantar kunci dalam format header yang salah. Sesetengah klien mengharapkan 'Authorization: Bearer ' manakala yang lain mungkin salah mentafsir medan input. Sahkan bahawa kunci anda disalin tepat seperti yang ditunjukkan pada papan pemuka selepas log masuk dengan Google atau e-mel. Tiada langkah pengesahan nombor telefon, jadi jika kunci itu sah, ia harus berfungsi pada mana-mana pelaksanaan SDK OpenAI standard.

• Semak bahawa URL asas berakhir dengan /v1.
• Pastikan tiada garis miring akhir wujud dalam rentetan URL.
• Sahkan kunci tidak telah ditarik balik atau digantikan.

Menangani Isu 'Blok Berfikir'

Pengguna model yang berat logik sering menghadapi blok 'berfikir' kosong di mana model mengeluarkan tag tetapi tiada teks. Ini bukan selalu pepijat dalam kod anda tetapi tingkah laku seni bina model tanpa sensor. Model mungkin memutuskan untuk mengeluarkan blok penalaran yang mengandungi ruang putih atau aksara null, yang parser anda mungkin tafsirkan sebagai respons kosong.

Untuk menangani ini, konfigurasikan klien anda untuk mengabaikan tag alasan kosong atau keluarkan ruang putih sebelum pemprosesan. Jika anda menggunakan penukar alasan tersuai, pastikan ia menangani kes tepi dengan betul. Model ditala untuk jawapan langsung, jadi blok pemikiran yang berlebihan kadangkala menunjukkan keperluan untuk melaraskan parameter 'suhu' atau 'top_p' untuk menggalakkan respons yang lebih langsung.

Nyahpepijat ini melibatkan log pelayan respons mentah. Jika blok pemikiran wujud tetapi kosong, ia selamat untuk dilewati dan teruskan ke penjanaan kandungan sebenar. Ini memastikan aplikasi anda tidak tersekat menunggu teks yang tidak wujud.

Mengkonfigurasi URL Asas dalam Editor

Mengintegrasikan LLM tanpa sensor ke dalam editor tempatan seperti Zed atau Claude Code memerlukan penggantian pemboleh ubah persekitaran lalai. Kebanyakan editor menggunakan URL asas OpenAI sebagai lalai. Anda mesti menetapkan URL asas secara eksplisit kepada HTTPS://api.apiglm.com/v1 dalam fail konfigurasi anda.

Untuk fail .env.development atau config.js, pastikan pembolehubah kunci API dipetakan dengan betul. Sebagai contoh, tetapkan pembolehubah base URL untuk menunjuk ke hujung kami. Ini memastikan bahawa semua permintaan, termasuk pemanggilan fungsi dan penstriman, disalurkan melalui infrastruktur kami. Jika editor tidak menyokong base URL tersuai, anda mungkin perlu menggunakan proksi atau skrip pembungkus yang menterjemah protokol OpenAI piawai ke hujung kami.

Sahkan integrasi dengan menghantar permintaan 'ping' mudah. Jika anda menerima respons JSON yang sah, konfigurasi anda adalah betul. Langkah ini penting sebelum cuba percubaan perbualan berbilang giliran kompleks.

Had had laju dan ralat kekonkurenan

Infrastruktur kami melaksanakan had kadar ketat untuk memastikan kestabilan semasa penggunaan bervolume tinggi. Setiap kunci API dihadkan kepada 300 permintaan setiap minit dan boleh mengendalikan sehingga 8 permintaan serentak. Jika anda melebihi had ini, anda akan menerima ralat 429 Too Many Requests.

Untuk mengelakkan ralat ini, laksanakan 'exponential backoff' dalam kod klien anda. Pantau header 'Retry-After' dalam respons jika tersedia. Selain itu, pastikan aplikasi anda tidak mengalami lonjakan trafik semasa waktu puncak. Jika anda menjalankan beberapa instance, taburkan beban merentasi kunci berbeza atau uruskan kekonkurensan di peringkat aplikasi.

Saiz badan permintaan juga terhad kepada 8 MB. Arahan besar atau banyak panggilan alat boleh melebihi had ini. Bahagikan input anda atau kurangkan bilangan permintaan serentak untuk kekal dalam had ini. Had ini telus dan direka untuk mencegah penipisan sumber.

Pengiraan Token dan Tetingkap Konteks

Memahami penggunaan token adalah penting untuk pengurusan kos. Model kami menyokong tetingkap konteks 100,000 token, yang termasuk prompt dan penyelesaian. Output maksimum setiap permintaan ialah 16,000 token, atau 2,048 jika anda tidak menentukan 'max_tokens'.

Harga berdasarkan penggunaan token sebenar: $0.15 bagi setiap satu juta token input dan $0.50 bagi setiap satu juta token output. Kesilapan dan penolakan adalah percuma, jadi anda hanya membayar untuk penjanaan kandungan yang berjaya. Model pra-bayar ini bermakna kredit anda tidak akan luput, dan anda boleh menambah baki dengan crypto pada bila-bila masa.

Jejak penggunaan token dalam aplikasi anda dengan menguraikan metadata respons. Segmen akhir respons aliran mengandungi jumlah bilangan token. Ini membolehkan anda memantau kos dalam masa nyata dan menyesuaikan prompt anda untuk kekal dalam bajet. Penggunaan token yang cekap adalah kunci untuk memaksimumkan nilai kredit pra-dibayar anda.

Penguraian Respons Streaming

Respons aliran dihantar melalui Server-Sent Events (SSE). Setiap pecahan mengandungi sebahagian respons, tetapi data penggunaan token hanya disertakan dalam pecahan akhir. Ini bermakna anda tidak boleh mengira jumlah penggunaan token sehingga aliran selesai.

Uraikan aliran dengan mendengarkan acara 'data'. Kumpulkan chunk teks untuk membentuk respons penuh. Apabila anda menerima chunk terakhir, ekstrak medan 'penggunaan' untuk mengemas kiraan token tempatan anda. Pendekatan ini memastikan pengebilan yang tepat dan membantu anda memantau penggunaan sumber.

Tangani gangguan rangkaian dengan lembut. Jika aliran jatuh, anda mungkin perlu cuba semula permintaan. Pastikan klien anda boleh mengendalikan respons separuh dan menyusunnya semula dengan betul. Aliran adalah ideal untuk aplikasi masa nyata, tetapi ia memerlukan pengendalian ralat yang kukuh.

Ralat Parameter Panggilan Fungsi

Pemanggilan fungsi memerlukan konfigurasi parameter yang tepat. Pastikan larik 'tools' anda menentukan skema fungsi dengan betul, termasuk parameter dan penerangan. Parameter 'tool_choice' boleh ditetapkan kepada 'auto', 'required', atau nama fungsi khusus.

Ralat lazim termasuk medan yang diperlukan tiada atau jenis data yang salah dalam skema alat. Sahkan bahawa klien anda menghantar 'response_format' sebagai 'json_object' jika anda mengharapkan output terstruktur. Ini memastikan model mengembalikan JSON sah yang boleh ditafsirkan oleh aplikasi anda.

Uji panggilan fungsi dengan alat mudah dahulu. Tingkatkan kompleksiti secara berperingkat untuk mengenal pasti sebarang ketidakpadanan skema. Jika model gagal memanggil alat, semak medan 'tool_calls' dalam respons untuk ralat. Konfigurasi yang betul adalah penting untuk panggilan fungsi yang boleh dipercayai.

Penyelesaian Kelewatan Topup Crypto

Pengisian semula kredit anda dilakukan melalui kriptu, khususnya USDT (TRC20) atau USDC (Base). Transaksi mungkin mengambil masa beberapa minit untuk disahkan pada blockchain. Jika kredit anda tidak muncul serta-merta, tunggu pengesahan rangkaian.

Kredit bonus diaplikasikan secara automatik untuk pengisian semula $50 atau lebih: +5% untuk $50, +10% untuk $100, dan +15% untuk $200. Pastikan anda menghantar jumlah tepat untuk menerima bonus yang betul. Transaksi di bawah $20 atau melebihi $500 mungkin tidak menerima bonus atau mungkin ditolak.

Jika anda mengalami caj berganda, hubungi sokongan melalui halaman Sokongan. Kredit tidak dipulangkan tetapi boleh dilaraskan. Simpan rekod ID transaksi anda untuk penyelesaian yang lebih pantas. Model prabayar ini memastikan anda tidak pernah kehilangan kredit akibat luput.

Konfigurasi ID Model

Menggunakan pengecam model yang salah adalah sumber ralat yang kerap. Untuk model tanpa sensor kami, pengecamnya hanyalah 'uncensored'. Menghantar permintaan dengan 'gpt-4' atau 'claude-3' akan menghasilkan ralat 'Model Tidak Ditemui'.

Pastikan klien anda menetapkan medan 'model' secara eksplisit kepada 'uncensored' dalam setiap permintaan. Ini penting apabila menggunakan SDK serasi OpenAI yang mungkin lalai kepada model lain. Sahkan ID model dalam fail konfigurasi dan permintaan ujian anda.

Perkhidmatan kami tidak menawarkan penghalaan model atau pilihan model pelbagai. Ia adalah titik hujung model tunggal yang didedikasikan untuk penjanaan teks tanpa sensor. Kesederhanaan ini mengurangkan kerumitan dan memastikan prestasi yang konsisten. Sentiasa semak ID model sebelum melaksanakan ke pengeluaran.