GLM api-nyckel: felsökningsguide

Varför din nyckel returnerar 'Unauthorized'

Felet 'Unauthorized' (Obehörig) beror vanligtvis på en överensstämmelse mellan din konfigurerade API-nyckel och bas-URL-slutpunkten. När du integrerar en ny LLM i en redigerare som Zed eller Trae måste du säkerställa att bas-URL:n pekar direkt till leverantörens chatcompletion-slutpunkt snarare än en generell proxy. Om du använder en OpenAI-kompatibel klient är bas-URL:n för vår tjänst HTTPS://api.apiglm.com/v1. Att ange fel URL eller en utgången nyckel utlöser omedelbart detta 401-svar.

En annan vanlig orsak är att skicka nyckeln i fel header-format. Vissa klienter förväntar sig 'Authorization: Bearer ' medan andra kan missförstå inmatningsfältet. Verifiera att din nyckel kopieras exakt som visas på dashboarden efter att ha loggat in med Google eller e-post. Det finns inget steg för telefonnummerverifiering, så om nyckeln är giltig bör den fungera i vilken som helst standard OpenAI SDK-implementering.

• Kontrollera att bas-URL:n slutar med /v1.
• Se till att inga efterföljande snedstreck finns i URL-strängen.
• Verifiera att nyckeln inte har återkallats eller ersatts.

Hantera 'Thinking Block'-problemet

Användare av resonemangsintensiva modeller stöter ofta på tomma 'tänkeblock' där modellen skriver ut en tagg men ingen text. Detta är inte alltid ett fel i din kod utan ett beteende hos den underliggande obegränsade modellarkitekturen. Modellen kan besluta att skriva ut ett resonemangsblock som innehåller mellanslag eller null-tecken, vilket din parser kan tolka som ett tomt svar.

För att hantera detta, konfigurera din klient att ignorera tomma resoneringsetiketter eller ta bort vitrymme innan bearbetning. Om du använder en anpassad resoneringstransformator, se till att den hanterar dessa kantfall korrekt. Modellen är optimerad för direkta svar, så överdrivna tänkeblok kan ibland indikera ett behov av att justera 'temperatur' eller 'top_p'-parametrarna för att uppmuntra mer direkta svar.

Felsökning av detta innebär att logga de råa svarbytesen. Om tänkeblocket finns närvarande men tomt är det säkert att hoppa över det och fortsätta med faktisk innehållsgenerering. Detta säkerställer att din applikation inte hänger sig i väntan på icke-existerande text.

Konfigurera bas-URL:er i redigerare

Att integrera en uncensurerad LLM i lokala redigerare som Zed eller Claude Code kräver att du åsidosätter standardmiljövariablerna. De flesta redigerare använder OpenAI:s bas-URL som standard. Du måste explicit ange bas-URL:en till HTTPS://api.apiglm.com/v1 i dina konfigurationsfiler.

För .env.development- eller config.js-filer, se till att API-nyckelvariabeln är korrekt mappad. Till exempel, ange bas-URL-variabeln för att peka på vår slutpunkt. Detta säkerställer att alla förfrågningar, inklusive funktionsanrop och strömning, dirigeras genom vår infrastruktur. Om editorn inte stöder anpassade bas-URL:er kan du behöva använda en proxy eller ett omslutningsskript som översätter det standard OpenAI-protokollet till vår slutpunkt.

Verifiera integrationen genom att skicka en enkel 'ping'-förfrågan. Om du får ett giltigt JSON-svar är din konfiguration korrekt. Detta steg är avgörande innan du försöker dig på komplexa flersamtalskonversationer.

Fel vid begränsningar för begäranderänta och parallellitet

Vår infrastruktur tillämpar strikta hastighetsbegränsningar för att säkerställa stabilitet vid högvolymsanvändning. Varje API-nyckel är begränsad till 300 förfrågningar per minut och kan hantera upp till 8 samtidiga förfrågningar. Om du överskrider dessa gränser får du ett 429 Too Many Requests-fel.

För att undvika dessa fel, implementera exponentiell backoff i din klientkod. Övervaka 'Retry-After'-huvudet i svaret om det finns tillgängligt. Se dessutom till att din applikation inte har trafiktoppar under rusningstider. Om du kör flera instanser, fördela belastningen över olika nycklar eller hantera parallellism på applikationsnivå.

Förfrågningskroppens storlek är också begränsad till 8 MB. Stora prompts eller många verktygsanrop kan överskrida denna gräns. Dela upp din input eller minska antalet parallella förfrågningar för att hålla dig inom dessa gränser. Dessa gränser är transparenta och utformade för att förhindra resursuttömning.

Tokenräkning och kontextfönster

Att förstå tokenanvändning är kritiskt för kostnadshantering. Vår modell stöder ett kontextfönster på 100,000 tokens, vilket inkluderar både prompt och slutförande. Maximal utmatning per förfrågan är 16,000 tokens, eller 2,048 om du inte anger 'max_tokens'.

Prissättningen baseras på faktisk tokenanvändning: $0,15 per miljon inmatningstokens och $0,50 per miljon utmatningstokens. Fel och avslag är kostnadsfria, så du betalar endast för lyckad innehållsgenerering. Denna förbetalda modell innebär att din kredit aldrig löper ut, och du kan fylla på med kryptovaluta när som helst.

Spåra tokenförbrukning i din applikation genom att analysera responsmetadata. Den sista biten av en strömmad respons innehåller det totala tokenantalet. Detta gör att du kan övervaka kostnader i realtid och justera dina prompts för att hålla dig inom budget. Effektiv tokenförbrukning är nyckeln till att maximera värdet av din förbetalda kredit.

Strömningsresponsparsning

Strömsvaren levereras via Server-Sent Events (SSE). Varje chunk innehåller en del av svaret, men tokenanvändningsdata inkluderas endast i den sista chunken. Detta innebär att du inte kan beräkna total tokenanvändning förrän strömmen är klar.

Analysera strömmen genom att lyssna på 'data'-händelser. Ackumulera textbitarna för att bilda hela svaret. När du tar emot den sista biten, extrahera 'usage'-fältet för att uppdatera din lokala tokenräkning. Denna metod säkerställer noggrann fakturering och hjälper dig att övervaka resursförbrukning.

Hantera nätverksavbrott smidigt. Om strömmen bryts kan du behöva försöka begäran igen. Se till att din klient kan hantera delvisa svar och montera ihop dem korrekt. Strömning är idealiskt för realtidsapplikationer, men det kräver robust felhantering.

Parameterfel vid funktionsanrop

Funktionssamling kräver precis parameterkonfiguration. Se till att din 'tools'-array korrekt definierar funktionsschemat, inklusive parametrar och beskrivningar. Parametern 'tool_choice' kan ställas in på 'auto', 'required' eller ett specifikt funktionsnamn.

Vanliga fel inkluderar saknade obligatoriska fält eller felaktiga datatyper i verktysschemat. Kontrollera att din klient skickar 'response_format' som 'json_object' om du förväntar dig strukturerad output. Detta säkerställer att modellen returnerar giltig JSON som din applikation kan parsas.

Testa funktionsanrop med enkla verktyg först. Öka gradvis komplexiteten för att identifiera eventuella schemamismatchar. Om modellen misslyckas med att anropa ett verktyg, kontrollera fältet 'tool_calls' i svaret för fel. Korrekt konfiguration är avgörande för pålitliga funktionsanrop.

Fixar fördröjningar vid kryptopåfyllning

Påfyllning av din kredit görs via krypto, specifikt USDT (TRC20) eller USDC (Base). Transaktioner kan ta några minuter att bekräfta på blockkedjan. Om din kredit inte syns omedelbart, vänta på nätverksbekräftelsen.

Bonuskrediter appliceras automatiskt för påfyllningar på $50 eller mer: +5% för $50, +10% för $100 och +15% för $200. Se till att du skickar exakt beloppet för att få rätt bonus. Transaktioner under $20 eller över $500 kanske inte får bonusar eller kan avvisas.

Om du upplever en dubbeldebitering, kontakta support via Support-sidan. Krediter återbetalas inte men kan justeras. Spara en kopia av ditt transaktions-ID för snabbare lösning. Denna förbetalmodell säkerställer att du aldrig förlorar kredit på grund av utgång.

Modell-ID-konfigurationsfel

Att använda fel modell-ID är en vanlig källa till fel. För vår okontrollerade modell är ID:t helt enkelt 'uncensored'. Att skicka en förfrågan med 'gpt-4' eller 'claude-3' leder till ett felmeddelande om att modellen inte hittades.

Se till att din klient explicit anger fältet 'model' till 'uncensored' i varje begäran. Detta är avgörande när du använder OpenAI-kompatibla SDK:er som kan använda andra modeller som standard. Verifiera modell-ID:t i dina konfigurationsfiler och testbegäranden.

Vårt tjänst erbjuder inte modellomdirigering eller flera modellval. Det är en endels-modul slutpunkt dedikerad till obegränsad textgenerering. Denna enkelhet minskar komplexitet och säkerställer konsekvent prestanda. Dubbelkolla alltid modell-ID:t innan du distribuerar till produktion.