DE ▾
API-Schlüssel erhalten

qwenapis.comAnleitung

Qwen3-Coder-Next API: Eine OpenAI-kompatible Option

Dieser Dienst hostet kein Modell namens Qwen3-Coder-Next. Er bietet ein allgemeines Open-Weight-Modell über einen OpenAI-kompatiblen Endpunkt an, und diese Seite sagt, wann dies für einen Coding-Agenten geeignet ist und wann nicht.

Aktualisiert:

Roboterarm, der Bracket-Blöcke in einer Schleife neben einem Server-Cube montiert, repräsentiert eine Coding-Agent-Schleife

Die direkte Antwort zu qwen3-coder-next

Wenn du qwen3-coder-next api in eine Suchleiste eingegeben hast, suchst du wahrscheinlich nach einem Endpunkt, an den du einen Coding-Agenten richten kannst. Sei dir vor dem Weitergehen klar, worum es auf dieser Seite geht: Es ist ein unabhängiger Anbieter mit einem Open-Weight-Modell, ID uncensored, optimiert, um ohne Inhaltsfilter für die rechtmäßige Nutzung durch Erwachsene zu antworten. Es ist nicht die offizielle API für Qwen3-Coder-Next oder für ein Modell von Alibaba, und es leitet keine Anfragen zwischen Anbietern weiter. Wenn dein Plan von diesem exakten Modell abhängt, ist der offizielle Anbieter oder ein Host, der es namentlich auflistet, die richtige Wahl.

Warum also diese Seite schreiben? Weil viele, die nach einem Coder-Modell suchen, am Ende die gleiche Infrastruktur benötigen: einen OpenAI-ähnlichen Chat-Endpunkt mit Function Calling, ein großes Kontextfenster, stabile Ratenlimits und vorhersehbare Kosten pro Token. Diese API bietet all das. Sie lehnt auch Anfragen nicht ab, die andere Assistenten aus Richtliniengründen ablehnen, wie das Schreiben eines Port-Scanners für dein eigenes Netzwerk, das Besprechen von Exploit-Mechaniken für eine Laboraufgabe oder das Generieren von Testdaten mit rauer Sprache. Alles bleibt innerhalb der rechtmäßigen Nutzung, und es gibt eine harte Grenze: keine sexuellen Inhalte mit Minderjährigen.

Im Folgenden findest du einen einfachen Vergleich und ein getestetes Muster zum Ausführen einer Agentenschleife gegen https://api.qwenapis.com/v1. Diese Seite enthält keine Benchmark-Zahlen, da hier keine bekannt sind, und du solltest den Coding-Ergebnissen anderer nicht blind vertrauen, sondern deine eigenen Repositorys prüfen.

Was ein Coding-Agent von einer API erwartet

Wenn man die Produktnamen entfernt, benötigt ein Coding-Agent sechs Dinge von seinem Modell-Endpunkt. Hier siehst du, wie dieser Dienst auf jedes einzeln antwortet.

BedarfWas diese API bietet
Function Calling für Read-, Edit- und Run-ToolsJa: tools, tool_choice, gestreamte tool_calls, Ergebnisse als role: "tool"
Strukturierte Ausgabe für Pläne und DiffsJSON-Modus über response_format
Platz für große Dateien und lange Verläufe100.000 Token, Prompt plus Vervollständigung
Streaming für Live-EditorenSSE mit Nutzungsinformationen am Ende
Reproduzierbare Läufeseed, temperature, top_p, stop und Strafen werden durchgereicht
Parallele Sub-Agents8 parallele Anfragen, 300 pro Minute mit einem Voll-Schlüssel

Ebenso wichtig ist, was fehlt. Es gibt keine Embeddings, daher benötigt die Code-Suche über einen Vektorindex eine separate Embedding-Quelle. Es gibt kein Fine-Tuning und keine Bild-Eingabe oder -Ausgabe. Die Modellliste hat nur einen Eintrag. Wenn ein Agent-Framework es dir erlaubt, ein günstiges Modell für kleine Schritte und ein stärkeres für die Planung auszuwählen, werden hier beide Rollen dasselbe Modell verwenden.

Die ehrliche Zusammenfassung lautet, dass die Infrastruktur vollständig ist und die verbleibende Frage die Modellqualität bei deinen Aufgaben ist. Das ist eine empirische Frage, und das Testguthaben existiert, um sie zu beantworten.

Eine funktionierende Agent-Schleife

Dieses Beispiel gibt dem Modell zwei Tools: eines zum Lesen einer Datei und eines zum Ausführen eines Befehls in einem Sandbox-Verzeichnis, und läuft, bis das Modell aufhört, Tools anzufordern. Führe es in einem temporären Ordner aus, da das Befehls-Tool alles ausführt, was das Modell vorschlägt. Es geht um die Struktur: Füge die assistant-Nachricht hinzu, führe jeden Aufruf aus, füge pro Aufruf eine tool-Nachricht hinzu, wiederhole den Vorgang.

import json, os, subprocess
from openai import OpenAI

client = OpenAI(base_url="https://api.qwenapis.com/v1", api_key=os.environ["QWENAPIS_KEY"])

TOOLS = [
    {"type": "function", "function": {
        "name": "read_file", "description": "Read a text file from the working directory",
        "parameters": {"type": "object", "properties": {"path": {"type": "string"}}, "required": ["path"]}}},
    {"type": "function", "function": {
        "name": "run", "description": "Run a shell command and return its output",
        "parameters": {"type": "object", "properties": {"cmd": {"type": "string"}}, "required": ["cmd"]}}},
]

def call_tool(name, args):
    if name == "read_file":
        return open(args["path"], encoding="utf-8").read()[:20000]
    if name == "run":
        p = subprocess.run(args["cmd"], shell=True, capture_output=True, text=True, timeout=60)
        return (p.stdout + p.stderr)[-8000:]
    return "unknown tool"

messages = [
    {"role": "system", "content": "You fix failing tests. Use the tools, then reply with a short summary."},
    {"role": "user", "content": "Run pytest, find why it fails, and tell me the fix."},
]

for step in range(12):
    r = client.chat.completions.create(model="uncensored", messages=messages, tools=TOOLS, temperature=0.2)
    msg = r.choices[0].message
    messages.append(msg)
    if not msg.tool_calls:
        print(msg.content)
        break
    for tc in msg.tool_calls:
        try:
            out = call_tool(tc.function.name, json.loads(tc.function.arguments))
        except Exception as e:
            out = f"tool error: {e}"
        messages.append({"role": "tool", "tool_call_id": tc.id, "content": out})

Drei Details halten eine solche Schleife gesund. Begrenze die Anzahl der Schritte, wie es range(12) tut. Kürze die Tool-Ausgabe, da jedes zurückgegebene Zeichen bei der nächsten Eingabe als Input dient. Verwende eine niedrige Temperatur für Editierarbeit; 0.2 ist ein angemessener Startpunkt, und du kannst ihn für Brainstorming-Schritte erhöhen.

Mehrere Agents ausführen, ohne 429 zu erhalten

Ein einzelner Agent ist sequenziell und stört selten ein Limit. Eine Flotte von ihnen schon. Bei über 8 parallelen Anfragen antwortet die API mit 429 und dem Code concurrency, und bei über 300 pro Minute mit 429 und rate_limited. Temporäre Überlastung gibt ebenfalls 429 zurück, mit dem Header Retry-After: 5. Gestreamte Anfragen belegen ihren Slot, bis das Streaming endet, also zählt eine lange gestreamte Antwort für ihre gesamte Dauer.

import asyncio, os
from openai import AsyncOpenAI, RateLimitError

client = AsyncOpenAI(base_url="https://api.qwenapis.com/v1", api_key=os.environ["QWENAPIS_KEY"])
gate = asyncio.Semaphore(8)

async def ask(prompt, tries=4):
    async with gate:
        for attempt in range(tries):
            try:
                r = await client.chat.completions.create(
                    model="uncensored",
                    messages=[{"role": "user", "content": prompt}],
                )
                return r.choices[0].message.content
            except RateLimitError:
                await asyncio.sleep(5 * (attempt + 1))
    return None

async def main():
    jobs = [ask(f"Write a docstring for function number {i}.") for i in range(40)]
    print(len(await asyncio.gather(*jobs)))

asyncio.run(main())

Der Semaphore hält dich bei 8 gleichzeitigen Anfragen, und die Sleep-Funktion passt sich an, wenn trotzdem ein 429er durchrutscht. Da fehlgeschlagene Anfragen nicht berechnet werden, verursachen Wiederholungen keine zusätzlichen Kosten. Wenn du näher an die Grenze gehst, stelle den Semaphore auf 6 ein, um Spielraum für eine interaktive Sitzung mit demselben Schlüssel zu lassen.

Was ein Agenten-Aufruf kostet

Agenten werden nach der Menge an Kontext berechnet, die sie erneut senden, nicht nach der Menge an Code, die sie schreiben. Nimm einen Bugfix-Lauf mit 12 Schritten. Der Kontext wächst, wenn Tool-Ausgaben sich ansammeln, also gehe von durchschnittlich 20.000 Input-Token und 600 Output-Token pro Schritt aus.

  • Input: 12 x 20.000 = 240.000 Token x $0,15 / 1M = $0,036
  • Output: 12 x 600 = 7.200 Token x $0,50 / 1M = $0,0036
  • Pro Lauf: $0.0396
  • 50 Läufe pro Tag: 50 x $0,0396 = $1,98

Die Preise liegen bei 0,15 $ pro 1 Mio. Input-Token und 0,50 $ pro 1 Mio. Output-Token, abgerechnet vom Prepaid-Guthaben, das nie verfällt. Eine Aufladung über 20 $ deckt etwa 505 solcher Läufe ab (20 $ / 0,0396 $). Die Preisseite listet die Bonusstufen auf, und eine Gewohnheit spart mehr als jede Stufe: Halte die Tool-Ausgaben kurz. Wenn du die Menge, die du zurückgibst, halbierst, halbierst du die dominante Kostenzeile.

Prompting eines allgemeinen Modells für Code-Arbeit

Ein Modell, das nicht als Coder-Modell verkauft wird, kann bei Code immer noch gut abschneiden, wenn der Prompt ihm eine klare Aufgabe gibt. Gib die Sprache, die Framework-Version und die Einschränkungen in die System-Nachricht ein, zum Beispiel die Python-Version und die Regel, dass keine neuen Abhängigkeiten erlaubt sind. Bitte um eine Änderung zur Zeit. Gib die fehlgeschlagene Testausgabe wortwörtlich anstelle einer Beschreibung, da exakter Fehlertext mehr Informationen liefert als eine Paraphrase.

Bitte bei Bearbeitungen um einen Unified Diff oder um den vollständigen Ersatz einer Funktion und lehne alles andere ab. Freier Text um Code herum ist schwer automatisch anzuwenden. Der JSON-Modus hilft, wenn du einen Plan als Daten möchtest, wie eine Liste von Dateien mit einem Grund für jede Änderung. Nachdem das Modell einen Patch vorgeschlagen hat, führe die Tests selbst aus und gib das Ergebnis zurück; akzeptiere nicht die Behauptung des Modells, dass die Tests bestanden wurden.

Halte die Temperatur für Bearbeitungen niedrig und erhöhe sie nur für Brainstorming. Verwende einen festen seed, wenn du zwei Prompt-Versionen vergleichst, damit Unterschiede vom Prompt und nicht von Sampling-Rauschen stammen. Dieselbe Disziplin gilt für jedes Modell, und genau das verwandelt einen Testlauf in einen fairen Vergleich mit dem, was du heute verwendest.

Die Wahl zwischen diesem und einem benannten Coder-Modell

Verwende ein dediziertes Coder-Modell vom eigenen Anbieter, wenn deine Arbeit dieses spezifische Modell benötigt, zum Beispiel weil du es auf deinem Code-Repository gemessen hast, weil ein Team-Standard es erfordert oder weil du auf eine Funktion angewiesen bist, die nur dieser Anbieter bereitstellt. Prüfe ihre aktuellen Preise und Limits, bevor du dich festlegst.

Verwende diese API, wenn Refusals der Engpass sind, wenn du einen OpenAI-kompatiblen Endpunkt möchtest, der mit den Frameworks funktioniert, die du bereits nutzt, oder wenn Pay as you go aus einem kleinen Guthaben besser zu dir passt als ein Plan. Es macht auch als zweiter Endpunkt Sinn: Sende Routine-Bearbeitungen zu deinem üblichen Modell und leite Anfragen, die ein Policy-Filter ablehnt, zu diesem weiter. Der Wechsel ist nur eine Base URL und ein Modellname, also sind die Kosten für einen Test gering.

Um es auszuprobieren, lies die Erstanfrage-Anleitung, erstelle einen Schlüssel mit den Schlüsselschritten und sichere dir das $0,50 Testguthaben: ein Klick, keine Karte, einer pro Person, gültig für 7 Tage. Ein Test-Schlüssel erlaubt 2 parallele Anfragen und 60 pro Minute, was ausreicht, um die obige Schleife ein Dutzend Mal auszuführen. Prompts werden nicht zum Training verwendet, also bleibt dein Test-Repository außerhalb jedes Trainingsdatensatzes.

Fragen und Antworten

Ist dies die offizielle Qwen3-Coder-Next-API?

Nein. Es handelt sich um einen unabhängigen Anbieter mit einem Open-Weight-Modell, ID uncensored. Es ist keine offizielle Anbieter-API und bietet kein Modell unter diesem Namen an.

Unterstützt es Function Calling für Coding-Agents?

Ja. Du übergibst Tools und tool_choice, erhältst tool_calls (auch beim Streaming) und gibst Ergebnisse als Nachrichten mit role: tool zurück.

Wie groß ist ein Codebase, das in eine Anfrage passt?

Das Kontextfenster umfasst 100.000 Token für Prompt und Completion zusammen. Sende nur die für die Aufgabe relevanten Dateien und kürze die Tool-Ausgabe, um Platz für die Antwort zu lassen.

Kann ich mehrere Agents gleichzeitig ausführen?

Bis zu 8 parallele Anfragen und 300 pro Minute mit einem vollständigen Schlüssel. Ein Testschlüssel erlaubt 2 und 60. Darüber hinaus erhältst du HTTP 429, verwende also einen Semaphore.

Unterstützt es Embeddings für die Codesuche?

Nein. Die API deckt nur Chat-Vervollständigungen und eine Modellliste ab, verwende also eine separate Embedding-Quelle für die Vektorsuche.

Dein Schlüssel ist nur ein Formular entfernt

Erstelle ein Konto, kopiere den Schlüssel, ändere die Basis-URL. Das ist die gesamte Einrichtung.

API-Schlüssel erhalten