qwenapis.comPrzewodnik
API Qwen3-Coder-Next: Opcja kompatybilna z OpenAI
Usługa nie hostuje modelu o nazwie Qwen3-Coder-Next. Oferuje jeden ogólny model o otwartych wagach za pośrednictwem endpointu kompatybilnego z OpenAI, a ta strona mówi, kiedy pasuje to do agenta kodującego, a kiedy nie.
Aktualizacja:

Bezpośrednia odpowiedź na qwen3-coder-next
Jeśli wpisałeś qwen3-coder-next api w pole wyszukiwania, prawdopodobnie szukasz endpointu, do którego możesz podłączyć agenta kodującego. Bądź jasny co do tego, czym jest ta strona, zanim pójdziesz dalej: to niezależny dostawca z jednym modelem o otwartych wagach, ID uncensored, dostrojonym do odpowiadania bez odmów treści dla prawnego użytku dorosłych. Nie jest to oficjalne API dla Qwen3-Coder-Next ani dla żadnego modelu od Alibaba, i nie przekierowuje zapytań między dostawcami. Jeśli Twój plan zależy od tego konkretnego modelu, jego oficjalny dostawca lub host, który wymienia go po nazwie, jest właściwym wyborem.
Dlaczego warto napisać tę stronę? Ponieważ wielu osób szukających modelu do kodowania potrzebuje tego samego szkieletu: endpointu w stylu OpenAI do czatu z wywoływaniem funkcji, dużego okna kontekstu, stabilnych limitów zapytań i przewidywalnego kosztu na token. To API ma wszystko to. Nie odrzuca też zapytań, które inne asystenty odrzucają z powodu polityki treści, takich jak napisanie skanera portów dla Twojej sieci, omówienie mechanizmów exploitów do ćwiczeń laboratoryjnych czy generowanie danych testowych z użyciem wulgaryzmów. Wszystko mieści się w ramach legalnego użytku, a jest jeden twardy limit: brak treści seksualnych z udziałem nieletnich.
Poniżej znajduje się proste porównanie i sprawdzony wzorzec uruchamiania pętli agenta pod https://api.qwenapis.com/v1. Ta strona nie podaje liczb benchmarkowych, ponieważ nie są one znane, a Ty nie powinieneś ufać czyimś wynikom w kodowaniu bardziej niż swojemu repozytorium.
Czego agent kodujący oczekuje od API
Jeśli odrzucimy nazwy produktów, agentowi kodującemu potrzebne są sześć rzeczy od endpointu modelu. Oto jak ta usługa odpowiada na każdą z nich.
| Potrzeba | Co oferuje to API |
|---|---|
| Wywoływanie funkcji dla narzędzi do odczytu, edycji i uruchamiania | Tak: tools, tool_choice, strumieniowanie tool_calls, wyniki jako role: "tool" |
| Ustrukturyzowane wyjście dla planów i diffów | Tryb JSON poprzez response_format |
| Miejsce na duże pliki i długie historie | 100 000 tokenów, prompt plus completion |
| Strumieniowanie dla edytorów na żywo | SSE z użyciem na końcu |
| Powtarzalne uruchomienia | seed, temperature, top_p, stop i kary są przekazywane dalej |
| Równolegli podagenci | 8 równoległych zapytań, 300 na minutę przy pełnym kluczu |
Równie ważne jest to, czego brakuje. Nie ma embeddingów, więc wyszukiwanie kodu po indeksie wektorowym wymaga oddzielnego źródła embeddingów. Nie ma dostrajania i nie ma wejścia ani wyjścia obrazu. Lista modeli ma jeden wpis. Jeśli framework agenta pozwala wybrać tani model dla małych kroków i silniejszy do planowania, tutaj obie role będą używać tego samego modelu.
Uczciwe podsumowanie jest takie, że infrastruktura jest kompletna, a pozostaje pytanie o jakość modelu w Twoich zadaniach. To pytanie empiryczne, a kredyt próbny istnieje, aby na nie odpowiedzieć.
Działająca pętla agenta
Ten przykład daje modelowi dwa narzędzia, jedno do odczytu pliku i jedno do uruchomienia polecenia w katalogu sandbox, i zapętla się aż model przestanie prosić o narzędzia. Uruchom go w folderze do wyrzucenia, ponieważ narzędzie polecenia wykonuje wszystko, co zaproponuje model. Punktem jest struktura: dołącz wiadomość asystenta, uruchom każde wywołanie, dołącz jedną tool wiadomość na wywołanie, powtórz.
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})
Trzy szczegóły utrzymują taką pętlę zdrową. Ogranicz liczbę kroków, jak robi to range(12). Obcinaj wyjście narzędzi, ponieważ każdy zwrócony znak staje się wejściem w kolejnym wywołaniu. Użyj niskiej temperatury do pracy edycyjnej; 0.2 jest rozsądnym punktem startowym, a możesz go podnieść dla kroków burzy mózgów.
Uruchamianie kilku agentów bez napotkania 429
Pojedynczy agent działa sekwencyjnie i rzadko przekracza limity. Flota takich agentów już tak. Przy ponad 8 jednoczesnych zapytaniach API zwraca 429 z kodem concurrency, a przy ponad 300 w ciągu minuty zwraca 429 z rate_limited. Tymczasowe przeciążenie również zwraca 429 z nagłówkiem Retry-After: 5. Żądania strumieniowe zajmują slot do momentu zakończenia strumienia, więc długie strumieniowane zapytanie liczy się przez cały jego czas trwania.
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())
Semafor utrzymuje Cię na 8 w locie, a sleep cofa się, gdy 429 prześlizgnie się mimo to. Ponieważ nieudane żądania nie są rozliczane, ponowne próby nie kosztują nic ekstra. Jeśli uruchamiasz bliżej sufitu, ustaw semafor na 6, aby zostawić miejsce na sesję interaktywną na tym samym kluczu.
Ile kosztuje uruchomienie agenta
Agenci są wyceniani według tego, ile kontekstu ponownie wysyłają, a nie ile kodu piszą. Weź bieg naprawy błędu 12 kroków. Konteks rośnie, gdy kumuluje się wyjście narzędzi, więc załóż średnio 20,000 tokenów wejściowych i 600 tokenów wyjściowych na krok.
- Wejście: 12 x 20,000 = 240,000 tokenów x $0.15 / 1M = $0.036
- Wyjście: 12 x 600 = 7,200 tokenów x $0.50 / 1M = $0.0036
- Na bieg: $0.0396
- 50 uruchomień dziennie: 50 x $0,0396 = $1,98
Ceny to $0,15 za 1 mln tokenów wejściowych i $0,50 za 1 mln tokenów wynikowych, rozliczane z przedpłaconego kredytu, który nie wygasa. Doładowanie za $20 pokrywa około 505 takich uruchomień ($20 / $0,0396). Strona cennika wymienia poziomy bonusów, a jedna nawykowa oszczędność przekracza wartość każdego poziomu: trzymaj wynik narzędzi krótkim. Ograniczenie tego, co przesyłasz z powrotem, o połowę, zmniejsza dominującą linię kosztów o połowę.
Stosowanie promptów do pracy z kodem w modelu ogólnym
Model, który nie jest sprzedawany jako model kodera, może nadal dobrze radzić sobie z kodem, jeśli prompt daje mu jasne zadanie. Umieść język, wersję frameworka i ograniczenia w wiadomości systemowej, na przykład wersję Pythona i zasadę, że nie są dozwolone nowe zależności. Proś o jedną zmianę na raz. Podaj wynik testu niepowodzenia dosłownie zamiast go opisywać, ponieważ dokładny tekst błędu niesie więcej informacji niż parafraza.
Przy edycjach żądaj ujednoliczonego diffa lub kompletnego zastąpienia jednej funkcji i odrzucaj wszystko inne. Tekst swobodny wokół kodu jest trudny do zastosowania automatycznie. Tryb JSON pomaga, gdy chcesz uzyskać plan jako dane, np. listę plików z uzasadnieniem każdej zmiany. Po zaproponowaniu poprawki przez model uruchom testy samodzielnie i przekaż wynik z powrotem; nie przyjmuj twierdzenia modelu, że testy przechodzą.
Ustaw niską temperaturę przy edycjach i podnoś ją tylko podczas burzy mózgów. Używaj ustalonego seed przy porównywaniu dwóch wersji promptów, aby różnice wynikały z promptu, a nie z szumu próbkowania. Ta sama dyscyplina dotyczy dowolnego modelu i to ona zamienia próbne uruchomienie w uczciwe porównanie z tym, czego używasz dzisiaj.
Wybór między tym a nazwanym modelem kodera
Użyj dedykowanego modelu kodera od jego własnego dostawcy, gdy Twoja praca wymaga tego konkretnego modelu, na przykład dlatego, że zmierzyłeś go na swoim repozytorium, dlatego standard zespołu tego wymaga, albo dlatego, że polegasz na funkcji, którą tylko ten dostawca dostarcza. Sprawdź ich obecne ceny i limity przed zobowiązaniem się.
Użyj tego API, gdy odrzucenia są tym, co spowalnia Twoją pracę, gdy chcesz jednego endpointu kompatybilnego z OpenAI, który działa z frameworkami, które już uruchamiasz, lub gdy płacenie za zużycie z małego salda pasuje Ci lepiej niż plan. Ma też sens jako drugi endpoint: wysyłaj rutynowe edycje do swojego zwykłego modelu, a zapytania odrzucane przez filtr zasad kieruj tutaj. Przełączenie to zmiana bazowego adresu URL i nazwy modelu, więc koszt wypróbowania jest niski.
Aby wypróbować, przeczytaj przewodnik po pierwszym zapytaniu, utwórz klucz zgodnie z krokami i odebierz $0,50 kredytu próbnego: jedno kliknięcie, bez karty, jeden na osobę, ważny przez 7 dni. Klucz próbny pozwala na 2 równoległe zapytania i 60 na minutę, co wystarczy na kilkanaście uruchomień powyższej pętli. Prompty nie są używane do trenowania, więc Twoje repozytorium testowe pozostaje poza jakimkolwiek zbiorem treningowym.
Więcej przewodników
Pytania i odpowiedzi
Czy to oficjalne API Qwen3-Coder-Next?
Nie. Jest to niezależny dostawca z jednym modelem o otwartych wagach, o ID: uncensored. Nie jest to oficjalne API dostawcy i nie oferuje modelu wymienionego pod tą nazwą.
Czy obsługuje wywoływanie narzędzi dla agentów programistycznych?
Tak. Przekazujesz narzędzia i tool_choice, otrzymujesz tool_calls (również przy strumieniowaniu) i zwracasz wyniki jako wiadomości z role: tool.
Jaka wielkość bazy kodu mieści się w jednym zapytaniu?
Okno kontekstu wynosi 100 000 tokenów dla promptu i uzupełnienia łącznie. Przesyłaj tylko pliki istotne dla zadania i skracaj wynik narzędzi, aby zostawić miejsce na odpowiedź.
Czy mogę uruchomić kilka agentów jednocześnie?
Do 8 równoległych zapytań i 300 na minutę przy pełnym kluczu. Klucz próbny pozwala na 2 i 60. Powyżej tej wartości otrzymasz HTTP 429, więc użyj semafora.
Czy obsługuje embeddingi do wyszukiwania w kodzie?
Nie. API obsługuje tylko uzupełnienia czatu i listę modeli, więc do wyszukiwania wektorowego użyj osobnego źródła embeddingów.
Twój klucz jest o jeden klik stąd
Utwórz konto, skopiuj klucz, zmień bazowy URL. To cała konfiguracja.