Qwen3-Coder-Next API:OpenAI 相容選項
此服務未託管名為 Qwen3-Coder-Next 的模型。它透過 OpenAI 相容端點提供一個通用開放權重模型,本頁說明該模型何時適合程式碼代理,何時不適合。
更新日期:

關於 qwen3-coder-next 的直接回答
如果你在搜尋框輸入 qwen3-coder-next api,你可能想要一個能指向程式碼代理的端點。在進一步了解前,請清楚此網站的性質:它是一個獨立供應商,提供一個開放權重模型,ID 為 uncensored,針對合法成人用途調整為無內容拒絕。它不是 Qwen3-Coder-Next 或阿里巴巴旗下任何模型的官方 API,也不在供應商之間路由請求。如果你的計畫依賴該特定模型,其官方供應商或列出該名稱的託管平台是正確的選擇。
那麼為什麼要寫這頁?因為許多搜尋程式碼模型的人最終需要相同的基礎設施:具有函式呼叫、大上下文視窗、穩定速率限制和可預測每 token 成本的 OpenAI 風格聊天端點。此 API 具備這些功能。它也不會拒絕其他助手因政策原因拒絕的請求,例如為你自己的網路撰寫端口掃描器、討論實驗室練習的漏洞機制,或生成帶有粗俗語言的測試資料。所有內容都在合法使用範圍內,唯一的硬性限制是禁止涉及未成年人的性內容。
接下來是簡單的比較和測試過的模式,用於對 https://api.qwenapis.com/v1 執行代理迴圈。本頁不提供基準數據,因為這裡不知道任何數據,你不應信任任何人的程式碼評分超過你自己的程式庫。
程式碼代理對 API 的需求
剝離產品名稱,程式碼代理需要其模型端點的六項功能。以下是此服務如何回應每一項。
| 需求 | 此 API 提供的功能 |
|---|---|
| 用於讀取、編輯和執行工具的函式呼叫 | 是的:tools、tool_choice、串流輸出tool_calls、結果以role: "tool"呈現 |
| 用於計畫和差異的結構化輸出 | 透過 response_format 使用 JSON 模式 |
| 容納大型檔案和長歷史記錄的空間 | 100,000 token,含提示詞與補全 |
| 用於即時編輯器的串流輸出 | SSE 並在結尾提供用量 |
| 可重複執行 | seed、temperature、top_p、stop 和懲罰參數會直接傳遞 |
| 並行子代理 | 完整金鑰允許 8 個並行請求,每分鐘 300 個 |
同樣重要的是缺失的部分。沒有嵌入功能,因此基於向量索引的程式碼搜尋需要獨立的嵌入來源。沒有微調,也沒有影像輸入或輸出。模型列表只有一項。如果代理框架允許你為小步驟選擇便宜模型,為規劃選擇更強模型,這裡兩種角色將使用同一個模型。
誠實的總結是基礎設施已完整,剩下的問題是模型在你任務上的品質。這是一個經驗問題,試用額度就是用來回答這個問題的。
有效的代理迴圈
此範例提供兩個工具,一個用於讀取檔案,另一個用於在沙盒目錄中執行命令,並迴圈直到模型停止請求工具為止。在一次性資料夾中執行它,因為命令工具會執行模型提出的任何內容。重點在於結構:附加助手訊息,執行每個呼叫,為每個呼叫附加一個 tool 訊息,重複。
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})
三個細節讓此類迴圈保持健康。限制步驟數量,如 range(12) 所示。截斷工具輸出,因為每個返回的字元都會成為下一次呼叫的輸入。編輯工作使用低溫度;0.2 是合理的起點,你可以為腦力激盪步驟提高它。
執行多個代理而不觸發 429
單一代理是順序執行,很少會觸及限制。一組代理則會。超過 8 個同時請求時,API 會回覆 429 並帶有程式碼 concurrency,超過每分鐘 300 個時會回覆 429 並帶有 rate_limited。暫時超載也會返回 429,並帶有 Retry-After: 5 標頭。串流請求會保留其槽位直到串流結束,因此長串流答案會佔用其整個持續時間。
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())
訊號量讓您在飛行中的請求維持在 8 個,當 429 意外漏過時,sleep 會進行退避。由於失敗的請求不會計費,重試不會產生額外費用。如果您接近上限,請將訊號量設為 6,以便在同一個 API 金鑰上為互動式工作階段保留空間。
代理程式運行的成本
代理的價格取決於它們重新發送多少上下文,而不是它們寫了多少程式碼。以 12 個步驟的錯誤修復運行為例。隨著工具輸出堆積,上下文會增長,因此假設每個步驟平均需要 20,000 個輸入 token 和 600 個輸出 token。
- 輸入:12 x 20,000 = 240,000 token x $0.15 / 1M = $0.036
- 輸出:12 x 600 = 7,200 token x $0.50 / 1M = $0.0036
- 每次執行:$0.0396
- 每天 50 次執行:50 x $0.0396 = $1.98
費率為每 1M 輸入 token $0.15,每 1M 輸出 token $0.50,從永不過期的預付額度中扣款。$20 儲值約可執行 505 次此類運行($20 / $0.0396)。定價頁面列出了獎勵等級,而一個習慣比任何等級都能節省更多:保持函式呼叫輸出簡短。將回傳的內容減半,即可減半佔據主導地位的費用行。
提示通用模型進行程式碼工作
即使不是以程式碼模型銷售的模型,如果提示詞給它明確的工作,也能在程式碼上表現良好。在系統訊息中放入語言、框架版本和約束條件,例如 Python 版本和不允許新增依賴項的規則。一次只要求一個變更。直接提供失敗的測試輸出,而不是描述它,因為確切的錯誤文字包含比轉述更多的資訊。
對於編輯,要求統一差異或整個函式的完整替換,並拒絕其他內容。程式碼周圍的自由格式散文很難自動應用。當你需要將計畫作為資料(例如帶有每個變更原因的文件列表)時,JSON 模式很有幫助。模型提出修補程式後,自行執行測試並將結果回饋;不要接受模型聲稱測試通過的說法。
編輯時保持低溫度,僅在腦力激盪時提高。比較兩個提示詞版本時使用固定的 seed,以便差異來自提示詞而非取樣雜訊。相同的紀律適用於任何模型,這正是將試用運行轉化為與你目前使用的任何模型進行公平比較的關鍵。
在此與特定程式碼模型之間選擇
當你的工作需要該特定模型時,使用其專屬供應商的專用程式碼模型,例如因為你在程式碼庫上測量過它、因為團隊標準要求它,或者因為你依賴該供應商獨有的功能。在承諾之前檢查它們目前的費率和限制。
當拒絕是拖慢你的因素時,當你希望一個能與你現有框架配合的 OpenAI 相容端點時,或者當小額餘額的隨用隨付比方案更適合你時,請使用此 API。將其作為第二個端點也很合理:將常規編輯發送給你的常用模型,並將被政策過濾器拒絕的請求路由到此處。切換只需更改 Base URL 和模型名稱,因此嘗試的成本很低。
要試用,請閱讀首次請求指南,透過金鑰步驟建立金鑰,並領取 $0.50 試用額度:一次點擊,無需信用卡,每人限領一次,有效期 7 天。試用金鑰允許 2 個並行請求和每分鐘 60 個請求,這足以讓上述迴路執行十多次。提示詞不會用於訓練,因此你的測試儲存庫不會進入任何訓練集。
更多指南
問答
這是 Qwen3-Coder-Next 的官方 API 嗎?
不是。這是一家獨立供應商,擁有一項開放權重模型,ID 為 uncensored。它不是官方供應商 API,也不提供該名稱下的模型。
是否支援程式碼代理的工具呼叫?
是。你傳遞 tools 和 tool_choice,接收 tool_calls(串流輸出時也會收到),並以 role 為 tool 的訊息傳回結果。
一個請求能容納多大的程式碼庫?
上下文視窗為 100,000 token,包含提示詞與完成內容的總和。僅傳送與任務相關的檔案,並將工具輸出截斷,以保留回覆的空間。
我可以同時執行多個代理嗎?
每個完整的 API 金鑰最多支援 8 個並行請求和每分鐘 300 個請求。試用金鑰則允許 2 個並行請求和每分鐘 60 個請求。超過此限制會收到 HTTP 429 錯誤,因此請使用訊號量。
是否支援用於程式碼搜尋的嵌入?
否。API 僅涵蓋聊天完成和模型列表,因此請使用獨立的嵌入來源進行向量搜尋。