Catatan penulis: Untuk pengembang independen, rencanakan solusi integrasi multi-model pada AI Agent dan Workflow proyek solo lewat 5 tahap: pelapisan tugas, antarmuka terpadu, routing dan degradasi, kontrol biaya, serta observabilitas dan evaluasi.
Saat menggarap produk AI sendirian, yang paling sering bikin macet biasanya bukan prompt, melainkan integrasi multi-model. Begitu mulai merencanakan Agent dan Workflow, kamu akan cepat berhadapan dengan beberapa pertanyaan: pilih model yang mana, perlu sekaligus terhubung ke beberapa penyedia atau tidak, bagaimana mengelola kunci API, bagaimana mengendalikan tagihan, dan apa yang harus dilakukan ketika layanan salah satu penyedia sedang berfluktuasi. Artikel ini menyajikan metode perencanaan integrasi multi-model “pelapisan tugas + antarmuka terpadu + routing dan degradasi”, supaya urusan ini di proyek solo bisa dikerjakan dengan hemat tenaga sekaligus tetap mudah diperluas.
Ini bukan versi mini dari arsitektur perusahaan besar. Di tim besar ada orang khusus yang memelihara gateway, pemantauan, dan rekonsiliasi keuangan; proyek solo tidak punya kemewahan itu. Semua saran di bawah berporos pada satu prinsip: dengan biaya pemeliharaan paling minimal, dapatkan fleksibilitas yang memadai.
Nilai inti: Setelah membaca artikel ini, kamu akan tahu cara membagi tingkat model untuk AI Agent dan Workflow milikmu, menyatukan cara integrasi, merancang jalur degradasi, dan bisa melihat dengan jelas berapa biaya yang keluar untuk setiap pemanggilan.
Poin inti integrasi multi-model AI Agent untuk proyek solo
Sebelum mulai menulis kode, pikirkan dulu 5 poin berikut. Poin-poin ini menentukan apakah tiga bulan ke depan Anda akan mengembangkan produk, atau justru sibuk memperbaiki lapisan integrasi.
| Poin | Penjelasan | Nilai untuk proyek solo |
|---|---|---|
| Pelapisan tugas | Bagi pemanggilan di Agent dan Workflow menjadi 3-4 lapisan berdasarkan tingkat kesulitan dan frekuensi | Model mahal hanya dipakai di bagian kritis, biaya keseluruhan tetap terkendali |
| Antarmuka terpadu | Semua model menggunakan satu format permintaan, misalnya format kompatibel OpenAI | Berganti model cukup mengubah satu parameter, tanpa menulis ulang kode bisnis |
| Routing dan fallback | Setiap lapisan dikonfigurasi dengan model utama dan model cadangan | Saat satu layanan bermasalah, produk tidak langsung mati total |
| Dasar perhitungan biaya | Bedakan pos biaya seperti input, output, dan cache; mengacu pada halaman harga platform | Menghindari tagihan akhir bulan yang membengkak |
| Observabilitas dan evaluasi | Catat model, waktu proses, Token, dan kualitas hasil untuk setiap pemanggilan | Keputusan ganti model didasarkan pada data, bukan berdasarkan perasaan |
Rincian poin penting perencanaan integrasi multi-model
Pelapisan tugas adalah titik awal seluruh perencanaan. AI Agent yang tipikal melakukan banyak hal dengan sifat berbeda: memahami maksud pengguna, merencanakan langkah, memanggil tool, merangkum hasil, dan memformat keluaran. Kebutuhan kemampuan model di tiap bagian sangat berbeda. Untuk tugas seperti klasifikasi maksud dan ekstraksi field, model ringan biasanya sudah cukup; perencanaan multi-langkah, pembuatan kode kompleks, dan penalaran dokumen panjang baru membutuhkan model kelas flagship. Jika seluruh alur memakai model terkuat, biaya dan latensi akan meningkat berkali-kali lipat; sebaliknya, jika semuanya memakai model ringan, bagian kritis mudah bermasalah. Tentukan lapisannya dulu, baru pilih modelnya—itu cara paling hemat untuk proyek solo.
Antarmuka terpadu menentukan biaya pemeliharaan Anda. Penamaan parameter, format respons streaming, dan struktur pemanggilan tool di SDK resmi tiap model tidak sepenuhnya sama. Menghubungkan langsung ke tiga atau empat API resmi sekaligus berarti harus memelihara tiga atau empat set kode adaptasi, tiga atau empat akun, dan tiga atau empat tagihan. Bagi pengembang solo, energi ini seharusnya dialokasikan untuk produk. Pendekatan yang lebih realistis adalah memilih lapisan integrasi agregat yang kompatibel dengan format OpenAI dan Anthropic; sisi bisnis hanya mengenal satu protokol, dan model berubah menjadi item konfigurasi yang bisa diganti.
Bagaimana proyek solo AI Agent memilih model berdasarkan lapisan tugas
Kunci dari pelapisan adalah membagi berdasarkan karakteristik tugas, bukan berdasarkan nama model. Berikut adalah pembagian empat lapisan yang cocok untuk sebagian besar AI Agent dan Workflow. Anda bisa langsung memakainya sebagai titik awal, lalu menyesuaikannya dengan bisnis Anda.
| Lapisan | Tugas tipikal | Persyaratan kemampuan model | Pendekatan pemilihan |
|---|---|---|---|
| L1 Lapisan penalaran | Perencanaan multi-langkah, kode kompleks, analisis dokumen panjang | Penalaran mendalam, kuat dalam mengikuti instruksi, konteks panjang | Model unggulan atau model penalaran dari berbagai vendor, frekuensi pemanggilan rendah |
| L2 Lapisan utama | Percakapan rutin, pembuatan konten, pemanggilan alat | Kemampuan komprehensif yang seimbang, pemanggilan alat yang stabil | Model umum arus utama, menangani sebagian besar lalu lintas |
| L3 Lapisan ringan | Klasifikasi intent, ekstraksi field, ringkasan, penulisan ulang | Cepat, murah, format stabil | Model ringan atau kelas mini, pemanggilan frekuensi tinggi |
| L4 Lapisan khusus | Pemahaman gambar, pembuatan gambar, suara, vektorisasi | Kemampuan modalitas tertentu | Dipilih terpisah per fungsi, dilepaskan dari alur teks |
Tiga prinsip penerapan pelapisan Workflow pada proyek solo
Membuat tabel pelapisan tidaklah sulit. Yang sulit adalah benar-benar menerapkannya di dalam Workflow. Tiga prinsip berikut bisa membantu Anda menghindari jalan yang salah:
- Default ke lapisan bawah, naikkan setelah validasi. Saat menambahkan node baru, coba dulu dengan model ringan L3. Jika hasilnya belum memenuhi standar, baru naikkan ke L2 atau L1. Ini menghindari kebiasaan memakai model termahal untuk segala hal.
- Pisahkan perencanaan dan eksekusi. Serahkan bagian Agent untuk “memikirkan apa yang harus dilakukan” ke L1, dan “eksekusi konkret” ke L2 atau L3. Banyak framework Agent mendukung konfigurasi model berbeda untuk planner dan executor. Ini adalah salah satu optimasi dengan rasio biaya-manfaat tertinggi.
- Untuk output terstruktur, prioritaskan model dengan format stabil. Downstream Workflow sering kali perlu mem-parsing JSON. Jika model sesekali mengeluarkan teks tambahan, seluruh rantai bisa gagal. Untuk node seperti ini, pemilihan model harus melihat stabilitas format, bukan hanya “tingkat kecerdasan”.
Perlu diingat, versi model beriterasi dengan cepat. Tabel di atas sengaja tidak mencantumkan tipe spesifik. Pendekatan yang lebih aman adalah memilih 2-3 kandidat untuk setiap lapisan dari daftar model di platform yang Anda gunakan, lalu mengujinya dengan sampel nyata sebelum menentukan pilihan. Daftar model APIYI mencakup model teks, penalaran, dan multimodal dari vendor-vendor arus utama. Dalam satu akun yang sama, Anda bisa melakukan perbandingan horizontal, cocok untuk pengujian pemilihan model pada proyek solo.
Alur Kerja Proyek Satu Orang: Mulai Cepat dengan Akses Multi-Model
Bagian ini menyajikan langkah-langkah implementasi secara berurutan. Agar mudah dibaca, semua item konfigurasi dijelaskan melalui tabel dan teks, tanpa membahas kode secara rinci.
Langkah Pertama: Tentukan Protokol Akses Terpadu
Sebaiknya sisi bisnis secara seragam menggunakan format Chat Completions yang kompatibel dengan OpenAI. Kerangka kerja Agent mainstream, alat orkestrasi Workflow, serta sebagian besar proyek open source secara default mendukung format ini, sehingga kompatibilitas ekosistemnya paling baik. Jika Anda intensif menggunakan fitur khas seri Claude, seperti struktur pemanggilan alat bawaan atau cache petunjuk, Anda juga dapat menggunakan format Anthropic Messages pada node terkait. APIYI kompatibel dengan dua format antarmuka sekaligus, yaitu OpenAI dan Anthropic, dan kedua protokol tersebut dapat menggunakan satu akun serta satu Key yang sama.
Langkah Kedua: Jadikan Parameter Model sebagai Konfigurasi
Jangan menuliskan nama model secara hardcode di dalam logika bisnis. Semua parameter yang berkaitan dengan model harus diekstrak ke dalam file konfigurasi atau variabel lingkungan. Tabel berikut mencantumkan item konfigurasi yang disarankan untuk dipisahkan:
| Item Konfigurasi | Fungsi | Saran Praktik |
|---|---|---|
base_url |
Alamat antarmuka | Isi alamat akses yang tercantum dalam dokumentasi APIYI di docs.apiyi.com, hanya di satu tempat ini untuk seluruh proyek |
api_key |
Kunci autentikasi | Simpan di variabel lingkungan, gunakan Key berbeda untuk pengembangan dan produksi |
model |
Nama model | Beri nama berdasarkan tingkat, seperti MODEL_L1, MODEL_L2, MODEL_L3 |
fallback_model |
Model cadangan | Setidaknya satu per tingkat, sebaiknya dari vendor yang berbeda |
timeout |
Waktu tunggu | Setel singkat untuk L3, panjang untuk L1, agar model penalaran tidak salah dianggap timeout |
max_tokens |
Batas keluaran | Setel per node untuk mencegah keluaran yang sangat panjang menaikkan biaya |
Setelah melakukan ini, mengganti model cukup dengan mengubah konfigurasi, logika Agent dan orkestrasi Workflow tidak perlu diubah.
Langkah Ketiga: Tandai Tingkat pada Node Workflow
Buka diagram orkestrasi Workflow Anda, tandai setiap node yang memanggil model dengan L1 hingga L4. Baik menggunakan alat orkestrasi visual maupun kode alur yang Anda tulis sendiri, Anda dapat mencantumkan tingkat pada deskripsi node atau parameter, lalu membaca model yang sesuai dari konfigurasi. Langkah ini cepat dilakukan, tetapi memungkinkan Anda langsung melihat di node mana biaya paling terkonsentrasi.
Langkah Keempat: Konfigurasi Degradasi dan Percobaan Ulang
Konfigurasikan urutan “model utama → model cadangan” pada setiap tingkat. Ketika model utama mengembalikan pembatasan laju, timeout, atau kesalahan sisi server, lakukan satu hingga dua kali percobaan ulang dengan mundur (backoff) terlebih dahulu, dan jika masih gagal beralihlah ke model cadangan. Untuk model cadangan, usahakan memilih produk setingkat dari vendor yang berbeda, sehingga dapat menghindari gangguan terpusat dari layanan yang sama.
Langkah Kelima: Catat Setiap Pemanggilan
Setidaknya catat beberapa hal ini: waktu, nama node, tingkat, nama model, Token masukan, Token keluaran, durasi, apakah degradasi terpicu, dan apakah akhirnya berhasil. Satu tabel log sederhana atau satu alat observasi ringan sudah cukup, yang terpenting adalah konsisten mencatatnya.
🚀 Saran Memulai Cepat: Untuk proyek satu orang, disarankan mendaftar terlebih dahulu di APIYI apiyi.com dan mendapatkan kuota uji coba, lalu gunakan Key yang sama untuk menjalankan masing-masing model kandidat L1 hingga L3 pada sampel nyata. Setelah menentukan pilihan, barulah tulis ke konfigurasi; ini jauh lebih hemat daripada mengintegrasikan dulu lalu berulang kali mengubah kode.
Perbandingan Skema Integrasi Multi-Model untuk AI Agent di Proyek Satu Orang
Setidaknya ada empat jalur untuk integrasi multi-model, dan biaya pemeliharaan masing-masing sangat berbeda.
| Skema | Karakteristik utama | Skenario penggunaan | Beban pemeliharaan proyek satu orang |
|---|---|---|---|
| Hanya memakai satu model | Satu penyedia satu model, paling sederhana | Validasi prototipe, alat kecil dengan fungsi tunggal | Rendah, tapi tidak punya mekanisme cadangan |
| Koneksi langsung ke beberapa penyedia resmi | Integrasi terpisah ke API resmi tiap vendor | Ketergantungan mendalam pada fitur penyedia tertentu | Tinggi, butuh beberapa SDK, akun, dan tagihan |
| Gateway open-source mandiri | Deploy sendiri lapisan proksi terpadu | Punya pengalaman operasional, butuh privatisasi | Sedang sampai tinggi, perlu deploy, upgrade, dan troubleshooting sendiri |
| Platform integrasi agregat | Satu antarmuka untuk mengakses banyak model | Butuh banyak model tapi tak mau memelihara lapisan integrasi | Rendah, platform seperti APIYI apiyi.com menyediakan antarmuka terpadu |
Analisis Perbandingan Skema Integrasi Multi-Model
Perbandingan skema satu model: Memakai hanya satu model adalah yang paling efisien di tahap awal, tidak perlu merancang routing sama sekali. Tapi cara ini menaruh seluruh ketersediaan dan biaya pada satu penyedia; begitu penyedia tersebut membatasi laju permintaan atau menyesuaikan harga, Anda hampir tidak punya ruang gerak. Sebaliknya, menyiapkan antarmuka terpadu dan parameter model yang bisa dikonfigurasi sejak awal hampir tidak menambah beban pengembangan, tapi memberi ruang yang cukup untuk ekspansi ke depan.
Perbandingan koneksi langsung ke beberapa penyedia resmi: Koneksi langsung ke API resmi punya keunggulan dalam kecepatan mengikuti fitur baru, Anda bisa langsung memakai kemampuan yang baru dirilis suatu penyedia. Namun memelihara beberapa set kode adaptasi, beberapa akun isi saldo, dan beberapa laporan rekonsiliasi sekaligus akan terus menguras energi satu orang. Untuk sebagian besar proyek satu orang, lebih realistis menghubungkan langsung hanya pada node yang memang bergantung pada fitur eksklusif resmi tertentu, sementara node lainnya lewat antarmuka terpadu.
Perbandingan gateway mandiri: Gateway open-source mandiri punya tingkat kendali paling tinggi, cocok untuk skenario yang butuh privatisasi. Tapi deploy, upgrade, monitoring, dan troubleshooting semuanya jadi tanggung jawab Anda sendiri, artinya Anda memelihara satu layanan tambahan. Kalau tujuan utama Anda adalah mengirim produk secepat mungkin, platform integrasi agregat biasanya titik awal yang lebih aman; setelah skala bisnis tumbuh, baru evaluasi apakah perlu membangun gateway sendiri.
💡 Saran pemilihan: Kalau Anda masih ragu, coba dulu jalankan semua node dengan APIYI, sambil memastikan sisi bisnis hanya bergantung pada format yang kompatibel dengan OpenAI. Dengan begitu, meskipun nanti bermigrasi ke gateway mandiri atau koneksi langsung ke penyedia resmi, perubahan hanya terpusat di lapisan konfigurasi.
Kontrol Biaya dan Stabilitas untuk Proyek Solo dengan Akses Multi-Model
Proyek solo tidak punya rekan keuangan yang membantu memantau tagihan, jadi kontrol biaya harus dibangun ke dalam arsitektur. Tabel berikut merangkum beberapa tuas biaya yang paling umum digunakan:
| Tuas biaya | Cara | Penjelasan dasar penagihan |
|---|---|---|
| Penurunan spesifikasi berlapis | Node frekuensi tinggi menggunakan model ringan L3 | Harga satuan antar model berbeda jelas; gunakan halaman harga APIYI sebagai acuan |
| Kontrol panjang output | Setel max_tokens untuk setiap node |
Harga satuan output sebagian besar model lebih tinggi daripada input; rujuk halaman harga untuk detail |
| Manfaatkan cache | System prompt tetap dan definisi tool diletakkan di bagian awal permintaan | Dukungan cache dan cara penagihan cache berbeda antar model; rujuk halaman harga |
| Kompresi konteks | Ringkas percakapan multi-putaran Agent secara berkala; jangan menumpuk riwayat tanpa batas | Token input tumbuh linear seiring jumlah putaran; ini komponen biaya tersembunyi yang besar |
| Setel peringatan anggaran | Statistik penggunaan Token per hari, beri notifikasi jika melewati ambang | Padukan dengan log pemanggilan dan tagihan platform untuk verifikasi |
Tentang harga, artikel ini sengaja tidak mencantumkan angka spesifik apa pun. Harga satuan input, harga satuan output, harga baca/tulis cache, dan dasar penagihan model dapat berubah mengikuti kebijakan vendor. Menaksir berdasarkan ingatan atau data lama sangat mudah keliru. Saat merencanakan biaya, gunakan data aktual di halaman harga APIYI docs.apiyi.com/models sebagai acuan, lalu estimasikan biaya bulanan dengan pola “jumlah panggilan harian per lapisan × rata-rata Token input × harga satuan input + rata-rata Token output × harga satuan output”, dan sediakan kolom terpisah untuk kondisi cache hit.
Dari sisi stabilitas, ada tiga hal yang layak diselesaikan sebelum rilis:
- Latihan jalur degradasi: Ubah nama model utama secara manual menjadi nilai tidak valid, pastikan Workflow otomatis beralih ke model cadangan dan selesai dengan normal.
- Timeout berjenjang: Model inferensi membutuhkan waktu berpikir lebih lama; ambang timeout harus jelas lebih tinggi daripada model ringan, kalau tidak akan muncul situasi “semakin pintar semakin mudah timeout”.
- Desain idempoten: Pemanggilan tool yang punya efek samping, seperti mengirim email atau menulis database, harus dicegah agar tidak dieksekusi ulang saat retry.
FAQ (Pertanyaan yang Sering Diajukan)
Q1: Apa itu perencanaan integrasi multi-model untuk proyek solo?
Dalam skenario pengembangan mandiri, ini berarti memutuskan sejak awal bagian mana dalam AI Agent dan Workflow yang memakai jenis model apa, diakses melalui antarmuka apa, bagaimana melakukan fallback saat terjadi error, dan bagaimana menghitung biaya. Tujuannya adalah mendapatkan keuntungan biaya sekaligus jaminan ketersediaan tanpa menambah terlalu banyak beban pemeliharaan.
Q2: Apa perbedaan AI Agent dan Workflow dalam hal integrasi model?
Langkah-langkah Workflow sudah dirancang sebelumnya, model untuk setiap node dapat ditentukan secara statis, dan pembagian lapisannya juga lebih intuitif. Agent menentukan sendiri urutan dan jumlah pemanggilan, sehingga volume panggilan sulit diperkirakan. Karena itu, Agent lebih membutuhkan pemisahan model untuk perencanaan dan eksekusi, serta penetapan batas maksimum putaran dan anggaran Token per tugas.
Q3: Apakah harus langsung mengintegrasikan banyak model sejak awal?
Tidak perlu langsung terhubung ke banyak penyedia pada awalnya, tetapi desain antarmuka harus disatukan sejak awal. Sebaiknya pada versi pertama, nama model dijadikan konfigurasi, gunakan format kompatibel OpenAI, dan sediakan satu model cadangan untuk node inti. Tambahan pekerjaan pengembangannya sedikit, tetapi ekspansi ke depannya akan jauh lebih lancar.
Q4: Skenario proyek solo seperti apa yang paling cocok untuk integrasi multi-model?
– **Alat menulis atau konten AI**: garis besar pakai L1, isi utama pakai L2, penulisan ulang judul pakai L3.
– **Agent layanan pelanggan cerdas**: pengenalan intent pakai L3, pertanyaan kompleks dieskalasi ke L2 atau L1.
– **Workflow pemrosesan data**: ekstraksi dan klasifikasi batch pakai L3, sampel anomali diserahkan ke L2 untuk ditinjau.
– **Alat bantu coding**: perencanaan kode pakai L1, pelengkapan kode dan komentar pakai L2 atau L3.
Q5: Bagaimana cara cepat memanggil banyak model melalui antarmuka terpadu?
Anda dapat menggunakan APIYI yang kompatibel dengan format antarmuka OpenAI dan Anthropic:
1. Kunjungi APIYI apiyi.com untuk mendaftar akun dan dapatkan kunci API.
2. Konfigurasikan `base_url` dan kunci API sesuai dokumentasi APIYI di docs.apiyi.com.
3. Ubah parameter `model` untuk beralih antar model dari vendor berbeda, tanpa perlu mengubah kode bisnis.
Model reasoning, model umum, model ringan, dan model multimodal yang dibahas di artikel ini semuanya dapat dipanggil dan dibandingkan melalui antarmuka terpadu APIYI.
Q6: Bagaimana memperkirakan biaya bulanan untuk solusi multi-model?
Mulai dari log panggilan, hitung jumlah panggilan harian rata-rata dan jumlah Token rata-rata untuk setiap lapisan, lalu cocokkan dengan harga input, output, dan cache tiap model di halaman harga APIYI docs.apiyi.com/models. Jangan menggunakan harga dari artikel lama atau ingatan; gunakan data aktual di halaman harga dan tinjau ulang setiap bulan.
Q7: Apa saja batasan yang diketahui dari solusi multi-model?
Model yang berbeda memiliki gaya respons berbeda terhadap prompt yang sama. Setelah beralih ke model cadangan, format output bisa sedikit berbeda, sehingga proses parsing downstream perlu memiliki toleransi kesalahan. Fitur eksklusif dari sebagian vendor mungkin tidak dapat digunakan sepenuhnya dalam format kompatibel. Selain itu, semakin banyak model, semakin besar beban evaluasi. Sebaiknya batasi kandidat model di setiap lapisan menjadi dua atau tiga.
Poin Penting Utama: Integrasi Multi-Model AI Agent untuk Proyek Satu Orang
- Lapisi dulu, baru pilih model: Bagi berdasarkan tingkat kesulitan dan frekuensi tugas menjadi L1 sampai L4, bukan berdasarkan nama model.
- Antarmuka harus seragam: Sisi bisnis hanya bergantung pada satu protokol, nama model menjadi item konfigurasi yang bisa diganti.
- Pisahkan perencanaan dan eksekusi: Perencanaan Agent pakai model yang kuat, eksekusi diserahkan ke model utama atau model ringan.
- Fallback wajib diuji coba: Model utama dan cadangan berasal dari vendor berbeda, sebelum rilis lakukan simulasi kegagalan secara manual untuk verifikasi.
- Harga mengacu pada halaman harga: Semua harga satuan dan perhitungan cache diverifikasi terhadap docs.apiyi.com/models.
- Log adalah dasar keputusan: Catat model, Token, waktu eksekusi, dan status fallback, lalu gunakan data untuk memutuskan pergantian model.
- Untuk memulai bisa lewat platform agregator: APIYI kompatibel dengan format OpenAI dan Anthropic, satu Key cukup untuk menguji banyak model.
Ringkasan
Saat membangun AI Agent dan Workflow dalam proyek satu orang, perencanaan integrasi multi-model dapat diringkas menjadi tiga poin:
- Pelapisan tugas: Biarkan setiap tahap menggunakan model yang sekadar cukup, sehingga biaya dan hasil dapat dikendalikan sekaligus.
- Antarmuka seragam plus konfigurasi: Model menjadi parameter yang bisa diganti, beban pemeliharaan selalu berada dalam batas yang sanggup ditanggung satu orang.
- Fallback dan observasi: Ketersediaan punya jaring pengaman, keputusan punya data, sehingga proyek dapat beriterasi secara stabil dalam jangka panjang.
Disarankan untuk lebih dulu menjalankan semua node dengan satu antarmuka seragam, lalu mengoptimalkan pemilihan model lapis demi lapis berdasarkan data log. Jika tidak ingin memelihara lapisan integrasi sendiri, Anda dapat memanggil model-model utama secara terpadu melalui APIYI apiyi.com, dengan antarmuka yang kompatibel dengan format OpenAI dan Anthropic. Penjelasan integrasi dapat dilihat di dokumentasi APIYI docs.apiyi.com, sedangkan harga model dan dasar perhitungan biaya mengacu pada halaman harga docs.apiyi.com/models.
📚 Referensi
- Pusat Dokumentasi APIYI: penjelasan alamat akses, metode autentikasi, dan format antarmuka
- Tautan:
docs.apiyi.com -
Keterangan: rujuk saat mengonfigurasi
base_url, Key, serta saat beralih antara format OpenAI atau Anthropic -
Halaman Model dan Harga APIYI: daftar model, harga satuan input/output, dan penagihan cache
- Tautan:
docs.apiyi.com/models -
Keterangan: seluruh konten terkait biaya dalam artikel ini mengacu pada data aktual di halaman ini
-
Dokumentasi OpenAI API: referensi format antarmuka Chat Completions
- Tautan:
platform.openai.com/docs -
Keterangan: memahami parameter dan struktur pemanggilan alat pada format yang kompatibel dengan OpenAI
-
Dokumentasi Resmi Anthropic: penjelasan antarmuka Messages dan prompt caching
- Tautan:
docs.anthropic.com - Keterangan: rujuk saat menggunakan format Anthropic pada node Claude
Penulis: Tim Teknis APIYI
Komunikasi Teknis: Silakan hubungi kami melalui halaman utama situs resmi APIYI, materi akses lainnya dapat dilihat di pusat dokumentasi docs.apiyi.com
