Startseite/Agenten
OpenAI-kompatibler API-Tester: Überprüfe jeden Endpunkt

Du brauchst keinen speziellen OpenAI-kompatiblen API-Tester, um einen Endpunkt zu prüfen. Vier Anfragen und ein kurzes Python-Skript zeigen dir, ob eine Base URL sich wirklich wie die OpenAI-API verhält.
Aktualisiert
Wichtige Punkte
- Starte mit GET /v1/models, dann einer minimalen Chat-Vervollständigung.
- Teste Streaming und lies die Nutzung am Ende des Streams ab.
- Sende absichtlich fehlerhafte Anfragen, um zu sehen, wie Fehler aussehen.
- Ein Skript kann alle Prüfungen ausführen und erfolgreich oder fehlgeschlagen ausgeben.
Die vier relevanten Prüfungen
Viele Dienste behaupten, OpenAI-kompatibel zu sein. Manche kopieren nur den Chat-Endpunkt, manche ändern das Fehlerformat, manche lassen Streaming-Details weg. Ein Tester sollte bestätigen, worauf dein Client-Code angewiesen ist:
- Authentifizierung und Discovery:
GET /v1/modelsmit einem Bearer-Token. - Eine minimale Chat-Vervollständigung:
POST /v1/chat/completions. - Streaming: dieselbe Anfrage mit
stream: true. - Fehler: was bei einem falschen Schlüssel, einem falschen Modellnamen und einem fehlerhaften Body zurückkommt.
Die Beispiele unten verwenden den Endpunkt dieser Seite, https://api.uncensoredapis.com/v1, und das Modell uncensored. Ersetze die Base URL und das Modell durch das, was du testest. Wenn du noch keinen Schlüssel hast, erstelle hier einen; neue Konten können ein $0,50-Testguthaben ohne Karte beanspruchen.
Check 1: Modelle mit curl auflisten
export API_KEY="sk-your-key"
curl -s -w "\nHTTP %{http_code}\n" \
https://api.uncensoredapis.com/v1/models \
-H "Authorization: Bearer $API_KEY"
Erwarte HTTP 200 und ein JSON-Objekt mit einem data-Array. Jedes Element hat eine id. Die ID, die du überall verwenden wirst, ist hier uncensored. Dieser eine Aufruf prüft DNS, TLS, den Pfadpräfix und den Schlüssel, also wenn es hier fehlschlägt, hat das Testen von anderem keinen Sinn. Die üblichen Ursachen sind ein fehlendes /v1 in der Base URL, ein zusätzlicher abschließender Slash oder ein Schlüssel, der mit einem Zeilenumbruch eingefügt wurde.
Check 2: eine minimale Chat-Anfrage
curl -s https://api.uncensoredapis.com/v1/chat/completions \
-H "Authorization: Bearer $API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"uncensored","messages":[{"role":"user","content":"Reply with the word ok."}]}'
Überprüfe in der Antwort choices[0].message.content, finish_reason und das usage-Objekt mit Prompt- und Completion-Token-Anzahlen. Nutze auch die Header: füge -i hinzu und suche nach X-Request-Id, X-Balance-USD, X-RateLimit-Limit-Requests und X-RateLimit-Limit-Concurrency. Sie sind nützlich für Logging und zur Kostenverfolgung später. Der gleiche Dienst akzeptiert auch POST /v1/responses, was in der API-Referenz-Erklärung abgedeckt ist.
Check 3: ein Python-Skript, das alles testet
Curl ist für einen ersten Blick in Ordnung, aber ein Skript, das du nach jeder Änderung erneut ausführen kannst, ist besser. Dieses hier verwendet das offizielle openai-Paket und meldet jeden Check.
import sys
from openai import OpenAI, AuthenticationError, NotFoundError, RateLimitError
BASE = "https://api.uncensoredapis.com/v1"
MODEL = "uncensored"
client = OpenAI(base_url=BASE, api_key=sys.argv[1])
def check(name, fn):
try:
print("PASS", name, "-", fn())
except Exception as e:
print("FAIL", name, "-", type(e).__name__, e)
def models():
ids = [m.id for m in client.models.list().data]
assert MODEL in ids, ids
return ids
def chat():
r = client.chat.completions.create(
model=MODEL, messages=[{"role": "user", "content": "Say ok."}])
assert r.choices[0].message.content
return r.usage.total_tokens
def stream():
parts, usage = [], None
for c in client.chat.completions.create(
model=MODEL, stream=True,
messages=[{"role": "user", "content": "Count to five."}]):
if c.choices and c.choices[0].delta.content:
parts.append(c.choices[0].delta.content)
usage = getattr(c, "usage", None) or usage
assert parts
return f"{len(parts)} chunks, usage={usage}"
def bad_model():
try:
client.chat.completions.create(
model="no-such-model", messages=[{"role": "user", "content": "hi"}])
except NotFoundError as e:
return "NotFoundError " + str(e.status_code)
except Exception as e:
return type(e).__name__
raise AssertionError("bad model name was accepted")
for n, f in [("models", models), ("chat", chat), ("stream", stream), ("bad model", bad_model)]:
check(n, f)
Führe es mit python tester.py sk-your-key aus. Der Check für das falsche Modell zeichnet jede Fehlerklasse auf, die dein SDK auslöst, was an sich nützliche Informationen sind. Wenn der Dienst einen unbekannten Modellnamen akzeptiert, leitet er ihn wahrscheinlich weiter oder aliasiert ihn, und du solltest herausfinden, wie.
Check 4: Fehlerbehandlung
Deine Anwendung wird Ausfälle sehen, also suche sie gezielt auf.
- Falscher Schlüssel: ändere ein Zeichen im Schlüssel. Erwarte HTTP 401 und einen JSON-Fehlerbody, keine HTML-Seite.
- Fehlerhafter Body: sende
{"model":"uncensored"}ohne Nachrichten. Erwarte eine 4xx-Antwort mit einer lesbaren Nachricht. - Ratenlimits: diese API gibt 429 mit dem Code
rate_limitedfür Anfragen pro Minute undconcurrencyfür zu viele gleichzeitige Anfragen zurück. Eine temporäre Überlastung gibt ebenfalls 429 zurück, mitRetry-After: 5.
Ein guter Client behandelt 429 als Signal zu warten und erneut zu versuchen, und 4xx außer 429 als zu behebenden Bug. Schreibe die Retry-Regel einmal und teste sie, indem du zehn Anfragen gleichzeitig startest. Limits pro Schlüsseltyp stehen auf der Seite zu Fehlern und Ratenlimits.
Zu prüfende Kompatibilitätslücken
Die vier Checks zu bestehen ist ein guter Anfang. Dies sind die Stellen, an denen Klonen am häufigsten abweichen, also probiere jede Stelle aus, wenn deine App davon abhängt:
- Parameter: sende
temperature,top_p,stop,seedund die Penalties. Manche Server ignorieren sie stillschweigend. Führe denselben Prompt dreimal mit einem festenseedund einer niedrigen Temperatur aus und vergleiche die Ausgaben. - Message-Rollen: versuche zuerst eine
system-Nachricht, dann eine lange Multi-Turn-Historie. Prüfe, ob die Systemnachricht das Verhalten tatsächlich ändert. - Tool Calls: fordere einen Aufruf zu einer Funktion an, die du definierst, und sende das Ergebnis als
role: "tool"-Nachricht zurück. Im Streaming-Modus kommentool_callsin Stücken an, die du verketten musst. - JSON-Modus: setze
response_formatauf{"type":"json_object"}und analysiere 20 Antworten. - Body-Größe: diese API akzeptiert Bodies bis zu 8 MB. Eine Anfrage über dem Limit sollte mit einer klaren 4xx-Fehlermeldung fehlschlagen, nicht hängen bleiben.
Schreibe jede gefundene Lücke auf und entscheide, ob dein Code sie umgehen kann. Behalte die Notizen neben dem Skript, denn beim nächsten Update des Anbieters möchtest du dieselben Checks erneut ausführen und vergleichen. Wenn du mehrere Anbieter testest, führe das identische Skript gegen jeden aus und behalte die Ausgabe in einer Tabelle, damit die Unterschiede auf einen Blick sichtbar sind und nicht im Gedächtnis begraben sind. Ein fehlender Parameter ist meist harmlos. Ein anderes Fehlerformat oder gebrochenes Streaming ist es meist nicht.
Was Bestehen nicht beweist
Ein grüner Lauf zeigt Protokollkompatibilität. Er sagt nichts über Antwortqualität, Geschwindigkeit unter Last oder Preis aus. Dafür sind separate Tests mit deinen eigenen Prompts nötig. Zwei schnelle Ergänzungen lohnen sich: eine Anfrage mit einem langen Prompt nahe deiner realen Größe (dieser Endpunkt hat ein 100.000-Token-Kontextfenster) und eine Tool-Call-Anfrage, wenn deine App Agents verwendet.
Behalte auch im Sinn, gegen was du testest. Dieser Dienst hostet ein Open-Weight-Modell, das darauf abgestimmt ist, ohne Inhaltsfilter für die rechtmäßige Nutzung durch Erwachsene zu antworten. Es ist nur Text und nicht die offizielle API eines Modell-Anbieters. Die Preise liegen bei $0,15 pro 1M Input-Token und $0,50 pro 1M Output-Token, aufgelistet auf der Preisseite, und fehlgeschlagene Anfragen werden nicht berechnet, sodass wiederholte Testläufe sehr wenig kosten. Die Dokumentation listet jeden unterstützten Parameter auf.
Weitere Anleitungen
Fragen und Antworten
Gibt es ein Online-Tool zum Testen eines OpenAI-kompatiblen Endpunkts?
Jeder HTTP-Client funktioniert: curl, Postman oder ein kurzes Skript mit dem OpenAI SDK. Der Vorteil eines Skripts ist, dass du es nach jeder Änderung erneut ausführen kannst.
Welche Base URL soll ich im SDK eingeben?
Verwende die vollständige URL inklusive /v1, z. B. https://api.uncensoredapis.com/v1. Füge /chat/completions nicht hinzu, da das SDK es anhängt.
Warum erhalte ich einen 404-Fehler bei einer scheinbar korrekten Anfrage?
Die häufigste Ursache ist eine Base URL ohne /v1 oder mit einem doppelten Pfad. Prüfe dies zuerst mit einem GET zu /v1/models.
Wie überprüfe ich mein verbleibendes Guthaben während des Tests?
Lies den X-Balance-USD-Header in jeder Antwort aus oder rufe GET /v1/balance auf.
Dein Schlüssel ist nur ein Formular entfernt
Erstelle ein Konto, kopiere den Schlüssel, ändere die Basis-URL. Das ist die gesamte Einrichtung.