Documentation Index
Fetch the complete documentation index at: https://docs.tokenlab.sh/llms.txt
Use this file to discover all available pages before exploring further.
Sélection du modèle
Choisir le bon modèle peut avoir un impact significatif sur le coût et la qualité.
Recommandations par type de tâche
| Tâche | Modèles recommandés | Justification |
|---|
| Questions-réponses simples | gpt-5-mini, gemini-2.5-flash | Rapide, peu coûteux, suffisant |
| Raisonnement complexe | gpt-5.4, claude-opus-4-6, deepseek-r1 | Meilleure logique et planification |
| Codage | claude-sonnet-4-6, gpt-4o, deepseek-v3.2 | Optimisé pour le code |
| Écriture créative | claude-sonnet-4-6, gpt-4o | Meilleure qualité rédactionnelle |
| Vision/Images | gpt-4o, claude-sonnet-4-6, gemini-2.5-flash | Prise en charge native de la vision |
| Contexte long | gemini-2.5-pro, claude-sonnet-4-6 | Fenêtres de 1M+ token |
| Sensible au coût | gpt-5-mini, gemini-2.5-flash, deepseek-v3.2 | Meilleur rapport qualité-prix |
Niveaux de coût
$$$$ Premium: gpt-5.4, claude-opus-4-6
$$$ Standard: claude-sonnet-4-6, gpt-4o
$$ Budget: gpt-5-mini, gemini-2.5-flash
$ Economy: deepseek-v3.2, deepseek-r1
Optimisation des coûts
1. Utilisez d’abord des modèles plus petits
def smart_query(question: str, complexity: str = "auto"):
"""Use cheaper models for simple tasks."""
if complexity == "simple":
model = "gpt-5-mini"
elif complexity == "complex":
model = "gpt-4o"
else:
# Start cheap, escalate if needed
model = "gpt-5-mini"
response = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": question}]
)
return response
2. Définissez max_tokens
Définissez toujours une limite max_tokens raisonnable :
# ❌ Bad: No limit, could generate thousands of tokens
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "Summarize this article"}]
)
# ✅ Good: Limit response length
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "Summarize this article"}],
max_tokens=500 # Reasonable limit for a summary
)
3. Optimisez les prompts
# ❌ Verbose prompt (more input tokens)
prompt = """
I would like you to please help me by analyzing the following text
and providing a comprehensive summary of the main points. Please be
thorough but also concise in your response. The text is as follows:
{text}
"""
# ✅ Concise prompt (fewer tokens)
prompt = "Summarize the key points:\n{text}"
4. Activez la mise en cache
Profitez du semantic caching :
# For repeated similar queries, caching provides major savings
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "What is machine learning?"}],
temperature=0 # Deterministic = better cache hits
)
5. Regroupez les requêtes similaires
# ❌ Many small requests
for question in questions:
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": question}]
)
# ✅ Fewer larger requests
combined_prompt = "\n".join([f"{i+1}. {q}" for i, q in enumerate(questions)])
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": f"Answer each question:\n{combined_prompt}"}]
)
1. Utilisez le streaming pour l’UX
Le streaming améliore les performances perçues :
stream = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "Write a long essay"}],
stream=True
)
for chunk in stream:
if chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end="", flush=True)
2. Choisissez des modèles rapides pour un usage interactif
| Cas d’usage | Recommandé | Latence |
|---|
| Interface de chat | gpt-5-mini, gemini-2.5-flash | ~200ms jusqu’au premier token |
| Complétion d’onglet | claude-haiku-4-5 | ~150ms jusqu’au premier token |
| Traitement en arrière-plan | gpt-4o, claude-sonnet-4-6 | ~500ms jusqu’au premier token |
3. Définissez des timeouts
client = OpenAI(
api_key="sk-your-key",
base_url="https://api.tokenlab.sh/v1",
timeout=60.0 # 60 second timeout
)
Fiabilité
1. Implémentez des retries
import time
from openai import RateLimitError, APIError
def chat_with_retry(messages, max_retries=3):
for attempt in range(max_retries):
try:
return client.chat.completions.create(
model="gpt-4o",
messages=messages
)
except RateLimitError:
wait = 2 ** attempt
print(f"Rate limited, waiting {wait}s...")
time.sleep(wait)
except APIError as e:
if attempt == max_retries - 1:
raise
time.sleep(1)
raise Exception("Max retries exceeded")
2. Gérez les erreurs proprement
from openai import APIError, AuthenticationError, RateLimitError
try:
response = client.chat.completions.create(...)
except AuthenticationError:
# Check API key
notify_admin("Invalid API key")
except RateLimitError:
# Queue for later or use backup
add_to_queue(request)
except APIError as e:
if e.status_code == 402:
notify_admin("Balance low")
elif e.status_code >= 500:
# Server error, retry later
schedule_retry(request)
3. Utilisez des modèles de secours
FALLBACK_CHAIN = ["gpt-4o", "claude-sonnet-4-6", "gemini-2.5-flash"]
def chat_with_fallback(messages):
for model in FALLBACK_CHAIN:
try:
return client.chat.completions.create(
model=model,
messages=messages
)
except APIError:
continue
raise Exception("All models failed")
Sécurité
1. Protégez les clés API
# ❌ Never hardcode keys
client = OpenAI(api_key="sk-abc123...")
# ✅ Use environment variables
import os
client = OpenAI(api_key=os.environ["TOKENLAB_API_KEY"])
2. Validez les entrées utilisateur
def validate_message(content: str) -> bool:
"""Validate user input before sending to API."""
if len(content) > 100000:
raise ValueError("Message too long")
# Add other validation as needed
return True
3. Définissez des limites pour les clés API
Créez des clés API distinctes avec des limites de dépenses pour :
- Développement/tests
- Production
- Différentes applications
Monitoring
1. Suivez l’utilisation
Vérifiez régulièrement votre tableau de bord pour :
- L’utilisation des token par modèle
- La répartition des coûts
- Les taux de succès du cache
- Les taux d’erreur
2. Journalisez les métriques importantes
import logging
response = client.chat.completions.create(...)
logging.info({
"model": response.model,
"prompt_tokens": response.usage.prompt_tokens,
"completion_tokens": response.usage.completion_tokens,
"total_tokens": response.usage.total_tokens,
})
Configurez des alertes de solde faible dans votre tableau de bord pour éviter toute interruption de service.
Checklist