cURL / Python / Node.js

Jede offizielle OpenAI-Bibliothek funktioniert; nur base_url ändert sich. Beispiele verwenden gpt-5.6-sol; für das Astra-Paket verwende gpt-astra.

Chat Completions

curl https://gpt.teamsoclo.site/v1/chat/completions \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-sol",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "Explain closures in JavaScript"}
    ]
  }'

from openai import OpenAI

client = OpenAI(
    api_key="sk-xxx",
    base_url="https://gpt.teamsoclo.site/v1",
)

resp = client.chat.completions.create(
    model="gpt-5.6-sol",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Explain closures in JavaScript"},
    ],
)

print(resp.choices[0].message.content)
print(resp.usage)

import OpenAI from "openai"

const client = new OpenAI({
  apiKey: "sk-xxx",
  baseURL: "https://gpt.teamsoclo.site/v1",
})

const resp = await client.chat.completions.create({
  model: "gpt-5.6-sol",
  messages: [
    { role: "system", content: "You are a helpful assistant." },
    { role: "user", content: "Explain closures in JavaScript" },
  ],
})

console.log(resp.choices[0].message.content)
console.log(resp.usage)

base_url muss /v1 enthalten und darf nicht mit / enden. Die Bibliothek hängt /chat/completions selbst an.

Antworten folgen dem OpenAI-Schema exakt: id ist chatcmpl-..., usage hat prompt_tokens, completion_tokens und completion_tokens_details.reasoning_tokens. Kontingent wird exakt usage.total_tokens berechnet.

Responses API

Codex und neuere SDKs verwenden dieses Protokoll. Die Reasoning-Einstellung liegt in reasoning.effort.

curl https://gpt.teamsoclo.site/v1/responses \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-sol",
    "input": "Write a Python function that checks for primes",
    "reasoning": {"effort": "medium"}
  }'

resp = client.responses.create(
    model="gpt-5.6-sol",
    input="Write a Python function that checks for primes",
    reasoning={"effort": "medium"},
)
print(resp.output_text)

Reasoning Effort

Mit Chat Completions verwende reasoning_effort (low, medium, high). Nicht gesetzt, verwendet das Gateway high. Für einfache Aufgaben setze low, um Tokens zu sparen:

resp = client.chat.completions.create(
    model="gpt-5.6-sol",
    reasoning_effort="low",
    messages=[{"role": "user", "content": "Translate to French: good morning"}],
)

reasoning_effort gilt nur für Chat Completions. Mit der Responses API verwende reasoning: {"effort": ...}; reasoning_effort an /v1/responses zu senden wird mit “Unsupported parameter” abgelehnt.

Streaming

stream = client.chat.completions.create(
    model="gpt-5.6-sol",
    messages=[{"role": "user", "content": "Write a short paragraph about autumn"}],
    stream=True,
    stream_options={"include_usage": True},
)

for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)
    if chunk.usage:
        print("\n", chunk.usage)

curl https://gpt.teamsoclo.site/v1/chat/completions \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-sol",
    "messages": [{"role": "user", "content": "Write a short paragraph about autumn"}],
    "stream": true,
    "stream_options": {"include_usage": true}
  }'

Bei schwierigen Fragen kann das Modell eine Weile denken, bevor der erste Token kommt. Verwende stream: true, damit die Verbindung nicht unterbrochen wird. stream_options.include_usage lässt den letzten Chunk usage tragen, damit du das Kontingent selbst abgleichen kannst.

Bilder senden (Vision)

Bilder werden im content-Array übergeben, als öffentliche URL oder base64 für lokale Dateien.

resp = client.chat.completions.create(
    model="gpt-5.6-sol",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "What error does this show?"},
            {"type": "image_url", "image_url": {"url": "https://example.com/screenshot.png"}},
        ],
    }],
)
print(resp.choices[0].message.content)

import base64

with open("screenshot.png", "rb") as f:
    b64 = base64.b64encode(f.read()).decode()

resp = client.chat.completions.create(
    model="gpt-5.6-sol",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "What error does this show?"},
            {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}},
        ],
    }],
)
print(resp.choices[0].message.content)

Bilder kosten Tokens je nach Größe. Schneide auf den relevanten Teil zu, statt einen vollständigen 4K-Screenshot zu senden.

Modelle und Kontingent per API

# Modelle, die dieser Schlüssel aufrufen darf
curl https://gpt.teamsoclo.site/v1/models -H "Authorization: Bearer sk-xxx"

# Kontingent (Legacy OpenAI-Endpunkte)
curl https://gpt.teamsoclo.site/v1/dashboard/billing/subscription -H "Authorization: Bearer sk-xxx"
curl https://gpt.teamsoclo.site/v1/dashboard/billing/usage -H "Authorization: Bearer sk-xxx"

subscription gibt das Gesamtlimit in hard_limit_usd zurück; usage gibt das Verbrauchte in total_usage zurück, in Cent (vor dem Vergleich durch 100 teilen). Die Prüfseite macht das für dich.

Erste Schritte

Einrichtung

Support

Chat Completions

Responses API

Reasoning Effort

Streaming

Bilder senden (Vision)

Modelle und Kontingent per API

​Chat Completions

​Responses API

​Reasoning Effort

​Streaming

​Bilder senden (Vision)

​Modelle und Kontingent per API

Chat Completions

Responses API

Reasoning Effort

Streaming

Bilder senden (Vision)

Modelle und Kontingent per API