Sezioni dell'archivio conoscenza ▾
Navigazione
▸ Inizia qui Per ruoloCategorie
- OpenCode: modelli gratuiti, provider e API key
- Cursor + Gonka AI — LLM economico per la codifica
- Claude Code + Gonka AI — LLM per terminale
- DeepSeek Harness: il tuo provider tramite JoinGonka Gateway
- Codex CLI: la tua chiave invece dell'abbonamento
- Pi + JoinGonka Gateway — agente terminale con inferenza economica
- omp (Oh My Pi) + JoinGonka Gateway: agente con ruoli dei modelli
- Zoo Code + JoinGonka Gateway: migrazione da Roo Code ai modelli Gonka
- Kilo Code + Gonka AI — agente AI in VS Code
- ZCode: piani, prezzi e limiti di GLM Coding Plan
- Hermes Agent + DeepSeek sulla rete Gonka — agente autonomo a costi irrisori
- OpenClaw + Gonka AI — agenti AI accessibili
- Continue.dev + Gonka AI — AI per VS Code/JetBrains
- Cline + Gonka AI — Agente AI in VS Code
- Aider + Gonka AI — Programmazione a coppie con AI
- LangChain + Gonka AI — Applicazioni AI a un costo minimo
- n8n + Gonka AI — automazione con AI economica
- Open WebUI + Gonka AI — il tuo ChatGPT
- LibreChat + Gonka AI — ChatGPT open-source
- Roo Code + Gonka AI — agente AI autonomo in VS Code
- LlamaIndex + Gonka AI — Applicazioni RAG a basso costo
- PydanticAI + Gonka — Agenti AI tipizzati a basso costo
- Vercel AI SDK + Gonka AI — Applicazioni AI in TypeScript a basso costo
- TanStack AI + Gonka — Applicazioni AI in TypeScript a basso costo
- Avvio rapido API — curl, Python, TypeScript
- JoinGonka Gateway — panoramica completa
- Management Keys — SaaS su Gonka
- L'API AI più economica: confronto tra i fornitori 2026
- Come acquistare token AI e chiavi API: 3 metodi nel 2026
- API AI gratuita: token alla registrazione e per gli inviti
- Limite di richieste Cursor Pro raggiunto — analisi e alternativa economica
- Claude Code costa meno: GLM e DeepSeek al posto di Claude
- Claude Code + DeepSeek V4 Flash: come collegarli e quanto costa un task
- Cline brucia soldi — perché l'agente consuma così tanto
- OpenClaw costa caro: perché l'agente brucia token e come risparmiare
- Alternativa a OpenRouter: gli stessi modelli, molte volte più economici
- Il miglior modello AI per il coding nel 2026: confronto e prezzi
- Alternativa economica a GitHub Copilot senza limiti
- Alternativa economica a Windsurf senza crediti e limiti
- L'API più economica per AI-agent nel 2026
- JetBrains IDE + JoinGonka Gateway — il tuo endpoint invece dei crediti
- GitHub Copilot BYOK — i tuoi modelli invece della quota
- Zed + JoinGonka Gateway — inferenza economica nell'editor
- MiniMax Code: agente MiniMax con la tua chiave via Gonka
- Warp + JoinGonka Gateway — agent terminal sul proprio endpoint
- Trae + JoinGonka Gateway — modelli della rete Gonka in AI-IDE
- Cherry Studio + JoinGonka Gateway — AI client desktop
- OpenHands + JoinGonka Gateway: agente sul proprio endpoint
- Qwen Code dopo la chiusura di qwen-oauth: utilizzo tramite JoinGonka Gateway
- Goose + JoinGonka Gateway: il tuo provider e chiave nel keyring
- Crush + JoinGonka Gateway: agente Charm sui modelli della rete Gonka
- Kimi Code CLI: agente Moonshot AI con la propria chiave tramite Gonka
- Factory Droid + JoinGonka Gateway: BYOK sui modelli di rete Gonka
- MiMo Code + JoinGonka Gateway: agente Xiaomi sui modelli di rete Gonka
Strumenti
LangChain + Gonka AI — Applicazioni AI a un costo minimo
LangChain è il framework più popolare per creare applicazioni AI in Python e JavaScript. Pipeline RAG, catene (chains), agenti, gestione dei documenti: LangChain fornisce astrazioni per tutto questo.
LangChain supporta nativamente le API compatibili con OpenAI tramite la classe ChatOpenAI. Ciò significa che il JoinGonka Gateway si integra in 3 righe di codice, senza pacchetti o configurazioni aggiuntive.
Risultato: un sistema RAG, un chatbot o un agente AI che funziona a $0.0062/1M di token invece dei $2.50-15 richiesti da OpenAI.
Avvio rapido: 3 righe di codice
Esempio minimo — collegare LangChain a Gonka:
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
base_url="https://gate.joingonka.ai/v1",
api_key="jg-your-key",
model="MiniMaxAI/MiniMax-M2.7",
)
response = llm.invoke("Explain what RAG is")
print(response.content)Tutto qui. Tre righe — e il tuo progetto LangChain funziona attraverso la rete decentralizzata Gonka a pochi spiccioli.
Installazione delle dipendenze:
pip install langchain langchain-openai
# for the RAG and agent examples below
pip install langchain-classic langchain-community langchain-text-splitters faiss-cpu sentence-transformersGli import negli esempi sono per LangChain 1.x (testato sulla versione 1.4): le vecchie chain e AgentExecutor qui vivono nel pacchetto langchain-classic, mentre la suddivisione del testo è in langchain-text-splitters.
Consiglio: specifica esplicitamente max_tokens=8192 — è il tetto di output attraverso JoinGonka Gateway per MiniMax M2.7 e GLM-5.3 Flash (per DeepSeek V4 Flash — fino a 32768). La finestra di contesto è di 180K token per MiniMax M2.7 (380K per DeepSeek V4 Flash, 390K per GLM-5.3 Flash) — tienilo presente quando configuri chunk_size nelle pipeline RAG.
Esempio: pipeline RAG con Gonka
RAG (Retrieval-Augmented Generation) è il pattern più diffuso nelle applicazioni AI. Carichi i documenti, li dividi in chunk, crei gli embedding, cerchi i frammenti rilevanti e generi una risposta con il contesto.
from langchain_openai import ChatOpenAI
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_classic.chains import RetrievalQA
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.document_loaders import TextLoader
# 1. LLM via Gonka
llm = ChatOpenAI(
base_url="https://gate.joingonka.ai/v1",
api_key="jg-your-key",
model="MiniMaxAI/MiniMax-M2.7",
streaming=True,
)
# 2. Load and index documents
loader = TextLoader("docs/my_document.txt")
docs = loader.load()
splitter = RecursiveCharacterTextSplitter(chunk_size=1000)
chunks = splitter.split_documents(docs)
# 3. Vector store (local, free)
embeddings = HuggingFaceEmbeddings()
vectorstore = FAISS.from_documents(chunks, embeddings)
# 4. RAG chain
qa = RetrievalQA.from_chain_type(
llm=llm,
retriever=vectorstore.as_retriever(),
)
# 5. Query
result = qa.invoke("What is this document about?")
print(result["result"])Costo: una singola richiesta di una pipeline RAG (retrieval + generation) usa circa 2-5K token LLM. Con Gonka sono $0.00001-0.000024. Con OpenAI — $0.005-0.05. La differenza è di 1.300 volte.
Per sistemi in produzione che gestiscono migliaia di richieste al giorno, il risparmio arriva a decine di migliaia di dollari al mese.
Esempio: agente AI con tool calling
LangChain ti permette di creare agenti dotati di strumenti (tools). I modelli della rete supportano il native tool calling — gli agenti funzionano in modo affidabile, senza dover analizzare le risposte testuali.
from langchain_openai import ChatOpenAI
from langchain_classic.agents import create_openai_tools_agent, AgentExecutor
from langchain.tools import tool
from langchain_core.prompts import ChatPromptTemplate
llm = ChatOpenAI(
base_url="https://gate.joingonka.ai/v1",
api_key="jg-your-key",
model="MiniMaxAI/MiniMax-M2.7",
)
@tool
def calculator(expression: str) -> str:
"""Evaluates a math expression."""
return str(eval(expression))
@tool
def search_web(query: str) -> str:
"""Searches the web for information."""
return f"Search results for: {query}"
prompt = ChatPromptTemplate.from_messages([
("system", "You are a helpful assistant."),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
])
agent = create_openai_tools_agent(llm, [calculator, search_web], prompt)
executor = AgentExecutor(agent=agent, tools=[calculator, search_web])
result = executor.invoke({"input": "What is 2**10 * 3.14?"})
print(result["output"])L'agente richiama calculator, ottiene il risultato e formula la risposta. L'intero ciclo costa ~$0.00005 tramite Gonka. Con OpenAI, $0.01-0.05. Per sistemi con migliaia di utenti, la differenza ammonta a decine di migliaia di dollari.
Vuoi saperne di più?
Esplora altre sezioni o inizia a guadagnare GNK subito.
Ottieni token gratuiti →