Сценарии использования

Практические примеры того, для каких задач подходит MegaAPI.ru. Один API-ключ — решения для чат-ботов, разработки кода, переводов, AI-агентов и многого другого.

Чат-боты и виртуальные ассистенты

Подключите любую модель для создания умного бота в Telegram, WhatsApp или на сайте. Храните историю диалога в массиве messages, передавая его целиком при каждом запросе.

from openai import OpenAI

client = OpenAI(api_key="sk-nexus-...", base_url="https://megaapi.ru/v1")

history = [{"role": "system", "content": "Ты — вежливый помощник службы поддержки."}]

def chat(user_message: str) -> str:
    history.append({"role": "user", "content": user_message})
    response = client.chat.completions.create(
        model="gpt-5-mini",
        messages=history,
    )
    reply = response.choices[0].message.content
    history.append({"role": "assistant", "content": reply})
    return reply

print(chat("Как проверить баланс?"))

Рекомендуемые модели: gpt-5-mini (экономно), claude-sonnet-4.6 (лучшее качество), gemini-3.1-flash (быстро и дёшево).

Помощь при разработке кода

Для IDE-интеграций (Cursor, Cline, Claude Code) достаточно заменить base_url — см. раздел интеграций. Для прямого использования в коде:

response = client.chat.completions.create(
    model="claude-opus-4.7",
    messages=[
        {"role": "system", "content": "Ты — опытный Python-разработчик. Отвечай кратко и по делу."},
        {"role": "user", "content": "Напиши функцию для парсинга JSON с обработкой ошибок"},
    ],
    temperature=0.2,
)
print(response.choices[0].message.content)

Рекомендуемые модели: claude-opus-4.7 (агентный код, SWE-bench лидер), grok-code-fast-1 (дёшево для кода), deepseek-v4-pro (отличное соотношение цена/качество).

Перевод текстов

LLM-перевод превосходит Google Translate для профессиональных и технических текстов. Для браузерных расширений (Immersive Translate, Bob) настройте base_url в их настройках — инструкция в интеграциях.

text_to_translate = "Quantum entanglement enables faster-than-light communication."

response = client.chat.completions.create(
    model="gpt-5-mini",
    messages=[
        {"role": "system", "content": "Переводи с английского на русский. Только перевод, без пояснений."},
        {"role": "user", "content": text_to_translate},
    ],
)
print(response.choices[0].message.content)

Рекомендуемые модели: gpt-5-mini (дёшево, быстро), deepseek-v4-flash (самый дешёвый вариант), claude-haiku-4.5 (хорошее качество за разумные деньги).

RAG и работа с документами

Используйте embeddings для семантического поиска по базе знаний, затем передавайте найденные фрагменты в LLM для генерации ответа.

from openai import OpenAI
import numpy as np

client = OpenAI(api_key="sk-nexus-...", base_url="https://megaapi.ru/v1")

def get_embedding(text: str) -> list[float]:
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text,
    )
    return response.data[0].embedding

def cosine_similarity(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

# Проиндексируйте вашу базу знаний заранее
# При запросе: найдите топ-K фрагментов, передайте в LLM
query = "Как отменить подписку?"
query_emb = get_embedding(query)
# ... поиск по индексу, затем chat.completions.create с контекстом

Рекомендуемые модели для embeddings: text-embedding-3-small (оптимально), text-embedding-3-large (лучшая точность), bge-m3 (мультиязычный open-source).

AI-агенты и автоматизация

Function calling (tool use) позволяет модели вызывать внешние инструменты — базы данных, API, файловую систему. Поддерживается всеми основными моделями.

import json

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "Получить текущую погоду по городу",
        "parameters": {
            "type": "object",
            "properties": {"city": {"type": "string", "description": "Название города"}},
            "required": ["city"],
        },
    },
}]

response = client.chat.completions.create(
    model="gpt-5",
    messages=[{"role": "user", "content": "Какая погода в Москве?"}],
    tools=tools,
    tool_choice="auto",
)

if response.choices[0].message.tool_calls:
    call = response.choices[0].message.tool_calls[0]
    args = json.loads(call.function.arguments)
    # Вызвать реальный weather API с args["city"]
    ...

Рекомендуемые модели для агентов: claude-opus-4.7 (лидер по SWE-bench, надёжный tool use), gpt-5 (мощные reasoning + tool use), kimi-k2.6 (дёшево, хорошо для агентных задач).

Анализ изображений

Передайте URL картинки или base64 в поле image_url — модель опишет, классифицирует или извлечёт текст из изображения.

response = client.chat.completions.create(
    model="gpt-5",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "Что изображено на картинке? Перечисли всё важное."},
            {"type": "image_url", "image_url": {"url": "https://example.com/photo.jpg"}},
        ],
    }],
)
print(response.choices[0].message.content)

Рекомендуемые модели: gpt-5.4 (нативный computer use), gemini-2.5-pro (2M контекст, сильная мультимодальность), claude-sonnet-4.6 (документы и таблицы).

Речь: STT и TTS

Распознавание речи (Whisper) и синтез (TTS) работают через те же эндпоинты OpenAI.

# Speech-to-Text
with open("audio.mp3", "rb") as f:
    transcript = client.audio.transcriptions.create(
        model="whisper-large-v3",
        file=f,
        language="ru",
    )
print(transcript.text)

# Text-to-Speech
speech = client.audio.speech.create(
    model="tts-1-hd",
    voice="nova",
    input="Привет! Это тест синтеза речи.",
)
speech.stream_to_file("output.mp3")

STT: whisper-large-v3 (лучшее качество), whisper-large-v3-turbo (×8 быстрее). TTS: tts-1 (стандарт), tts-1-hd (HD).