Zum Hauptinhalt springen

Modellauswahl

Die Wahl des richtigen Modells kann Kosten und Qualität erheblich beeinflussen.

Aufgabenbasierte Empfehlungen

AufgabeEmpfohlene ModelleBegründung
Einfache Fragen & Antwortengpt-5-mini, gemini-2.5-flashSchnell, günstig, ausreichend gut
Komplexes Schlussfolgerngpt-5.4, claude-opus-4-6, deepseek-r1Bessere Logik und Planung
Programmierungclaude-sonnet-4-6, gpt-4o, deepseek-v3.2Für Code optimiert
Kreatives Schreibenclaude-sonnet-4-6, gpt-4oBessere Prosaqualität
Vision/Bildergpt-4o, claude-sonnet-4-6, gemini-2.5-flashNative Vision-Unterstützung
Langer Kontextgemini-2.5-pro, claude-sonnet-4-61M+ token-Fenster
Kostensensitivgpt-5-mini, gemini-2.5-flash, deepseek-v3.2Bestes Preis-Leistungs-Verhältnis

Kostenstufen

$$$$ Premium: gpt-5.4, claude-opus-4-6
$$$  Standard: claude-sonnet-4-6, gpt-4o
$$   Budget:   gpt-5-mini, gemini-2.5-flash
$    Economy:  deepseek-v3.2, deepseek-r1

Kostenoptimierung

1. Zuerst kleinere Modelle verwenden

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. max_tokens festlegen

Legen Sie immer ein sinnvolles Limit für max_tokens fest:
# ❌ 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. Prompts optimieren

# ❌ 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. Caching aktivieren

Nutzen Sie 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. Ähnliche Anfragen bündeln

# ❌ 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}"}]
)

Performance-Optimierung

1. Streaming für UX verwenden

Streaming verbessert die wahrgenommene Performance:
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. Schnelle Modelle für interaktive Nutzung wählen

AnwendungsfallEmpfohlenLatenz
Chat-UIgpt-5-mini, gemini-2.5-flash~200ms bis zum ersten token
Tab-Vervollständigungclaude-haiku-4-5~150ms bis zum ersten token
Hintergrundverarbeitunggpt-4o, claude-sonnet-4-6~500ms bis zum ersten token

3. Timeouts festlegen

client = OpenAI(
    api_key="sk-your-key",
    base_url="https://api.lemondata.cc/v1",
    timeout=60.0  # 60 second timeout
)

Zuverlässigkeit

1. Retries implementieren

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. Fehler robust behandeln

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. Fallback-Modelle verwenden

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")

Sicherheit

1. API-Keys schützen

# ❌ Never hardcode keys
client = OpenAI(api_key="sk-abc123...")

# ✅ Use environment variables
import os
client = OpenAI(api_key=os.environ["LEMONDATA_API_KEY"])

2. Benutzereingaben validieren

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. Limits für API-Keys festlegen

Erstellen Sie separate API-Keys mit Ausgabenlimits für:
  • Entwicklung/Tests
  • Produktion
  • Verschiedene Anwendungen

Monitoring

1. Nutzung nachverfolgen

Prüfen Sie regelmäßig Ihr Dashboard auf:
  • token-Nutzung nach Modell
  • Kostenaufschlüsselung
  • Cache-Trefferraten
  • Fehlerraten

2. Wichtige Metriken protokollieren

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,
})

3. Alerts einrichten

Konfigurieren Sie Warnungen bei niedrigem Guthaben in Ihrem Dashboard, um Service-Unterbrechungen zu vermeiden.

Checkliste

  • Für jede Aufgabe das passende Modell verwenden
  • max_tokens-Limits festlegen
  • Prompts sind prägnant
  • Caching aktiviert, wo sinnvoll
  • Ähnliche Anfragen bündeln
  • Streaming für interaktive UX
  • Schnelle Modelle für Echtzeitnutzung
  • Timeouts konfiguriert
  • Retry-Logik implementiert
  • Fehlerbehandlung vorhanden
  • Fallback-Modelle konfiguriert
  • API-Keys in Umgebungsvariablen
  • Eingabevalidierung
  • Separate Keys für Dev/Prod
  • Ausgabenlimits festgelegt