LLM API for Developers：完全統合ガイド

このガイドでは、開発者がLLM APIを本番アプリケーションに統合するために必要なすべての事項（認証、ストリーミング、ツール使用、埋め込み、RAGパターン、コスト管理）を網羅しています。すべての例はOpenAI互換フォーマットを使用し、APIMaster.aiで動作します。

セットアップ

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_APIMASTER_KEY",
    base_url="https://apimaster.ai/v1",
)

コアパターン

1. 基本チャット補完

def ask(prompt: str, model: str = "claude-sonnet-4-6") -> str:
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
    )
    return response.choices[0].message.content

2. システムプロンプト + 会話

class Conversation:
    def __init__(self, system: str, model: str = "claude-sonnet-4-6"):
        self.model = model
        self.messages = [{"role": "system", "content": system}]
    
    def send(self, user_msg: str) -> str:
        self.messages.append({"role": "user", "content": user_msg})
        resp = client.chat.completions.create(
            model=self.model,
            messages=self.messages,
        )
        reply = resp.choices[0].message.content
        self.messages.append({"role": "assistant", "content": reply})
        return reply

bot = Conversation("あなたは熟練のPython開発者です。")
print(bot.send("GILとは何ですか？"))
print(bot.send("それを回避するにはどうすればよいですか？"))

3. ストリーミング

def stream(prompt: str, model: str = "gpt-5.4"):
    with client.chat.completions.stream(
        model=model,
        messages=[{"role": "user", "content": prompt}],
    ) as s:
        for text in s.text_stream:
            yield text

for chunk in stream("Pythonのasync/awaitについて説明してください"):
    print(chunk, end="", flush=True)

4. 構造化出力

from pydantic import BaseModel
from typing import List

class ExtractedData(BaseModel):
    entities: List[str]
    sentiment: str
    summary: str

import json

response = client.chat.completions.create(
    model="gpt-5.4",
    messages=[
        {"role": "system", "content": f"データを抽出し、このスキーマに一致するJSONを返してください：{ExtractedData.schema()}"},
        {"role": "user", "content": "Appleは記録的な収益を報告しました。CEOのTim Cook氏はそれを例外的だと述べました。"},
    ],
    response_format={"type": "json_object"},
)

data = ExtractedData(**json.loads(response.choices[0].message.content))
print(data.entities)    # ["Apple", "Tim Cook"]
print(data.sentiment)   # "positive"

5. ツール使用 / 関数呼び出し

import json

tools = [
    {
        "type": "function",
        "function": {
            "name": "execute_sql",
            "description": "読み取り専用のSQLクエリを実行する",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string"},
                    "database": {"type": "string", "enum": ["users", "orders", "products"]},
                },
                "required": ["query", "database"],
            },
        },
    }
]

def handle_tool_call(tool_name: str, args: dict) -> str:
    # 実装
    return json.dumps({"result": "モックデータ"})

def agent_loop(user_msg: str):
    messages = [{"role": "user", "content": user_msg}]
    
    while True:
        resp = client.chat.completions.create(
            model="gpt-5.4",
            messages=messages,
            tools=tools,
        )
        
        if resp.choices[0].finish_reason != "tool_calls":
            return resp.choices[0].message.content
        
        # ツール呼び出しを処理
        messages.append(resp.choices[0].message)
        for tc in resp.choices[0].message.tool_calls:
            result = handle_tool_call(tc.function.name, json.loads(tc.function.arguments))
            messages.append({"role": "tool", "tool_call_id": tc.id, "content": result})

6. 埋め込み

def embed(texts: list[str]) -> list[list[float]]:
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=texts,
    )
    return [item.embedding for item in response.data]

# 意味的類似性
import numpy as np

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

vecs = embed(["Pythonは素晴らしい", "私はPythonが大好き", "Javaは冗長だ"])
print(cosine_similarity(vecs[0], vecs[1]))  # 高い：~0.95
print(cosine_similarity(vecs[0], vecs[2]))  # 低い：~0.70

7. RAG（検索拡張生成）

from typing import List

def rag_query(user_question: str, knowledge_base: List[str]) -> str:
    # ステップ1：質問を埋め込む
    q_embedding = embed([user_question])[0]
    doc_embeddings = embed(knowledge_base)
    
    # ステップ2：最も関連性の高いドキュメントを見つける
    similarities = [cosine_similarity(q_embedding, d) for d in doc_embeddings]
    top_indices = sorted(range(len(similarities)), key=lambda i: similarities[i], reverse=True)[:3]
    context = "\n\n".join(knowledge_base[i] for i in top_indices)
    
    # ステップ3：コンテキストを使用して回答を生成
    response = client.chat.completions.create(
        model="claude-sonnet-4-6",
        messages=[
            {"role": "system", "content": f"このコンテキストのみを使用して回答してください：\n\n{context}"},
            {"role": "user", "content": user_question},
        ],
    )
    return response.choices[0].message.content

8. 高スループットのための非同期処理

import asyncio
from openai import AsyncOpenAI

async_client = AsyncOpenAI(
    api_key="YOUR_APIMASTER_KEY",
    base_url="https://apimaster.ai/v1",
)

async def process_batch(prompts: list[str]) -> list[str]:
    tasks = [
        async_client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": p}],
            max_tokens=100,
        )
        for p in prompts
    ]
    responses = await asyncio.gather(*tasks)
    return [r.choices[0].message.content for r in responses]

# 50個のプロンプトを同時に処理
results = asyncio.run(process_batch(my_prompts))

本番環境チェックリスト

• APIキーはソースコードではなく環境変数に保存する
• 429/500エラーに対する指数バックオフ付きリトライロジック
• コスト暴走を防ぐためにmax_tokensを設定する
• ユーザー向け応答が2秒を超える場合はストリーミングを使用する
• コスト追跡のためにトークン数を含むリクエストログ
• プロバイダーの制限内に収めるためのレートリミッター

適切なモデルの選択

ユースケース	モデル	コスト層
プロトタイピング	deepseek-v4-flash または gpt-4o-mini	非常に低い
本番チャットボット	claude-haiku-4-5	低い
コードアシスタント	deepseek-v4-flash または claude-sonnet-4-6	低～中
複雑な分析	claude-sonnet-4-6	中
研究/推論	claude-opus-4-8 または o3	高い

よくある質問

LLM APIとは何ですか？ LLM APIは、コードがテキストプロンプトを送信し、AI生成の応答を受け取ることを可能にするHTTPインターフェースです。messages配列を送信すると、APIが補完結果を返します。ほとんどのAPIはOpenAI Chat Completionsフォーマットを使用しています。

LLM APIプロバイダーはどのように選べばよいですか？ モデルの能力（ベンチマーク）、トークンあたりのコスト、レイテンシー、信頼性を考慮してください。ほとんどのユースケースでは、DeepSeek V4 Flash（低コストコーディング）、Claude Sonnet（文章作成/分析）、またはGPT-4o（マルチモーダル）が一般的なパスをカバーします。APIMasterを使用すると、1行でプロバイダーを切り替えることができます。

OpenAI互換APIとは何ですか？ OpenAIと同じ/v1/chat/completionsフォーマットを実装するエンドポイントであり、openai PythonライブラリやOpenAI互換ツールを非OpenAIモデルでも使用できるようにするものです。

本番環境でLLM APIエラーをどのように処理すればよいですか？ RateLimitError（バックオフ付きリトライ）、APIConnectionError（リトライ）、InvalidRequestError（プロンプト修正）をキャッチします。本番環境の回復力のために、タイムアウトとサーキットブレーカーを使用してください。

複数のLLMプロバイダーに1つのAPIキーを使用できますか？ はい。APIMasterはGPT、Claude、DeepSeek、Gemini用の単一のキーとエンドポイントを提供します。modelパラメータを変更するだけでモデルを切り替えられます。プロバイダー固有のキーやSDKは必要ありません。

LLM APIアクセスを取得 → · モデルを比較 →