Quickstart

Starten Sie in wenigen Minuten mit den AI Foundation Services. Diese Anleitung führt Sie durch die Installation des SDK, die Einrichtung der Authentifizierung und Ihren ersten API-Aufruf.

Schritt 1: OpenAI-Paket installieren

AI Foundation Services verwendet eine OpenAI-kompatible API, sodass Sie die offiziellen OpenAI-SDKs nutzen können.

Python

pip install openai

Node.js

npm install openai

Schritt 2: API-Schlüssel erhalten

Kostenloser Test-Schlüssel

Starten Sie sofort mit einem kostenlosen Test-Schlüssel:

1. Besuchen Sie das API-Schlüssel-Portal
2. Erstellen Sie ein Konto und generieren Sie Ihren API-Schlüssel
3. Ihr Test-Schlüssel gibt Ihnen Zugang zu allen verfügbaren Modellen

Produktionsschlüssel

Für produktive Workloads kaufen Sie über den T-Cloud Marketplace.

Schritt 3: Umgebungsvariablen setzen

macOS / Linux

export OPENAI_API_KEY="your_api_key_here"
export OPENAI_BASE_URL="https://llm-server.llmhub.t-systems.net/v2"

Windows (PowerShell)

$env:OPENAI_API_KEY = "your_api_key_here"
$env:OPENAI_BASE_URL = "https://llm-server.llmhub.t-systems.net/v2"

Windows (CMD)

setx OPENAI_API_KEY "your_api_key_here"
setx OPENAI_BASE_URL "https://llm-server.llmhub.t-systems.net/v2"

Schritt 4: Ersten API-Aufruf durchführen

curl

curl -X POST "$OPENAI_BASE_URL/chat/completions" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Llama-3.3-70B-Instruct",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "What is quantum computing in simple terms?"}
    ],
    "temperature": 0.5,
    "max_tokens": 150
  }'

Python

from openai import OpenAI

client = OpenAI()  # Reads OPENAI_API_KEY and OPENAI_BASE_URL from env

response = client.chat.completions.create(
    model="Llama-3.3-70B-Instruct",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "What is quantum computing in simple terms?"},
    ],
    temperature=0.5,
    max_tokens=150,
)

print(response.choices[0].message.content)

Node.js

import OpenAI from "openai";

const client = new OpenAI(); // Reads OPENAI_API_KEY and OPENAI_BASE_URL from env

const response = await client.chat.completions.create({
  model: "Llama-3.3-70B-Instruct",
  messages: [
    { role: "system", content: "You are a helpful assistant." },
    { role: "user", content: "What is quantum computing in simple terms?" },
  ],
  temperature: 0.5,
  max_tokens: 150,
});

console.log(response.choices[0].message.content);

Weitere Beispiele

Embeddings erstellen

from openai import OpenAI

client = OpenAI()

texts = ["The quick brown fox jumps over the lazy dog", "Data science is fun!"]
result = client.embeddings.create(input=texts, model="jina-embeddings-v2-base-de")

print(f"Embedding dimension: {len(result.data[0].embedding)}")
print(f"Token usage: {result.usage}")

Vision / Multimodal

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
    model="Qwen3-VL-30B-A3B-Instruct-FP8",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "What's in this image?"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://images.unsplash.com/photo-1546069901-ba9599a7e63c?w=400"
                    },
                },
            ],
        }
    ],
    max_tokens=300,
)

print(response.choices[0].message.content)

Nächste Schritte

• Authentifizierung — API-Schlüssel-Verwaltung und Best Practices
• Verfügbare Modelle — Alle unterstützten Modelle durchsuchen
• Chat Completions — Detaillierte Anleitung mit Streaming, Parametern und mehr
• LangChain — AIFS mit LangChain für RAG verwenden
• Llama Index — AIFS mit LlamaIndex für RAG verwenden