۱۰۰ هزار تومان هدیهٔ ثبت‌نام، تا ۱ میلیونبا ثبت‌نام گردونهٔ هدیه را بچرخان: دست‌کم ۱۰۰٬۰۰۰ تومان و تا ۱٬۰۰۰٬۰۰۰ تومان اعتبار هدیه، بدون کارت بانکیگردونهٔ هدیه۱ میلیون برای تو، ۱ میلیون برای دوستتدوستانت را دعوت کن: برای هر دوستی که فعال شود ۱٬۰۰۰٬۰۰۰ تومان اعتبار هدیه می‌گیری و خودش هم ۱٬۰۰۰٬۰۰۰ تومانجوایز
1xAi
مقاله

چت فارسی با API: راهنمای ساخت چت‌بات فروش در ۲۰۲۶

چت فارسی با API یعنی یک بک‌اند کوچک با تابع reply() که پیام کاربر را با یک کلید OpenAI-سازگار از 1xAi به مدل می‌فرستد و پاسخ فارسی را برمی‌گرداند.

  • منتشر: ۲۴ آبان ۱۴۰۵
  • بروزرسانی: ۱ آذر ۱۴۰۵
  • ۱۲ دقیقه مطالعه
  • چت
  • فارسی

تیمِ فنیِ 1xAi گیت‌وی را می‌سازد و می‌گرداند — همان‌هایی که هر روز با APIهای OpenAI‏، Anthropic‏، Google و DeepSeek از داخلِ ایران کار می‌کنند. آنچه اینجا می‌خوانی از همان کارِ روزمره درآمده، نه از بازنویسیِ مستنداتِ انگلیسی.

چت فارسی با API: راهنمای ساخت چت‌بات فروش در ۲۰۲۶

در این مقاله (۲۴)

چت فارسی با API یعنی یک بک‌اند کوچک با تابع reply() که پیام کاربر را با یک کلید OpenAI-سازگار از 1xAi به مدل می‌فرستد و پاسخ فارسی را برمی‌گرداند. همین تابع را می‌شود پشت ویجت وب یا ربات تلگرام گذاشت. در عمل، کیفیت فروش چت‌بات معمولاً بیشتر به پرامپت و سقف هزینه بستگی دارد تا به انتخاب مدل.

ما در 1xAi این سرویس را اداره می‌کنیم. قیمت‌های زیر از صفحهٔ زندهٔ مدل‌های 1xAi است و نمونه‌کدها را خودمان به‌عنوان الگوی آموزشی نوشته‌ایم. این نمونه‌ها تک‌پیامی‌اند و نشست، تاریخچهٔ گفتگو، تلگرام، خلاصه‌سازی و سقف هزینه را پیاده نمی‌کنند. پرداخت تومانی و پیش‌پرداخت از طریق ZarinPal است، بدون VPN و کارت ارزی.

۱. «چت فارسی» با API یعنی چه و بک‌اند مشترک چه شکلی دارد؟

«چت جی پی تی فارسی» (که بعضی‌ها «چت جی بی تی فارسی» می‌نویسند) یعنی گفت‌وگو به فارسی با یک سرویس یا مدل هوش مصنوعی، نه نام یک مدل مشخص. در پروژهٔ شما این گفت‌وگو از بک‌اند فراخوانی می‌شود. مشتری مستقیم با مدل حرف نمی‌زند. او با صفحهٔ وب یا ربات شما چت می‌کند و بک‌اند شما پیام را به مدل می‌رساند.

ما در 1xAi گیت‌وی سازگار با OpenAI را اداره می‌کنیم. معماری زیر یک الگوی آموزشی پیشنهادی است که می‌توان روی همین گیت‌وی ساخت. برای چت فارسی با هوش مصنوعی در چند کانال، یک بک‌اند مشترک معمولاً کافی است:

مرورگر / تلگرام ← بک‌اند (نشست + پرامپت + سقف هزینه) ← https://1xai.ir/v1

بک‌اند در این الگو سه کار را برعهده دارد:

  • نشست: تاریخچهٔ گفتگوی هر مشتری را نگه می‌دارد تا مدل در هر پیام از صفر شروع نکند.
  • پرامپت: دستور سیستمی فارسی را اضافه می‌کند، یعنی لحن، دامنهٔ پاسخ و اطلاعات محصولات شما.
  • سقف هزینه: تعداد پیام یا توکن هر مشتری را محدود می‌کند تا یک کاربر پرمصرف کل اعتبار را مصرف نکند.

طبق یک اصل عمومی امنیت، کلید API فقط روی سرور می‌ماند و هرگز به JS مرورگر نمی‌رسد. هر کلیدی که در کد سمت کاربر باشد برای همهٔ بازدیدکننده‌ها قابل خواندن است و با آن می‌توانند به حساب شما هزینه بسازند.

پرداخت پیش‌پرداخت و تومانی است و از طریق ZarinPal انجام می‌شود. برای این کار VPN یا کارت ارزی لازم نیست.

این مقاله فقط روی تجربهٔ فروش و ساختار چندکاناله تمرکز دارد، یعنی یک مغز مشترک برای وب و تلگرام. نمونه‌کدهای اجرایی این مقاله ساده‌اند و همهٔ قابلیت‌های بالا را پیاده نمی‌کنند. مباحث عمومی LangChain را تکرار نمی‌کنیم. کد کامل ربات تلگرام را هم در راهنمای ساخت ربات پشتیبانی مشتری با پایتون و مدل 1xAi نوشته‌ایم.

۲. ویجت چت وب با استریم پاسخ چطور ساخته می‌شود؟

ویجت از دو فایل ساخته می‌شود: بک‌اند FastAPI که تکه‌های پاسخ را با StreamingResponse پس می‌دهد و صفحهٔ HTML که آن‌ها را با fetch می‌خواند. این یک الگوی آموزشی پیشنهادی است که روی اندپوینت سازگار با OpenAI در 1xAi نوشته شده است.

نمونه تک‌پیامی است: هر درخواست مستقل ارسال می‌شود و شناسهٔ نشست، تاریخچهٔ گفتگو، خلاصه‌سازی، اتصال به تلگرام و سقف هزینه در آن پیاده نشده است.

بک‌اند

به پایتون ۳٫۱۰ یا بالاتر نیاز دارید. نصب:

pip install fastapi uvicorn openai

کلید را از پنل بگیرید و فایل main.py را بسازید:

import os
from fastapi import FastAPI
from fastapi.responses import FileResponse, StreamingResponse
from openai import OpenAI
from pydantic import BaseModel

client = OpenAI(api_key=os.environ["ONEXAI_API_KEY"], base_url="https://1xai.ir/v1")
app = FastAPI()

class ChatIn(BaseModel):
    message: str

@app.get("/")
def index():
    return FileResponse("index.html")

@app.post("/chat")
def chat(body: ChatIn):
    def token_stream():
        stream = client.chat.completions.create(
            model="gpt-4.1",
            messages=[
                {"role": "system", "content": "به فارسی روان و کوتاه پاسخ بده."},
                {"role": "user", "content": body.message},
            ],
            stream=True,
        )
        for chunk in stream:
            if chunk.choices and chunk.choices[0].delta.content:
                yield chunk.choices[0].delta.content
    return StreamingResponse(token_stream(), media_type="text/plain; charset=utf-8")

اجرا: export ONEXAI_API_KEY=کلید_شما و بعد، از همان پوشه‌ای که main.py و index.html در آن هستند، uvicorn main:app --reload. نام مدل‌های دیگر در فهرست مدل‌های 1xAi هست و فقط مقدار model عوض می‌شود.

فرانت راست‌به‌چپ

این را کنار main.py با نام index.html ذخیره کنید:

<!doctype html>
<html lang="fa" dir="rtl">
<head><meta charset="utf-8"><title>چت فارسی</title>
<style>
body{font-family:Tahoma,sans-serif;max-width:560px;margin:2rem auto}
.bubble{background:#eef;padding:.6rem 1rem;border-radius:12px;margin:.5rem 0;white-space:pre-wrap}
</style></head>
<body>
<div id="log"></div>
<form id="f"><input id="q" placeholder="پیامتان را بنویسید" autocomplete="off"><button>ارسال</button></form>
<script>
const log = document.getElementById("log");
document.getElementById("f").onsubmit = async (e) => {
  e.preventDefault();
  const q = document.getElementById("q");
  const text = q.value.trim(); if (!text) return; q.value = "";
  const mine = Object.assign(document.createElement("div"), {className: "bubble", textContent: text});
  const bot = Object.assign(document.createElement("div"), {className: "bubble"});
  log.append(mine, bot);
  const res = await fetch("/chat", {method: "POST", headers: {"Content-Type": "application/json"}, body: JSON.stringify({message: text})});
  const reader = res.body.getReader(), dec = new TextDecoder();
  while (true) {
    const {done, value} = await reader.read(); if (done) break;
    bot.textContent += dec.decode(value, {stream: true});
  }
};
</script></body></html>

صفحه را در http://127.0.0.1:8000 باز کنید. باید ببینید متن پاسخ تکه‌تکه داخل حباب دوم اضافه می‌شود، نه یک‌جا. dir="rtl" چیدمان را درست می‌کند و گزینهٔ stream: true در TextDecoder به کاهش خطای شکستن کاراکترهای فارسی بین دو تکه کمک می‌کند.

تست سریع با curl

پیش از نوشتن فرانت، اندپوینت را مستقیم امتحان کنید:

curl -N https://1xai.ir/v1/chat/completions \
  -H "Authorization: Bearer $ONEXAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"gpt-4.1","messages":[{"role":"user","content":"سلام، یک جمله فارسی بگو"}],"stream":true}'

خروجی مورد انتظار چند خط data: {...} است که هر کدام تکه‌ای از پاسخ را در delta دارند و آخرین خط data: [DONE] است. برای افزودن حافظهٔ گفتگو و مدیریت خطا، راهنمای چت‌بات فارسی ۲۰۲۶ با API OpenAI و Claude را ببینید.

۳. پرامپت سیستمی فارسی برای لحن فروش و پشتیبانی چه باید داشته باشد؟

پرامپت سیستمی فروش و پشتیبانی به پنج بخش نیاز دارد: نقش و لحن، دانش مجاز، ممنوعیت ساختن قیمت و موجودی، سؤال روشن‌کننده و ارجاع به انسان. قالب زیر را با اطلاعات کسب‌وکار خودتان پر کنید.

۱. نقش و لحن
تو دستیار فروش و پشتیبانی [نام کسب‌وکار] هستی. محترمانه، کوتاه و
محاوره‌ای مؤدب بنویس؛ هر پاسخ حداکثر سه جمله.

۲. دانش مجاز
فقط از کاتالوگ و سیاست‌های زیر استفاده کن:
[کاتالوگ و سیاست‌ها: از دیتابیس تزریق می‌شود]

۳. قیمت و موجودی
قیمت، موجودی، زمان ارسال و تخفیف را از خودت نساز. اگر در متن بالا
نیست بگو «این مورد را برایتان پیگیری می‌کنم» و به انسان ارجاع بده.

۴. سؤال روشن‌کننده
اگر نیاز مشتری روشن نیست، در هر نوبت فقط یک سؤال بپرس.

۵. ارجاع به انسان
برای شکایت، بازپرداخت یا درخواست صحبت با انسان، شمارهٔ تماس مشتری
را بگیر و گفتگو را به همکار بسپار.

بخش ۲ هر بار از دیتابیس شما پر می‌شود و به حافظهٔ مدل تکیه ندارد. این متن یک راهنمای عمومی است و تعریف محصول و سیاست مرجوعی باید از منبع خودتان بیاید. اگر هنوز نمی‌دانید چنین باتی با باتِ قاعده‌محور چه فرقی دارد، چت بات چیست؟ راهنمای کامل انواع و کاربردها ۱۴۰۵ این تمایز را توضیح می‌دهد.

بخش «تبدیل به خرید»

یک بند جدا به پرامپت اضافه کنید که چهار کار را به ترتیب مشخص کند:

  • شناسایی نیاز: پیش از معرفی محصول، یک سؤال دربارهٔ کاربرد یا بودجه بپرسد.
  • پیشنهاد یک گزینه: فقط یک مدل از کاتالوگ را با یک دلیل کوتاه معرفی کند، نه فهرست بلند.
  • گام بعدی روشن: پیام با لینک سفارش یا درخواست ثبت شمارهٔ تماس تمام شود.
  • اعتراض‌ها: برای «گران است» فقط ویژگی‌های ثبت‌شده در کاتالوگ را بگوید. برای «مطمئن نیستم» سیاست مرجوعی را از همان متن تزریق‌شده نقل کند، و اگر در متن نبود، به انسان ارجاع بدهد.

دو نمونه گفتگو (فرضی)

نمونهٔ ضعیف

  • مشتری: «کفش ورزشی سایز ۴۲ دارید؟»
  • بات: «بله، موجوده! با تخفیف ویژه، فردا هم می‌رسد.»

بات موجودی، تخفیف و زمان ارسال را از خودش ساخته است. جملهٔ بخش ۳ («قیمت، موجودی، زمان ارسال و تخفیف را از خودت نساز») به کاهش این خطا کمک می‌کند.

نمونهٔ خوب

  • مشتری: «کفش ورزشی سایز ۴۲ دارید؟»
  • بات: «سلام، وقتتان بخیر. برای دویدن می‌خواهید یا استفادهٔ روزمره؟»
  • مشتری: «دویدن.»
  • بات: «طبق کاتالوگ ما، [مدل ثبت‌شده] برای دویدن مناسب است و سایز ۴۲ آن موجود است. اگر بخواهید، لینک سفارشش را بفرستم؟»

سؤال تکی در ابتدا از بخش ۴ می‌آید، و پیشنهاد یک مدل و پایان با گام بعدی از بخش «تبدیل به خرید». موجودی هم از متنی خوانده شده که از دیتابیس تزریق شده است.

این قالب فقط خطای ساختگی را کم می‌کند و دربارهٔ نرخ تبدیل یا نتیجهٔ فروش وعده‌ای نمی‌دهد. اثر واقعی را فقط روی گفتگوهای خودتان می‌توانید بسنجید.

۴. نشست، تاریخچه و سقف هزینه را چطور مدیریت کنیم؟

در الگوی پیشنهادی ما، یک کلید نشست مشترک برای وب و تلگرام، نگه‌داشتن چند پیام آخر به‌علاوهٔ خلاصهٔ قدیمی‌ترها و سقف روزانهٔ توکن به قابل‌پیش‌بینی‌تر شدن هزینهٔ چت‌بات کمک می‌کند. کد این بخش فقط کلید نشست و ذخیره و بازخوانی چند پیام آخر را نشان می‌دهد. خلاصه‌سازی و سقف روزانه در ادامه فقط توضیح داده شده‌اند و در کد پیاده نشده‌اند.

کلید نشست و ذخیره‌سازی

پیشنهاد می‌کنیم کلید را از کانال و شناسهٔ کاربر بسازید: web:{uuid} برای سایت و tg:{chat_id} برای تلگرام. به این ترتیب بقیهٔ بک‌اند فقط با همین رشته کار می‌کند و به کانال کاری ندارد. Redis برای ترافیک بالا مناسب است و SQLite برای پروژهٔ کوچک با یک سرور کافی است.

نمونهٔ زیر فرض می‌کند بستهٔ redis نصب است و یک سرور Redis محلی روی درگاه پیش‌فرض اجرا می‌شود. این نمونه خلاصه‌سازی و سقف هزینه ندارد و فقط ذخیره و بازخوانی تاریخچه را نشان می‌دهد.

import json
import redis

r = redis.Redis(decode_responses=True)
N = 12  # تعداد پیام آخر

def load(key):
    summary = r.get(key + ":summary") or ""
    msgs = [json.loads(m) for m in r.lrange(key, -N, -1)]
    return summary, msgs

def save(key, role, content):
    r.rpush(key, json.dumps({"role": role, "content": content}, ensure_ascii=False))
    r.expire(key, 60 * 60 * 24 * 30)

کوتاه‌سازی تاریخچه

پیشنهاد این است که فقط N پیام آخر را همراه خلاصه بفرستید. وقتی لیست از حد گذشت، پیام‌های قدیمی را با یک مدل ارزان خلاصه کنید و نتیجه را در key:summary بگذارید؛ کد بالا فقط خواندن این کلید را دارد و مرحلهٔ ساخت خلاصه را باید خودتان اضافه کنید. max_tokens را هم در هر درخواست تنظیم کنید تا طول پاسخ سقف داشته باشد.

فرمول هزینه و سقف روزانه

هزینهٔ هر درخواست از این فرمول به‌دست می‌آید:

هزینه = (توکن ورودی ÷ ۱٬۰۰۰٬۰۰۰ × قیمت ورودی) + (توکن خروجی ÷ ۱٬۰۰۰٬۰۰۰ × قیمت خروجی)

قیمت‌ها از جدول زیر می‌آیند و با نرخ بازار هر صبح هماهنگ می‌شوند. برای سقف روزانه پیشنهاد می‌کنیم برای هر نشست و برای کل بک‌اند یک شمارندهٔ روزانه در Redis نگه دارید و بالاتر از سقف، پاسخ را رد کنید. این بخش هم در نمونه‌کد بالا نیامده است.

مدل نقش پیشنهادی در چت‌بات مارک‌آپ ورودی (هر ۱M توکن) خروجی (هر ۱M توکن)
deepseek-chat پاسخ‌های پرحجم و خلاصه‌سازی تاریخچه ۲۰٪ ۹۸٬۰۲۸ تومان ۳۹۲٬۱۱۲ تومان
gpt-5-mini مدل پیش‌فرض گفتگو ۲۰٪ ۸۱٬۶۹۰ تومان ۶۵۳٬۵۲۰ تومان
gemini-3.5-flash پاسخ سریع در تلگرام ۲۰٪ ۴۹۰٬۱۴۰ تومان ۲٬۹۴۰٬۸۴۰ تومان
gpt-4.1 پرسش‌های پیچیده‌تر ۲۰٪ ۶۵۳٬۵۲۰ تومان ۲٬۶۱۴٬۰۸۰ تومان

نقش‌ها پیشنهاد ماست و بر اساس نیاز خودتان قابل تغییر است. مارک‌آپ مدل‌های دیگر ۱۵ تا ۳۰٪ است و قیمت مرجع همیشه صفحهٔ مدل‌ها است.

usage یا تخمین

اگر در پاسخ استریم، بخش usage برگشت، همان را برای شمارنده به کار ببرید. پیش از اتکا به آن، با یک درخواست استریم آزمایشی مطمئن شوید که usage در پایان استریم می‌رسد. اگر نرسید، توکن را از طول متن تخمین بزنید و سقف را کمی محافظه‌کارانه بگیرید.

کش پرامپت

پرامپت سیستمی ثابت و بلند، کاندیدای ورودی کش‌شده است، چون در همهٔ درخواست‌ها یکسان تکرار می‌شود. صفحهٔ مدل‌ها برای این چهار مدل قیمت ورودی کش‌شده هم نشان می‌دهد. میزان صرفه‌جویی واقعی را باید روی ترافیک خودتان بسنجید.

۵. ربات تلگرام را چطور روی همان بک‌اند سوار کنیم و قبل از انتشار چه چیزهایی را چک کنیم؟

یک تابع مشترک reply(session_id, text) بنویسید و هم endpoint وب و هم هندلر تلگرام فقط همان را صدا بزنند؛ منطق مدل در یک جا می‌ماند.

هستهٔ مشترک و endpoint وب

# core.py  |  pip install openai
import os
from collections import defaultdict
from openai import OpenAI

client = OpenAI(base_url="https://1xai.ir/v1", api_key=os.environ["ONEXAI_API_KEY"])
SYSTEM = "تو دستیار پشتیبانی فروشگاه هستی. کوتاه و به فارسی روان پاسخ بده."
history = defaultdict(list)  # فقط برای نمونه؛ در تولید از دیتابیس استفاده کنید

def reply(session_id: str, text: str) -> str:
    msgs = history[session_id]
    msgs.append({"role": "user", "content": text})
    r = client.chat.completions.create(
        model="gpt-5-mini",  # هر نام از https://1xai.ir/models
        messages=[{"role": "system", "content": SYSTEM}] + msgs[-10:],
    )
    answer = r.choices[0].message.content
    msgs.append({"role": "assistant", "content": answer})
    return answer
# web.py  |  pip install fastapi uvicorn   (اجرا: uvicorn web:app)
from fastapi import FastAPI
from pydantic import BaseModel
from core import reply

app = FastAPI()

class Msg(BaseModel):
    session_id: str
    text: str

@app.post("/chat")
def chat(m: Msg):
    return {"reply": reply("web:" + m.session_id, m.text)}

هندلر تلگرام (polling)

# bot.py  |  pip install "python-telegram-bot>=21"
import os, asyncio
from telegram import Update
from telegram.ext import ApplicationBuilder, MessageHandler, ContextTypes, filters
from core import reply

async def on_message(update: Update, context: ContextTypes.DEFAULT_TYPE):
    sid = f"tg:{update.effective_chat.id}"
    text = await asyncio.to_thread(reply, sid, update.message.text)
    await update.message.reply_text(text)

app = ApplicationBuilder().token(os.environ["TELEGRAM_TOKEN"]).build()
app.add_handler(MessageHandler(filters.TEXT & ~filters.COMMAND, on_message))
app.run_polling()

در polling سرور خودش از تلگرام پیام می‌گیرد و در Webhook تلگرام به آدرس HTTPS شما پیام می‌فرستد. در هر دو حالت پاسخ از سرور شما به api.telegram.org می‌رود، پس سرور باید به API تلگرام دسترسی داشته باشد.

پیشوند web: و tg: عمداً جداست. برای مشتری یک گفتگوی پیوسته نمی‌سازیم و هویت تلگرام و وب را بدون ورود کاربر یکی نمی‌کنیم، چون هیچ چیزی ثابت نمی‌کند این دو یک نفرند. طراحی کامل پشتیبانی را در راهنمای چت با مشتری با API: ساخت پشتیبانی هوشمند دنبال کنید.

چک‌لیست قبل از انتشار

  • کلید API فقط در متغیر محیطی سمت سرور باشد، نه در جاوااسکریپت صفحه.
  • برای هر IP و هر کاربر نرخ‌محدودسازی بگذارید.
  • مکالمه‌های ناموفق (خطا، timeout، پاسخ خالی) را لاگ کنید.
  • مسیر انتقال به انسان داشته باشید، مثلاً شمارهٔ تماس یا ایمیل در پاسخ.
  • هر هفته پاسخ‌های اشتباه را مرور کنید و SYSTEM را اصلاح کنید.

اگر تیم شما نمی‌خواهد خودش این را بسازد، سفارش چت‌بات، اتصال وب یا تلگرام و اتوماسیون از صفحهٔ تماس 1xAi شروع می‌شود.

پژوهش و نگارش: CodeNest

سوالات متداول

هزینه deepseek-chat برای چت‌بات فروش با 1xAi چقدر است؟

مدل deepseek-chat در 1xAi طبق قیمت زندهٔ ۱۴۰۵/۰۸/۲۴ (۲۰۲۶-۱۱-۱۵) هر یک میلیون توکن ورودی را ۹۸٬۰۲۸ تومان و هر یک میلیون توکن خروجی را ۳۹۲٬۱۱۲ تومان حساب می‌کند. این مبلغ‌ها با ۲۰٪ کارمزد و نرخ ۲۷۲٬۳۰۰ تومان برای هر دلار محاسبه شده‌اند.

قیمت gemini-3.5-flash از طریق 1xAi چقدر است؟

مدل gemini-3.5-flash در 1xAi هر یک میلیون توکن ورودی را ۴۹۰٬۱۴۰ تومان و هر یک میلیون توکن خروجی را ۲٬۹۴۰٬۸۴۰ تومان حساب می‌کند. قیمت رسمی آن ۱٫۵ دلار ورودی و ۹ دلار خروجی است. توکن ورودی کش‌شده (کش پرامپت) قیمت جدا دارد؛ قیمت رسمی آن ۰٫۱۵ دلار برای هر یک میلیون توکن است و مبلغ تومانی روز آن را در صفحهٔ مدل‌ها می‌بینید. این اعداد در تاریخ ۲۰۲۶-۱۱-۱۵ تأیید شده‌اند.

کلید API را برای ویجت وب و ربات تلگرام کجا نگه دارم؟

کلید API فقط باید روی بک‌اند بماند و هرگز در جاوااسکریپت مرورگر قرار نگیرد. ویجت وب و ربات تلگرام هر دو به همان بک‌اند درخواست می‌دهند. بک‌اند با SDK رسمی openai و base_url="https://1xai.ir/v1" به مدل وصل می‌شود.

برای پرداخت و اتصال به 1xAi VPN یا کارت ارزی لازم است؟

خیر، برای استفاده از 1xAi نه VPN لازم است و نه کارت ارزی. شارژ حساب به‌صورت پیش‌پرداخت تومانی و از طریق ZarinPal انجام می‌شود. هزینهٔ هر درخواست از همین اعتبار کم می‌شود، پس مبلغ شارژشده خودش سقف کلی هزینه است؛ سقف روزانهٔ توکن را باید خودتان در بک‌اند پیاده کنید.

برای شروع چت‌بات فروش، deepseek-chat بهتر است یا gemini-3.5-flash؟

برنده‌ای مطلق وجود ندارد و انتخاب به بودجه و آزمون خودتان بستگی دارد. deepseek-chat ارزان‌تر است و در ۳۰ روز گذشته ۴٬۸۲۲ درخواست با ۱۰۰٪ موفقیت روی درگاه 1xAi داشته است. gemini-3.5-flash در همین مدت ۱۱۹ درخواست با ۱۰۰٪ موفقیت ثبت کرده و گران‌تر است. هر دو را با پرامپت فروش خودتان امتحان کنید.

مدل‌هایی که در این مقاله دیدی را از داخل ایران امتحان کن.

بدون VPN، صورت‌حساب تومانی، کارمزدِ ۱۵ تا ۳۰٪ بسته به مدل روی نرخِ هر سرویس‌دهنده.