LLM API key কীভাবে নেবেন (OpenAI ও Gemini) আর খরচ কীভাবে হিসাব হয়
OpenAI বা Gemini API key কোথায় বানাবেন, token ভিত্তিক বিল কীভাবে কাজ করে, খরচ কীভাবে আন্দাজ করবেন এবং key নিরাপদ রাখবেন কীভাবে।
ছোট উত্তর: LLM API key পেতে model provider-এর (যেমন OpenAI বা Google-এর Gemini) developer অ্যাকাউন্ট খুলুন, dashboard-এর API keys পেজে গিয়ে নতুন key তৈরি করুন, একবারই copy করে নিরাপদ জায়গায় রাখুন। খরচ হয় token হিসাবে, input আর output-এর আলাদা rate-এ। তাই খরচ মোটামুটি ব্যবহৃত token গুণ official pricing পেজের rate।
LLM API Key কী?
API key হলো একটি লম্বা গোপন string, যা আপনার code যখন model-কে কল করে তখন আপনার অ্যাকাউন্ট শনাক্ত করে। এটাকে প্রোগ্রামের পাসওয়ার্ড ভাবতে পারেন। যার কাছে আপনার key আছে, সে আপনার খরচে কল করতে পারবে, তাই key কখনো শেয়ার বা প্রকাশ করবেন না। বিষয়টি নতুন হলে আগে পড়ুন API কী এবং কীভাবে কাজ করে।
OpenAI API Key কীভাবে পাবেন?
আপনি যখন পড়ছেন তখন dashboard দেখতে আলাদা হতে পারে, তবে ধাপগুলো সাধারণত একই থাকে:
provider-এর developer platform-এ সাইন আপ করুন। এটি chat অ্যাপ থেকে আলাদা।
platform চাইলে billing method বা credit যোগ করুন।
API keys সেকশনে গিয়ে নতুন key তৈরি করুন। "learning-project"-এর মতো একটি পরিষ্কার নাম দিন।
সঙ্গে সঙ্গে key-টি copy করুন। বেশিরভাগ dashboard এটি একবারই দেখায়।
dashboard-এ সুবিধা থাকলে মাসিক spending limit বা budget alert ঠিক করুন।
Gemini API Key কীভাবে পাবেন, এটা কি ফ্রি?
Gemini-র জন্য Google-এর AI developer টুল ব্যবহার করতে হয়: Google অ্যাকাউন্টে সাইন ইন করে API key তৈরির পেজ খুলুন এবং key বানান। ফ্রি ব্যবহারের সুযোগ আছে কি না এবং তার সীমা কত, তা সময়ের সঙ্গে বদলায় এবং অবস্থানভেদে আলাদা হতে পারে। তাই এই লেখা সহ কোনো ব্লগের উপর নির্ভর না করে official pricing ও quota পেজ দেখে নিন।
খরচ কীভাবে হিসাব হয়?
Provider-রা token অনুযায়ী বিল করে, token হলো লেখার ছোট ছোট অংশ। একটি request-এর দুটি অংশ, আর প্রতিটির আলাদা rate আছে:
অংশ | কী থাকে | কীভাবে বিল হয় |
|---|---|---|
Input token | আপনার prompt, system instruction, chat history, সংযুক্ত document | Input rate |
Output token | model যে লেখা ফেরত দেয় | Output rate, সাধারণত input rate-এর চেয়ে বেশি |
Rate সাধারণত প্রতি দশ লাখ token-এর দাম হিসেবে দেখানো হয় এবং model ভেদে আলাদা। বড় model-এ প্রতি token-এর খরচ ছোট model-এর চেয়ে বেশি। সূত্রটি সহজ:
def estimate_cost(input_tokens, output_tokens, input_rate, output_rate):
# Rates are "price per 1 million tokens", copied from the official pricing page.
return (input_tokens * input_rate + output_tokens * output_rate) / 1_000_000
# The rates 2 and 8 below are made-up numbers, only to test the arithmetic.
print(estimate_cost(1500, 500, 2, 8)) # 0.007
খেয়াল করুন, প্রতিবার পুরো chat history আবার input হিসেবে পাঠানো হয়, তাই লম্বা কথোপকথনে প্রতি বার্তায় খরচ বাড়ে। API response-এ একটি usage ফিল্ড থাকে, যেটি সঠিক token সংখ্যা জানায়। আন্দাজ করার চেয়ে এটি ভালো।
Key নিরাপদে রাখবেন কীভাবে?
key কখনো source code-এ পেস্ট করবেন না বা GitHub-এ commit করবেন না। এটি environment variable-এ রাখুন এবং সেখান থেকে পড়ুন:
import os
api_key = os.environ.get("MY_API_KEY")
if api_key is None:
raise SystemExit("Set the MY_API_KEY environment variable first")
variable-টি একটি .env ফাইলে রাখুন এবং সেই ফাইল .gitignore-এ যোগ করুন। পুরো সেটআপ দেখুন environment variable ও .env ফাইল চ্যাপ্টারে, আর প্রথম আসল request-এর জন্য দেখুন Python for AI টিউটোরিয়াল।
সাধারণ ভুল
key public repository-তে commit করা। leak হলে সঙ্গে সঙ্গে dashboard থেকে key মুছে নতুন একটি বানান।
front-end code-এ key রাখা। ব্রাউজার যা দেখে, ব্যবহারকারীও তা দেখতে পারে। model-কে কল করুন backend থেকে।
spending limit না দেওয়া। একটি loop-এর bug হাজার হাজার request পাঠিয়ে দিতে পারে। limit দিন এবং আগে ছোট prompt দিয়ে test করুন।
output-এর কথা ভুলে যাওয়া। লম্বা উত্তরে খরচ বেশি। request-এ সর্বোচ্চ output দৈর্ঘ্য সীমিত করুন।
মূল কথা
API key একটি গোপন চাবি, যার খরচ আপনার অ্যাকাউন্ট থেকে কাটে। provider-এর dashboard-এ বানান, environment variable-এ রাখুন, spending limit দিন, আর official pricing পেজের rate দিয়ে input ও output token থেকে খরচ আন্দাজ করুন।
শুরু করতে চান? আপনি বাস্তব Python code লিখবেন, যা LLM API-কে কল করে, key নিরাপদে ব্যবহার করে এবং token usage পড়ে। শুরু করুন ফ্রি কোর্স AI-এর জন্য Python: শূন্য থেকে প্রথম AI অ্যাপ দিয়ে।
সম্পর্কিত লেখা
AI Engineering বিভাগের আরও লেখা
Chunking কী? RAG-এ ডকুমেন্ট ভাগ করার কৌশল
Chunking কীভাবে document-কে RAG system-এর search করার উপযোগী টুকরোয় ভাগ করে। Chunk size, overlap, প্রধান কৌশল আর পরীক্ষার উপায়, code সহ।
4 মিনিট পড়া১৬ নভে, ২০২৬Function calling কী? LLM কীভাবে tool ব্যবহার করে
function calling-এ LLM আপনার code-কে একটি tool চালাতে বলে আর ফলাফল ব্যবহার করে। ধাপে ধাপে প্রক্রিয়া, চালানোর মতো উদাহরণ ও নিরাপত্তার নিয়ম জানুন।
3 মিনিট পড়া৭ নভে, ২০২৬LangChain কী? কখন ব্যবহার করবেন, কখন নয়
LangChain হলো LLM অ্যাপ বানানোর একটি framework। এর মূল building block, একটি ছোট স্কেচ এবং কখন সাধারণ কোড ভালো, জেনে নিন।
3 মিনিট পড়া৪ নভে, ২০২৬AI বা LLM System-এর Performance কীভাবে Evaluate করবেন?
একটি AI system তৈরি করাই যথেষ্ট নয়। এটি কতটা accurate, reliable, safe এবং useful—তা measure করাও অত্যন্ত গুরুত্বপূর্ণ।
2 মিনিট পড়া৬ সেপ, ২০২৬SQL নাকি Python: ডেটা অ্যানালাইসিসে কোনটা?
ডেটা অ্যানালাইসিসে SQL আর Python আলাদা কাজ করে। কোনটা কীসে সেরা, একই প্রশ্ন দুই ভাষায় কেমন দেখায় এবং আগে কোনটা শিখবেন, জানুন।
4 মিনিট পড়া১৫ নভে, ২০২৬Jupyter, VS Code নাকি Colab: কোথায় কোড লিখবেন?
প্রথম Python code কোথায় লিখবেন? Jupyter Notebook, VS Code ও Google Colab তুলনা করুন, বাছাইয়ের একটি সহজ নিয়মসহ।
3 মিনিট পড়া১৫ নভে, ২০২৬
মন্তব্য
আলোচনায় যোগ দিতে সাইন ইন করুন।



