← 返回文章列表 / Back to list
usage

Groq 极速推理接入教程

Groq Ultra-fast Inference Tutorial

⚠️ 待更新·2026-08-29核验 · 更新时间待核验 · 本文信息可能已过期,请以官方文档为准 更新时间:2026-08-29 · 核验状态:待更新 · 官方溯源待补

简介

Groq 是一家专注推理加速的硬件公司,自研的 LPU(Language Processing Unit)在 Llama 系列模型上能跑到 500+ tokens/s,比常见 GPU 快一两个数量级。更重要的是,它提供慷慨的免费层,且完全兼容 OpenAI 协议。本篇三步接入并演示流式与工具调用。

架构图

flowchart LR A[Sign up at console.groq.com] --> B[Create API Key] B --> C[Install openai SDK] C --> D[Call llama-3.3-70b-versatile] D --> E[500+ tokens/s]

第一步:申请 Key

  1. 访问 https://console.groq.com,用 Google 或 GitHub 登录。
  2. 进入 API KeysCreate API Key,复制 gsk_... 开头的字符串。
  3. 设置环境变量:
export GROQ_API_KEY="gsk_..."

第二步:安装 SDK

Groq 官方维护 groq Python SDK,也可直接用 openai SDK。推荐前者,类型提示更完整:

pip install groq

第三步:发起调用

import os
from groq import Groq

client = Groq(api_key=os.environ["GROQ_API_KEY"])

resp = client.chat.completions.create(
    model="llama-3.3-70b-versatile",
    messages=[
        {"role": "system", "content": "你是简洁的中文助手"},
        {"role": "user", "content": "用一句话解释什么是反向索引"},
    ],
    temperature=0.3,
    max_tokens=256,
)
print(resp.choices[0].message.content)

流式输出

体验 LPU 真实速度的最佳方式就是流式,首字延迟常低于 200ms:

stream = client.chat.completions.create(
    model="llama-3.3-70b-versatile",
    messages=[{"role": "user", "content": "写一首关于秋天的五言绝句"}],
    stream=True,
)
for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)
print()

工具调用(Tool Use)

Groq 支持 OpenAI 风格的 function calling,适合做 Agent:

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "查询某城市天气",
        "parameters": {
            "type": "object",
            "properties": {"city": {"type": "string"}},
            "required": ["city"],
        },
    },
}]
resp = client.chat.completions.create(
    model="llama-3.3-70b-versatile",
    messages=[{"role": "user", "content": "北京今天天气怎么样?"}],
    tools=tools,
)
call = resp.choices[0].message.tool_calls[0]
print(call.function.name, call.function.arguments)
# get_weather {"city": "北京"}

免费层限制(截至 2025)

  • 每分钟请求数:30 RPM(70B 模型)、1440 RPM(8B 模型)
  • 每日 token 上限:约 1M tokens/day,按模型不同浮动
  • 上下文窗口:Llama 3.3 70B 默认 128K

速度实测与对比

在 Llama-3.3-70B 上实测,Groq LPU 单请求生成速度可达 250-500 tokens/s,而同模型在 GPU 推理服务上通常只有 30-80 tokens/s。对延迟敏感的实时聊天、代码补全、Agent 多轮调用场景,这种速度差距能直接转化为用户体验提升。需要注意的是,LPU 对长输入(>8K)的 prefill 阶段优势会缩小,此时 GPU 的高带宽反而占优。

常见问题

  • 429 rate_limit_exceeded:免费层触顶,等 60 秒或换更小的 llama-3.1-8b-instant 模型。
  • 想用 JSON mode:加 response_format={"type":"json_object"},模型必须被提示输出 JSON。
  • 可用模型清单:访问 https://api.groq.com/openai/v1/models 查看当前支持的所有模型。
  • 响应被截断:max_tokens 默认较小,设为 1024+ 可解决。

Groq 适合做实时对话、代码补全这类对延迟敏感的场景。

最佳实践

  • batch 请求:Groq 支持 batch(一条请求多轮对话),单次吞吐量 3-5 倍。
  • 避开 30 RPM 限速:用 token bucket 算法本地限速到 25 RPM,留 buffer。
  • 流式优先:500+ tps 的流式输出体验远好于等整段。
  • Mixtral 8x7B 在 Groq 上最猛:MoE 模型 LPU 加速效果比 dense 模型更明显。

相关文章 / Related

Gemini API 免费层调用在本地 IDE 中集成免费 APIOpenRouter API Key 申请与费率OpenCode 接入免费模型实战免费 OCR 与文档解析 API 实战