API de pasarela OpenAI explicada en términos sencillos

Lo que suele significar la frase

Cuando alguien busca una API de pasarela openai, generalmente quiere una de tres cosas, y rara vez dice cuál. Ordenarlas primero ahorra mucha confusión, porque las tres tienen trabajos y costes distintos.

Significado	Qué hace	Motivo típico para quererlo
Un proxy o enrutador que ejecutas tú	Se sitúa en tu infraestructura, toma peticiones en formato OpenAI y las reenvía a uno o más proveedores upstream	Claves centrales, logging, fallbacks, seguimiento de gasto por equipo
Un servicio alojado multi-proveedor	Un tercero ejecuta esa capa de enrutamiento por ti y te cobra por ello	Una cuenta para muchos modelos, sin servidores que mantener
Un endpoint compatible	Un proveedor sirve su propio modelo detrás del mismo formato de petición y respuesta	Reutiliza código SDK existente con un modelo diferente o reglas de contenido distintas

La palabra pasarela proviene de las redes y la gestión de APIs, donde significa una puerta de entrada que verifica credenciales, aplica límites y dirige el tráfico. Aplicado a modelos de lenguaje, la puerta de entrada habla el formato popularizado por el endpoint de chat completions de OpenAI: un cuerpo JSON con un nombre de modelo y una lista de mensajes, un token Bearer en la cabecera, y una respuesta JSON con opciones y uso de tokens. Debido a que se escribieron muchas herramientas para ese formato, muchos servidores ahora lo imitan.

Dónde encaja este sitio

Este sitio pertenece a la tercera fila, no a las dos primeras. Es una API alojada que expone un único modelo de pesos abiertos a través del formato de petición de OpenAI. El modelo lo ejecuta un proveedor independiente y está ajustado para responder sin rechazos de contenido para uso adulto lícito. Lo seleccionas con el ID de modelo uncensored.

Eso necesita aclararse, porque el nombre de dominio podría sugerir más de lo que ofrece:

• No es la API oficial de OpenAI, Meta, Mistral, Qwen, DeepSeek, xAI, Google, Anthropic ni de ningún otro proveedor.
• No es un enrutador entre proveedores. Ninguna petición se envía al modelo de otra empresa. Cada llamada se dirige al mismo modelo.
• Solo texto. No hay generación de imágenes, audio o video, ni embeddings ni ajuste fino.
• Soporta POST /v1/chat/completions y GET /v1/models, y nada más allá de esos dos.

Lo que obtienes es la superficie familiar: streaming sobre SSE, llamadas a funciones, modo JSON y los parámetros de muestreo habituales. La ventana de contexto es de 100.000 tokens, contando el prompt y la respuesta juntos. Los detalles están en la documentación de la API.

Por qué la compatibilidad de protocolo es la parte útil

La mayor parte del valor de la idea de endpoint compatible es que tu coste de cambio baja a casi nada. Si tu código funciona contra un servidor al estilo OpenAI, apuntarlo a otro es un cambio de configuración en lugar de una reescritura. Cambias una URL y una clave, y cambias el nombre del modelo.

Esto es lo que se ve con curl, que hace que los componentes sean fáciles de ver:

Copycurl https://api.openaigatewayapi.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Say hello in three languages."}]
  }'

Y lo mismo a través del SDK de Python, donde solo el constructor conoce el servidor:

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.openaigatewayapi.com/v1", api_key="paste-your-key-here")

reply = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Say hello in three languages."}],
)
print(reply.choices[0].message.content)

Esto también es por lo que una capa de pasarela y un endpoint compatible se confunden. Desde el lado del cliente se ven idénticos: misma ruta, mismas cabeceras, mismo JSON. La diferencia está detrás de la puerta. Un enrutador decide qué modelo responde a cada petición. Un endpoint compatible siempre usa el modelo que aloja.

Cuándo necesitas una capa de pasarela real

La compatibilidad por sí sola no te da las características que la gente tiene en mente cuando habla de ejecutar una pasarela. Si alguna de estas te aplica, planifica una capa separada en lugar de esperarlas de un único endpoint:

• Fallback automático. Reintenta en otro proveedor cuando el primero falle.
• Presupuestos y claves por equipo. Emite muchas claves internas, cada una con su propio límite, desde una cuenta upstream.
• Registro de peticiones y enmascaramiento. Registra prompts y respuestas centralmente, con campos sensibles eliminados.
• Enrutamiento por tarea. Modelo barato para clasificación, modelo más grande para razonamiento, elegido por tus propias reglas.
• Caché. Devuelve respuestas almacenadas para prompts repetidos.

Esas son buenas razones, y un proxy autoalojado suele ser la respuesta correcta para un equipo con varios proveedores. También añade un servicio para desplegar, monitorear y asegurar, lo cual es un coste fácil de subestimar para un proyecto pequeño. La página sobre las compensaciones de ejecutar una pasarela LLM analiza esa decisión con más detalle.

Las dos ideas se combinan sin problemas. Un proxy que ejecutes puede listar este endpoint como un upstream, con uncensored como el modelo al que reenvía. En esa configuración, registra la cabecera de respuesta X-Request-Id en tu lado. Es el valor que debes citar si alguna vez necesitas ayuda para rastrear una llamada específica.

Límites y comportamiento que debes planificar

Un único endpoint alojado es simple, pero tiene límites que debes conocer antes de construir sobre él.

Límites de tasa y concurrencia

Una clave completa permite 8 peticiones simultáneas y 300 peticiones por minuto. Una clave de prueba permite 2 simultáneas y 60 por minuto. Al superar el límite, la API responde HTTP 429 con el código de error rate_limited o concurrency. Durante una sobrecarga temporal también responde 429, con una cabecera Retry-After: 5. Una petición streaming mantiene su espacio hasta que termina el stream, por lo que las generaciones largas cuentan contra la concurrencia durante toda su duración.

Tamaño de petición

El cuerpo máximo es de 8 MB. En la práctica, la ventana de 100.000 tokens es el límite más estricto para la mayoría de los prompts. Si llenas cada llamada con un historial de chat largo, recórtalo antes de alcanzar cualquiera de los dos límites.

Observabilidad

Cada respuesta incluye X-Request-Id y X-Balance-USD, más cabeceras que reflejan tu petición y los límites de concurrencia. Regístralos. Una pasarela que construyas después puede leer las mismas cabeceras, por lo que no pierdes nada por empezar con ellas.

Preguntas que hacer sobre cualquier pasarela o API compatible

La misma lista de verificación funciona tanto si evalúas este servicio, un enrutador alojado como un proxy autoalojado. Escribe las respuestas antes de comprometer código con cualquiera de ellos.

1. ¿Qué modelo responde? Un proveedor con nombre, un modelo de pesos abiertos en un host independiente, o lo que el enrutador elija en ese minuto.
2. ¿Cuál es la unidad de precio? Por token, por petición o por mes. Aquí es por token, con crédito prepago.
3. ¿Qué ocurre en caso de fallo? Aquí, las peticiones fallidas o rechazadas no se cobran.
4. ¿Cuáles son las características reales? Prueba streaming, herramientas y modo JSON con tus propias cargas, no con un prompt de demostración.
5. ¿A dónde van los prompts? Aquí no se usan para entrenamiento. Lee la página de privacidad para los detalles y compáralo con cualquier alternativa.
6. ¿Cuáles son los límites estrictos? Concurrencia, peticiones por minuto, tamaño del cuerpo y ventana de contexto.

La facturación es lo suficientemente simple como para verificarla en un minuto: $0,15 por 1M de tokens de entrada y $0,50 por 1M de tokens de salida, desde crédito prepago que no caduca. La página de precios tiene los niveles de recarga. Si quieres ver cómo se comporta el endpoint antes de pagar nada, la página de claves de API permite a los nuevos usuarios reclamar un crédito de prueba de $0,50 con un clic, sin necesidad de tarjeta.

Una forma sensata de empezar

Mantén la primera prueba pequeña. Reclama la prueba, llama a GET /v1/models para confirmar la clave, luego envía tres prompts reales desde tu aplicación con la URL base cambiada. Compara las respuestas con las que obtienes hoy, verifica las cabeceras de respuesta y mira los conteos de tokens en usage. Si la salida se ajusta y los límites se adaptan a tu tráfico, mueve una función de bajo riesgo antes que el resto. Las herramientas internas, los ayudantes de redacción y los trabajos en segundo plano son buenos primeros candidatos, ya que un detalle por pulir allí te cuesta mucho menos que uno en un flujo visible para el cliente.

Si más tarde decides que necesitas enrutamiento o respaldos, nada de lo que construiste se desperdicia. El formato de petición se mantiene igual, y una capa de proxy se puede añadir por delante sin cambiar el código de la aplicación.

Más guías

• API de OpenAI para Desarrolladores: Usa un endpoint compatible
• Precios de la API Gateway de OpenAI: Ejemplos de costo real
• Gateway LLM: Análisis de costo vs. complejidad