Для получения чистого Markdown любой страницы добавьте .md к URL‑адресу страницы.
Для полного индекса документации см. https://api.vega.chat/docs/llms.txt.
Для полного содержания документации см. https://api.vega.chat/docs/llms-full.txt.
Для интеграции AI‑клиентов (Claude Code, Cursor и др.) подключайтесь к MCP‑серверу по адресу https://api.vega.chat/docs/_mcp/server.

Пресеты

MD версия

Пресеты позволяют отделить конфигурацию LLM от вашего кода. Создавайте и управляйте пресетами через веб‑приложение VEGA, чтобы контролировать маршрутизацию провайдеров, выбор модели, системные подсказки и другие параметры, а затем ссылаться на них в запросах API VEGA.

Что такое пресеты?

Пресеты — это именованные конфигурации, которые инкапсулируют все настройки, необходимые для конкретного сценария использования. Например, вы можете создать:

  • Пресет «email-copywriter» для генерации маркетингового текста
  • Пресет «inbound-classifier» для классификации запросов клиентов
  • Пресет «code-reviewer» для анализа pull‑request‑ов

Каждый пресет может управлять:

  • Предпочтениями маршрутизации провайдера (сортировка по цене, задержке и т.п.)
  • Выбором модели (конкретная модель или массив моделей с резервными вариантами)
  • Системными подсказками
  • Параметрами генерации (temperature, top_p и др.)
  • Правилами включения/исключения провайдеров

Быстрый старт

  1. Создайте пресет. Например, выберите модель и ограничьте маршрутизацию провайдера несколькими провайдерами.
    Создание нового пресета

  2. Выполните запрос к API, указывая пресет:

json
{
  "model": "@preset/ravenel-bridge",
  "messages": [
    {
      "role": "user",
      "content": "What's your opinion of the Golden Gate Bridge? Isn't it beautiful?"
    }
  ]
}

Преимущества

Разделение ответственности

Пресеты помогают поддерживать чистое разделение между кодом приложения и конфигурацией LLM. Это делает ваш код более семантичным и проще в обслуживании.

Быстрая итерация

Обновляйте конфигурацию LLM без развертывания изменений кода:

  • Переходите на новые версии моделей
  • Корректируете системные подсказки
  • Меняете параметры
  • Изменяете предпочтения провайдеров

Использование пресетов

Существует три способа использовать пресеты в запросах API.

  1. Прямая ссылка на модель

Можно ссылаться на пресет так же, как на модель, отправляя запросы к @preset/preset-slug

json
{
  "model": "@preset/email-copywriter",
  "messages": [
    {
      "role": "user",
      "content": "Write a marketing email about our new feature"
    }
  ]
}
  1. Поле preset
json
{
  "model": "openai/gpt-4",
  "preset": "email-copywriter",
  "messages": [
    {
      "role": "user",
      "content": "Write a marketing email about our new feature"
    }
  ]
}
  1. Комбинация модели и пресета
json
{
  "model": "openai/gpt-4@preset/email-copywriter",
  "messages": [
    {
      "role": "user",
      "content": "Write a marketing email about our new feature"
    }
  ]
}

Создание пресетов из запросов API

Помимо Личного кабинета VEGA, вы можете создавать (или обновлять) пресет напрямую из любого тела запроса инференса, которое уже используете. Это удобно, когда нужно захватить проверенный запрос как переиспользуемую конфигурацию без повторного ввода в UI.

Каждый «скин» инференса имеет собственный эндпоинт. Отправьте тот же JSON‑тело, которое вы бы отправляли на соответствующий маршрут инференса — VEGA сохраняет только те поля, которые совпадают с конфигурацией пресета (например, model, temperature, provider, top_p, system). Временные поля вроде messages, input, prompt и stream игнорируются.

Эндпоинты:

  • POST /api/v1/presets/{slug}/chat/completions — скин Chat Completions
  • POST /api/v1/presets/{slug}/messages — скин Anthropic Messages
  • POST /api/v1/presets/{slug}/responses — скин Responses

Параметр пути {slug} — URL‑безопасный идентификатор пресета. Если пресет с таким slug уже существует в вашем рабочем пространстве, создаётся новая версия и помечается как активная. Если его нет, создаётся новый пресет.

Из запроса Chat Completions

Повторно используйте точное тело, которое вы бы POST /api/v1/chat/completions:

bash
curl https://api.vega.chat/api/v1/presets/email-copywriter/chat/completions \
  -H "Authorization: Bearer $VEGA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-4o",
    "temperature": 0.7,
    "provider": { "sort": "price" },
    "messages": [
      { "role": "system", "content": "You are a helpful assistant." },
      { "role": "user", "content": "Write a marketing email." }
    ]
  }'

Массив messages игнорируется при сохранении пресета; сохраняются только конфигурационные поля (model, temperature, provider) и извлечённая системная подсказка.

Из запроса Anthropic Messages

bash
curl https://api.vega.chat/api/v1/presets/code-reviewer/messages \
  -H "Authorization: Bearer $VEGA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "anthropic/claude-4.6-sonnet",
    "max_tokens": 1024,
    "system": "You are a senior code reviewer.",
    "messages": [
      { "role": "user", "content": "Review this PR." }
    ]
  }'

Поле верхнего уровня system становится системной подсказкой пресета.

Из запроса Responses

bash
curl https://api.vega.chat/api/v1/presets/inbound-classifier/responses \
  -H "Authorization: Bearer $VEGA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-4o",
    "instructions": "Classify the inbound message.",
    "input": "Hello, I need a refund."
  }'

Поле instructions становится системной подсказкой пресета.

Формат ответа

Все три эндпоинта возвращают созданный пресет с его назначенной версией:

json
{
  "data": {
    "id": "650e8400-e29b-41d4-a716-446655440001",
    "name": "email-copywriter",
    "slug": "email-copywriter",
    "status": "active",
    "designated_version_id": "550e8400-e29b-41d4-a716-446655440000",
    "created_at": "2026-04-20T10:00:00Z",
    "updated_at": "2026-04-20T10:00:00Z",
    "designated_version": {
      "id": "550e8400-e29b-41d4-a716-446655440000",
      "version": 1,
      "system_prompt": "You are a helpful assistant.",
      "config": {
        "model": "openai/gpt-4o",
        "temperature": 0.7,
        "provider": { "sort": "price" }
      },
      "created_at": "2026-04-20T10:00:00Z",
      "updated_at": "2026-04-20T10:00:00Z"
    }
  }
}

После создания пресет можно использовать в последующих запросах инференса любым из трёх способов, описанных в разделе Использование пресетов.

Предлагаемый рабочий процесс

  1. Сформируйте и протестируйте запрос к /chat/completions (или /messages / /responses), пока не получите желаемый результат.
  2. POST‑ните то же тело к соответствующему эндпоинту /api/v1/presets/{slug}/..., чтобы захватить конфигурацию.
  3. В продакшн‑коде замените вызов инференса на ссылку @preset/{slug} вместо повторения всей конфигурации.

Так вы можете экспериментировать с подсказками и параметрами в коде, а затем продвигать рабочую конфигурацию в пресет без ручного переписывания.

Прочие замечания

  1. Если вы используете организационный аккаунт, все участники могут получать доступ к организационным пресетам. Это отличный способ делиться лучшими практиками между командами.
  2. История версий сохраняется, чтобы понимать, какие изменения были внесены, и иметь возможность откатиться. Однако при обращении к пресету через API всегда используется последняя версия.
  3. Если вы передаёте параметры в запросе, они будут объединены (shallow‑merge) с опциями, заданными в пресете.