Hurtigstartsguide

Forudsætninger og SDK-installation

Installer den officielle SDK til dit foretrukne sprog, før du udfører nogen anmodninger. Dette sikrer kompatibilitet med basale URL og autentificeringsheaders.

• Python: pip install openai
• Node.js: npm install openai

Disse biblioteker håndterer den underliggende HTTP-kommunikation og JSON-parsing for dig.

Autentificering og Base URL-setup

Konfigurer din klient med den specifikke base URL og dit unikke API-nøgle. Dette dirigerer trafikken til vores uncensored inference engine i stedet for den standard leverandør.

Indstil miljøvariablen OPENAI_API_KEY eller angiv den direkte i din klientinitialisering.

Den basale URL skal pege på https://api.llmuncensoredapi.com/v1 til at sikre korrekt routing.

Basic Text Completion Request

Send en simpel POST-anmodning for at generere tekst. Denne metode virker til enhver standard chat-completion use case.

Modellen responderer med rå tekst og undgår de typiske afvisninger, der findes i andre modeller.

Brug model-ID'et uncensored til alle anmodninger.

Her er et grundlæggende eksempel:

Copycurl https://api.llmuncensoredapi.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Run health check on the api endpoint"}]
  }'

Streaming-svar med SSE

Brug streaming til realtids-token-generering. Dette er ideelt til chatgrænseflader eller generering af langformet indhold.

Indstil stream: true i din anmodningskrop.

API'en returnerer Server-Sent Events (SSE), når tokens bliver tilgængelige.

Denne tilgang reducerer den opfattede latens for brugeren.

Eksempel stream-kode:

Copystream = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Tell the story in second person."}],
    stream=True,
)
for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

Function Calling og værktøjsbrug

Aktiver funktionskald ved at definere værktøjer i din request. Dette gør det muligt for modellen at returnere struktureret JSON til eksekvering udefra.

Brug tool_choice til at kontrollere, hvornår modellen kalder en funktion.

Denne funktion er kritisk for automatiseringsworkflows.

Python-eksempel:

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.llmuncensoredapi.com/v1", api_key="YOUR_KEY")

resp = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Summarise this thread without softening it."}],
)
print(resp.choices[0].message.content)

JSON-tilstand til struktureret output

Tving modellen til at udskrive gyldig JSON ved hjælp af response_format parameter.

Indstil response_format til {"type": "json_object"}.

Dette sikrer konsistent parsing til downstream-applikationer.

Node.js-eksempel:

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.llmuncensoredapi.com/v1", apiKey: process.env.API_KEY });

const resp = await client.chat.completions.create({
  model: "uncensored",
  messages: [{ role: "user", content: "Draft a villain monologue for my game." }],
});
console.log(resp.choices[0].message.content);

Forståelse af tokens og begrænsninger

Kontekstvinduet understøtter op til 100.000 tokens i alt. Hver anmodning kan outputte op til 16.000 tokens.

Ratebegrænsninger er 300 anmodninger per minut per nøgle.

Fejl inkluderer 401 for ugyldige nøgler, 402 for utilstrækkelig kredit og 429 for hastighedsgrænser.

Fejl forbruger ikke din forudbetalte kredit.