Schnellstart-Leitfaden

Voraussetzungen und SDK-Installation

Installieren Sie das offizielle SDK für Ihre bevorzugte Sprache, bevor Sie Anfragen senden. Dies gewährleistet die Kompatibilität mit der Basis-URL und den Authentifizierungs-Headern.

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

Diese Bibliotheken übernehmen die zugrunde liegende HTTP-Kommunikation und JSON-Parsing für Sie.

Authentifizierung und Basis-URL-Einrichtung

Konfigurieren Sie Ihren Client mit der spezifischen Basis-URL und Ihrem eindeutigen API-Schlüssel. Dies leitet den Datenverkehr zu unserer unzensierten Inferenz-Engine statt zum Standardanbieter.

Legen Sie die Umgebungsvariable fest. OPENAI_API_KEY oder übergeben Sie ihn direkt bei der Client-Initialisierung.

Die Basis-URL muss auf https://api.llmuncensoredapi.com/v1 um die korrekte Weiterleitung zu gewährleisten.

Anfrage für Basis-Text-Vervollständigung

Sende eine einfache POST-Anfrage zur Textgenerierung. Diese Methode funktioniert für jeden Standard-Chat-Vervollständigungsanwendungsfall.

Das Modell antwortet mit Rohtext und vermeidet die typischen Ablehnungen, die in anderen Modellen zu finden sind.

Verwenden Sie die Modell-ID uncensored für alle Anfragen.

Hier ist ein grundlegendes Beispiel:

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-Antworten mit SSE

Verwenden Sie Streaming für die Echtzeit-Token-Generierung. Dies ist ideal für Chat-Schnittstellen oder die Generierung von Langtextinhalten.

Festlegen stream: true in Ihrem Anfragekörper.

Die API gibt Server-Sent Events (SSE) zurück, sobald Tokens verfügbar werden.

Dieser Ansatz reduziert die wahrgenommene Latenz für den Benutzer.

Beispiel-Streaming-Code:

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 und Tool-Einsatz

Function Calling aktivieren, indem Sie Tools in Ihrer Anfrage definieren. Dies ermöglicht es dem Modell, strukturiertes JSON für die externe Ausführung auszugeben.

Verwenden tool_choice zur Steuerung, wann das Modell eine Funktion aufruft.

Diese Funktion ist entscheidend für Automatisierungsworkflows.

Python-Beispiel:

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-Modus für strukturierte Ausgabe

Zwingen Sie das Modell dazu, gültiges JSON unter Verwendung des response_format Parameter.

Festlegen response_format zu {"type": "json_object"}.

Dies gewährleistet eine konsistente Verarbeitung für nachgelagerte Anwendungen.

Node.js-Beispiel:

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);

Verständnis von Tokens und Limits

Der Context-Window unterstützt bis zu 100.000 Tokens insgesamt. Jede Anfrage kann bis zu 16.000 Tokens ausgeben.

Ratenbegrenzungen betragen 300 Anfragen pro Minute pro Schlüssel.

Zu den Fehlern zählen 401 für ungültige Schlüssel, 402 für unzureichendes Guthaben und 429 für Ratenbegrenzungen.

Fehler verbrauchen nicht Ihr prepaid-Guthaben.