Guía de inicio rápido

Prerrequisitos e instalación del SDK

Instala el SDK oficial para tu lenguaje antes de realizar cualquier solicitud. Esto garantiza la compatibilidad con la URL base y los encabezados de autenticación.

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

Estas librerías manejan la comunicación HTTP subyacente y el análisis JSON por ti.

Configuración de autenticación y URL base

Configura tu cliente con la URL base específica y tu clave API única. Esto dirige el tráfico a nuestro motor de inferencia sin censura en lugar del proveedor estándar.

Establece la variable de entorno OPENAI_API_KEY o pásalo directamente en la inicialización de tu cliente.

La URL base debe apuntar a https://api.llmuncensoredapi.com/v1 para asegurar el enrutamiento adecuado.

Solicitud de Completado de Texto Básico

Envía una solicitud POST simple para generar texto. Este método funciona para cualquier caso de uso estándar de finalización de chat.

El modelo responde con texto sin procesar, evitando los rechazos típicos que se encuentran en otros modelos.

Utiliza el ID del modelo uncensored para todas las solicitudes.

Aquí tienes un ejemplo básico:

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"}]
  }'

Respuestas en streaming con SSE

Utiliza streaming para generación de tokens en tiempo real. Esto es ideal para interfaces de chat o generación de contenido de formato largo.

Establecer stream: true en tu cuerpo de solicitud.

La API devuelve Server-Sent Events (SSE) a medida que los tokens están disponibles.

Este enfoque reduce la latencia percibida para el usuario.

Código de streaming de ejemplo:

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)

Llamada de Función y Uso de Herramientas

Habilitar llamada de funciones definiendo herramientas en tu solicitud. Esto permite que el modelo genere JSON estructurado para ejecución externa.

Usar tool_choice para controlar cuándo el modelo llama a una función.

Esta característica es crítica para flujos de trabajo de automatización.

Ejemplo en Python:

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)

Modo JSON para salida estructurada

Forza al modelo a generar JSON válido mediante el response_format parámetro.

Establecer response_format para {"type": "json_object"}.

Esto garantiza un análisis coherente para aplicaciones posteriores.

Ejemplo en Node.js:

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);

Comprender los tokens y los límites

La ventana de contexto admite hasta 100.000 tokens en total. Cada solicitud puede generar hasta 16.000 tokens.

Los límites de velocidad son de 300 solicitudes por minuto por clave.

Los errores incluyen 401 para claves inválidas, 402 para crédito insuficiente y 429 para límites de tasa.

Los errores no consumen tu crédito prepagado.