Guide de démarrage rapide

Prérequis et installation du SDK

Installez le SDK officiel pour votre langage préféré avant d'effectuer toute requête. Cela garantit la compatibilité avec l'URL de base et les en-têtes d'authentification.

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

Ces bibliothèques gèrent pour vous la communication HTTP sous-jacente et le parsing JSON.

Authentification et configuration de l'URL de base

Configurez votre client avec l'URL de base spécifique et votre clé API unique. Cela dirige le trafic vers notre moteur d'inférence sans censure au lieu du fournisseur standard.

Définissez la variable d'environnement OPENAI_API_KEY ou le passer directement dans l'initialisation de votre client.

L'URL de base doit pointer vers https://api.llmuncensoredapi.com/v1 pour assurer un acheminement correct.

Requête de complétion de texte basique

Envoyez une simple demande POST pour générer du texte. Cette méthode fonctionne pour tout cas d'utilisation standard de complétion de chat.

Le modèle répond avec du texte brut, évitant les refus typiques trouvés dans d'autres modèles.

Utilisez l’ID du modèle uncensored pour toutes les requêtes.

Voici un exemple de base :

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"}]
  }'

Réponses en streaming avec SSE

Utilisez le streaming pour la génération de tokens en temps réel. C'est idéal pour les interfaces de chat ou la génération de contenu de longue forme.

Définir stream: true dans le corps de votre requête.

L'API retourne des Server-Sent Events (SSE) au fur et à mesure que les jetons deviennent disponibles.

Cette approche réduit la latence perçue pour l'utilisateur.

Code de flux d'exemple :

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)

Appel de fonction et utilisation d'outils

Activer l'appel de fonctions en définissant des outils dans votre requête. Cela permet au modèle de générer du JSON structuré pour une exécution externe.

Utiliser tool_choice pour contrôler quand le modèle appelle une fonction.

Cette fonctionnalité est cruciale pour les workflows d'automatisation.

Exemple 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)

Mode JSON pour les sorties structurées

Forcez le modèle à produire un JSON valide en utilisant le response_format paramètre.

Définir response_format à {"type": "json_object"}.

Cela garantit un analyse cohérent pour les applications en aval.

Exemple 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);

Comprendre les jetons et les limites

La fenêtre de contexte prend en charge jusqu'à 100 000 tokens au total. Chaque requête peut générer jusqu'à 16 000 tokens.

Les limites de débit sont de 300 requêtes par minute par clé.

Les erreurs incluent 401 pour les clés invalides, 402 pour un crédit insuffisant et 429 pour les limites de débit.

Les erreurs ne consomment pas votre crédit prépayé.