Guida all'avvio rapido

Prerequisiti e installazione dell'SDK

Installa l'SDK ufficiale per il tuo linguaggio preferito prima di effettuare qualsiasi richiesta. Questo garantisce la compatibilità con l'URL base e le intestazioni di autenticazione.

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

Queste librerie gestiscono per te la comunicazione HTTP sottostante e il parsing JSON.

Impostazione dell'URL di Base e Autenticazione

Configura il tuo client con l'URL base specifico e la tua chiave API univoca. Questo instrada il traffico verso il nostro motore di inferenza senza censure invece che verso il provider standard.

Imposta la variabile d'ambiente OPENAI_API_KEY o passalo direttamente nell'inizializzazione del tuo client.

L'URL di base deve puntare a https://api.llmuncensoredapi.com/v1 per garantire un corretto instradamento.

Richiesta Completamento Testo Base

Invia una semplice richiesta POST per generare testo. Questo metodo funziona per qualsiasi caso d'uso standard di completamento della chat.

Il modello risponde con testo grezzo, evitando i tipici rifiuti trovati in altri modelli.

Usa l'ID del modello uncensored per tutte le richieste.

Ecco un esempio 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"}]
  }'

Risposte in streaming con SSE

Utilizza lo streaming per la generazione di token in tempo reale. Questo è ideale per interfacce di chat o generazione di contenuti di lunga forma.

Imposta stream: true nel corpo della richiesta.

L'API restituisce Server-Sent Events (SSE) man mano che i token diventano disponibili.

Questo approccio riduce la latenza percepita per l'utente.

Codice di streaming di esempio:

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 e uso degli strumenti

Abilita il richiamo di funzioni definendo gli strumenti nella tua richiesta. Questo permette al modello di generare JSON strutturato per l'esecuzione esterna.

Usa tool_choice per controllare quando il modello chiama una funzione.

Questa funzionalità è fondamentale per i flussi di lavoro di automazione.

Esempio 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)

Modalità JSON per output strutturati

Forza il modello a restituire JSON validi utilizzando il response_format parametro.

Imposta response_format a {"type": "json_object"}.

Questo garantisce un parsing coerente per le applicazioni downstream.

Esempio 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);

Comprendere i token e i limiti

La finestra di contesto supporta fino a 100.000 token in totale. Ogni richiesta può generare fino a 16.000 token.

I limiti di frequenza sono di 300 richieste al minuto per chiave.

Gli errori includono 401 per chiavi non valide, 402 per credito insufficiente e 429 per i limiti di frequenza.

Gli errori non consumano il tuo credito prepagato.