Przewodnik szybkiego startu

Wymagania wstępne i instalacja SDK

Zainstaluj oficjalne SDK dla preferowanego języka przed wysłaniem jakichkolwiek żądań. Zapewnia to zgodność z adresem URL bazowym i nagłówkami uwierzytelniającymi.

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

Te biblioteki obsługują za Ciebie podstawową komunikację HTTP i parsowanie JSON.

Uwierzytelnianie i konfiguracja URL bazowego

Skonfiguruj klienta, podając odpowiedni bazowy adres URL oraz swój unikalny klucz API. Dzięki temu ruch zostanie przekierowany do naszego silnika wnioskowania bez cenzury, a nie do standardowego dostawcy.

Ustaw zmienną środowiskową OPENAI_API_KEY lub przekaż go bezpośrednio podczas inicjalizacji klienta.

Podstawowy adres URL musi wskazywać na https://api.llmuncensoredapi.com/v1 do zapewnienia poprawnego kierowania.

Żądanie Podstawowego Uzupełniania Tekstu

Wyślij proste żądanie POST, aby wygenerować tekst. Ta metoda działa dla każdego standardowego przypadku użycia chat completion.

Model odpowiada surowym tekstem, unikając typowych odmów występujących w innych modelach.

Użyj ID modelu uncensored dla wszystkich żądań.

Oto podstawowy przykład:

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"}]
  }'

Odpowiedzi strumieniowe z SSE

Używaj strumieniowania dla generowania tokenów w czasie rzeczywistym. Jest to idealne dla interfejsów czatu lub generowania treści długiego formatu.

Ustaw stream: true w ciele żądania.

API zwraca zdarzenia wysłane przez serwer (SSE), gdy tokeny stają się dostępne.

Podejście to zmniejsza postrzeganą latencję dla użytkownika.

Przykładowy kod strumieniowania:

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)

Wywoływanie funkcji i użycie narzędzi

Włącz wywoływanie funkcji poprzez zdefiniowanie narzędzi w żądaniu. Pozwala to modelowi na zwracanie strukturalnego JSON do wykonania zewnętrznego.

Użyj tool_choice do kontrolowania, kiedy model wywołuje funkcję.

Ta funkcja jest kluczowa dla przepływów pracy opartych na automatyzacji.

Przykład w 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)

Tryb JSON dla danych wyjściowych strukturalnych

Wymuszaj na modelu poprawne dane JSON za pomocą response_format parametr.

Ustaw response_format do {"type": "json_object"}.

To zapewnia spójne parsowanie dla aplikacji downstreamowych.

Przykład 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);

Zrozumienie tokenów i limitów

Okno kontekstowe obsługuje do 100 000 tokenów łącznie. Każde żądanie może zwrócić do 16 000 tokenów.

Limity szybkości wynoszą 300 żądań na minutę na klucz.

Błędy obejmują kod 401 dla nieprawidłowych kluczy, 402 dla niewystarczających środków oraz 429 dla limitów szybkości.

Błędy nie zużywają Twojego kredytu prepay.