Integrer Uncensored LLM API på få minutter

Installer den officielle OpenAI SDK

Begynd med at tilføje klientbiblioteket til dit projektmiljø. Dette sikrer kompatibilitet med standardanmodningsformater og streamingprotokoller uden at kræve tilpasset HTTP-logik.

Pakken håndterer autentifikationsheader og JSON-serialisering automatisk. Du kan fortsætte til konfiguration, når afhængigheden er løst i dit workspace.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.unlimitedllmapi.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)

Konfigurer Base URL og API Key

Ret trafikken til vores endpoint ved at indstille base_url variabel og injicere din unikke nøgle i klientinstansen. Denne enkle udskiftning dirigerer anmodninger til vores optimerede uncensored-model uden at ændre din kodestruktur.

Bekræft forbindelse ved at tjekke /v1/models endpoint. Systemet returnerer det tilgængelige model-identifikator, hvilket bekræfter, at dine legitimationsoplysninger er gyldige, og at netværksstien er åben.

Copycurl https://api.unlimitedllmapi.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "list all available endpoints for user authentication"}]
  }'

Send din første chat-gennemførelsesforespørgsel

Opret en standard chat-completion-payload med model-ID uncensored og din ønskede messages-array. API'et behandler tekstinput og returnerer genereret tekst og understøtter parametre som temperature og top_p for tonekontrol.

Sørg for, at din request body er inden for 8 MB-grænsen. Systemet accepterer standard JSON-objekter og returnerer strukturerede svar, som din applikation kan parse med det samme.

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.unlimitedllmapi.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);

Håndter Streaming-respons og tokenforbrug

Aktivér streaming ved at indstille stream flag til true. Dette returnerer Server-Sent Events (SSE) chunks, så din interface kan vise tokens progressivt, mens de genereres.

Tokenforbrugsstatistikker vises i den sidste chunk af streamet. Denne tilgang reducerer den opfattede latens for brugere, mens din fakturering forbliver nøjagtig baseret på faktisk forbrug.

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)

Aktiver Function Calling og JSON-tilstand

Aktivér strukturerede output ved at indstille response_format til {"type": "json_object"}. Dette tvinger modellen til at returnere strengt gyldig JSON, hvilket er afgørende for pålidelig integration med frontend-formulare eller backend-tjenester.

Du kan også definere tools i din request body for at aktivere function calling. Modellen svarer med specifikke funktionsnavne og argumenter, hvilket giver din kode mulighed for at eksektere ekstern logik baseret på brugerens hensigt.

Forstå ratebegrænsninger og kontekstvinduer

Din API-nøgle understøtter 300 anmodninger i minuttet og op til 8 samtidige anmodninger. Hvis du overskrider disse grænser, returnerer systemet en 429-fejl, indtil vinduet nulstilles.

Kontekstvinduet tillader i alt 100.000 tokens, inklusive både prompt og completion. Output er begrænset til 16.000 tokens pr. request, eller 2.048 tokens hvis du ikke specificerer max_tokens. Fejl og afvisninger forbruger ingen kredit.