Intégrez l'API LLM Uncensored en quelques minutes

Installer le SDK officiel OpenAI

Commencez par ajouter la bibliothèque cliente à votre environnement de projet. Cela garantit la compatibilité avec les formats de requête standard et les protocoles de streaming sans nécessiter de logique HTTP personnalisée.

Le package gère automatiquement les en-têtes d'authentification et la sérialisation JSON. Vous pouvez passer à la configuration une fois la dépendance résolue dans votre espace de travail.

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)

Configurer l'URL de base et la clé API

Acheminez le trafic vers notre point de terminaison en définissant le base_url variable et en injectant votre clé unique dans l'instance cliente. Ce simple échange dirige les requêtes vers notre modèle uncensored optimisé sans modifier la structure de votre code.

Vérifiez la connectivité en vérifiant le /v1/models endpoint. Le système renvoie l'identifiant de modèle disponible, confirmant que vos identifiants sont valides et que le chemin réseau est ouvert.

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"}]
  }'

Envoyez votre première demande de complétion de chat

Construisez une charge utile standard de complétion de chat avec l'ID de modèle uncensored et votre tableau de messages souhaité. L'API traite les entrées textuelles et renvoie du texte généré, prenant en charge des paramètres comme temperature et top_p pour le contrôle du ton.

Assurez-vous que le corps de votre requête respecte la limite de 8 Mo. Le système accepte les objets JSON standard et renvoie des réponses structurées que votre application peut analyser immédiatement.

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);

Gérer les réponses en streaming et l'utilisation des tokens

Activez le streaming en définissant le stream flag à true. Cela retourne des fragments d'événements envoyés par le serveur (SSE), permettant à votre interface d'afficher les tokens progressivement à mesure de leur génération.

Les statistiques d'utilisation des tokens apparaissent dans le dernier chunk du flux. Cette approche réduit la latence perçue pour les utilisateurs tout en maintenant une facturation précise basée sur la consommation réelle.

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)

Activer l'appel de fonction et le mode JSON

Activez les sorties structurées en définissant response_format à {"type": "json_object"}. Cela force le modèle à renvoyer du JSON strictement valide, ce qui est essentiel pour une intégration fiable avec les formulaires frontend ou les services backend.

Vous pouvez également définir des outils dans le corps de votre requête pour activer l'appel de fonctions. Le modèle répond avec des noms de fonctions et des arguments spécifiques, permettant à votre code d'exécuter une logique externe en fonction de l'intention de l'utilisateur.

Comprendre les limites de débit et les fenêtres de contexte

Votre clé API prend en charge 300 requêtes par minute et jusqu'à 8 requêtes simultanées. Si vous dépassez ces seuils, le système renvoie une erreur 429 jusqu'à la réinitialisation de la fenêtre.

La fenêtre de contexte permet 100 000 tokens au total, incluant à la fois l'invite et la complétion. La sortie est limitée à 16 000 tokens par requête, ou 2 048 tokens si vous ne spécifiez pas max_tokens. Les erreurs et les refus ne consomment pas de crédit.