Integrera Uncensored LLM API på några minuter

Installera det officiella OpenAI SDK:t

Börja med att lägga till klientbiblioteket till din projekt miljö. Detta säkerställer kompatibilitet med standard begärandeformat och streaming-protokoll utan att kräva anpassad HTTP-logik.

Paketet hanterar autentiseringshuvuden och JSON-serierisering automatiskt. Du kan gå vidare till konfigurationen när beroendet är löst i ditt arbetsområde.

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)

Konfigurera bas-URL och API-nyckel

Styr trafiken till vår slutpunkt genom att ställa in base_url variabel och injicera din unika nyckel i klientinstansen. Denna enkla swap dirigerar begäranden till vår optimerade uncensored-modell utan att ändra din kodstruktur.

Verifiera anslutningen genom att kontrollera /v1/models endpoint. Systemet returnerar tillgängligt modell-ID, vilket bekräftar att dina autentiseringsuppgifter är giltiga och att nätvägen är öppen.

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"}]
  }'

Skicka din första chatkompletteringsförfrågan

Skapa en standard chat-completion-payload med modell-ID:t uncensored och din önskade meddelandearray. API:et bearbetar textinmatning och returnerar genererad text, med stöd för parametrar som temperature och top_p för tonkontroll.

Se till att din request body håller sig inom 8 MB-gränsen. Systemet accepterar standard JSON-objekt och returnerar strukturerade svar som din applikation kan parsas omedelbart.

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);

Hantera Streaming-svar och Tokenanvändning

Aktivera strömning genom att ställa in stream flagga till true. Detta returnerar Server-Sent Events (SSE)-bitar, vilket gör att ditt gränssnitt kan visa tokens progressivt när de genereras.

Tokenanvändningsstatistik visas i den sista biten av strömmen. Detta tillvägagångssätt minskar upplevd latens för användare samtidigt som din fakturering förblir korrekt baserad på faktisk förbrukning.

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)

Aktivera Function Calling och JSON-läge

Aktivera strukturerade utdata genom att ställa in response_format för {"type": "json_object"}. Detta tvingar modellen att returnera strikt giltig JSON, vilket är avgörande för pålitlig integration med frontend-formulär eller backend-tjänster.

Du kan också definiera verktyg i din request body för att aktivera function calling. Modellen svarar med specifika funktionsnamn och argument, vilket gör att din kod kan exekvera extern logik baserat på användarens avsikt.

Förstå hastighetsbegränsningar och kontextfönster

Ditt API-nyckel stödjer 300 begäranden per minut och upp till 8 samtidiga begäranden. Om du överskrider dessa gränser returnerar systemet ett 429-fel tills fönstret återställs.

Kontextfönstret tillåter 100,000 tokens totalt, inklusive både prompt och slutförande. Utdata är begränsad till 16,000 tokens per begäran, eller 2,048 tokens om du inte specificerar max_tokens. Fel och vägraner förbrukar ingen kredit.