使用無審查 api 快速入門

先決條件與 SDK 設定

我們的 API 與任何 OpenAI 相容的客戶端配合運作。您只需從儀表板獲取 API 金鑰。

為您的語言安裝標準 SDK。對於 Python，請執行 pip install openai. 對於 Node.js，請執行 npm install openai. 使用標準的 OpenAI 類別。

將基礎 URL 設定為我們的端點。這確保所有請求正確路由至我們的 uncensored LLM。

使用您的 API 金鑰驗證

在 Authorization 標頭. 我們要求每個請求都必須提供此項。

在「取得 API 金鑰」頁面產生金鑰。您可以使用 Google 登入，或使用電子郵件和密碼登入。

保持您的金鑰安全。每個帳戶僅有一個有效金鑰。如果您遺失了它，請生成新金鑰以取代舊金鑰。

發送您的第一個聊天完成請求

向以下網址發送 POST 請求 /v1/chat/completions. 將模型指定為 uncensored.

將您的訊息包含在 messages 陣列。模型會回傳文字回應。

這是一個 curl 範例：

Copycurl https://api.llmsuncensored.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Set the timeout to 30 seconds for the request"}]
  }'

透過 SSE 處理串流回應

使用串流進行即時輸出。設定 stream 以 true 在您的請求中。

API 傳送伺服器發送的事件。每個區塊包含部分文字。

收集所有塊以構建完整響應。這非常適合聊天界面。

Python 範例：

Copyfrom openai import OpenAI

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

配置 temperature 等參數

調整參數以控制創造力。使用 temperature 用於隨機性。

設定 top_p 用於核採樣。使用 max_tokens 以限制輸出長度。

我們支援 100,000 個 token 的上下文視窗。這允許進行長對話。

Node.js 範例：

Copyimport OpenAI from "openai";

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

了解 token 使用與成本

僅為實際用量付費。信用額度為預付形式且永不過期。

輸入 token 每 1M 費用為 $0.15。輸出 token 每 1M 費用為 $0.50。

錯誤與拒絕均免費。請查看最後一個區塊以獲取 token 用量。

串流範例：

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)