Schnellstart für Entwickler für die unzensierte API

Basis-URL und Authentifizierung

Konfigurieren Sie Ihren Client so, dass er auf den unzensierten LLM-Endpunkt zeigt, unter Verwendung Ihres API-Schlüssels. Die Base-URL lautet HTTPS://api.oneapillm.com/v1, das mit jedem OpenAI-kompatiblen SDK funktioniert. Sie erhalten einen Schlüssel über die Seite „API-Schlüssel abrufen“ mit Google oder E-Mail, und er erscheint sofort. Verwenden Sie diesen Schlüssel in dem Authorization header oder das api_key Feld. Ihre Anfragen werden an ein einzelnes Open-Weight-Modell geleitet, das für uneingeschränkte Antworten optimiert ist.

• Base URL: https://api.oneapillm.com/v1
• Auth: Bearer-Token über Authorization: Bearer YOUR_KEY

Senden Ihrer ersten Anfrage

Eine Standard- POST Anfrage an /v1/chat/completions mit der Modell-ID uncensored. Dieser Endpunkt akzeptiert Texteingaben und gibt Textausgaben zurück und unterstützt bis zu 16.000 Tokens pro Antwort. Sie können einfache Prompts oder strukturierte Nachrichten senden, genau wie bei anderen Large Language Models. Das System lehnt legale erwachsene oder kantige Inhalte nicht ab, was eine konsistente Ausgabe gewährleistet.

Beispiel-cURL-Anfrage:

Copycurl https://api.oneapillm.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "list all exported functions in index.ts"}]
  }'

Denken Sie daran, dass Fehler und Ablehnungen kostenlos sind, sodass Sie experimentieren können, ohne sich über Token-Kosten für fehlgeschlagene Anfragen sorgen zu müssen.

Python SDK-Integration

Verwenden Sie den offiziellen Python-Client, um nahtlos mit den API-Dokumentationsendpunkten zu interagieren. Legen Sie die base_url an den einen API-LLM-Endpunkt und geben Sie Ihren API-Schlüssel an. Das SDK übernimmt die Serialisierung und das Streaming automatisch, sodass Sie sich auf die Logik Ihrer Anwendung konzentrieren können. Sie können mehrere Nachrichten in einer einzigen Anfrage senden, um den Kontext aufrechtzuerhalten.

Copyfrom openai import OpenAI

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

Der Client unterstützt Standardparameter wie temperature und top_p um Kreativität und Zufälligkeit zu steuern. Dieser Ansatz hält Ihren Code einfach und portabel über verschiedene Modellanbieter hinweg.

Node SDK-Konfiguration

Initialisieren Sie den Node.js-Client mit der spezifischen Basis-URL, um auf die unzensierten KI-Modelle zuzugreifen. Übergeben Sie Ihren API-Schlüssel und die Modellkennung. uncensored um die korrekte Weiterleitung zu gewährleisten. Das SDK verwaltet die HTTP-Verbindungen und analysiert die JSON-Antworten effizient. Sie können Streaming- oder Nicht-Streaming-Anfragen je nach Anwendungsfall senden.

Copyimport OpenAI from "openai";

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

Stellen Sie sicher, dass Sie die Antwortobjekte korrekt verarbeiten, da die Struktur dem OpenAI-Format entspricht. Diese Kompatibilität bedeutet, dass Sie die Basis-URL austauschen können, ohne Ihre Kernlogik zu ändern.

Streaming-Antworten über SSE

Aktivieren Sie das Streaming, indem Sie den stream Parameter auf true in Ihrer Anfrage. Der Server sendet einen Stream von Server-Sent Events (SSE), der es Ihnen ermöglicht, Tokens zu verarbeiten, sobald sie generiert werden. Dies ist ideal für Echtzeitanwendungen, bei denen Latenz eine Rolle spielt. Der letzte Chunk enthält die gesamte Token-Nutzung für die Anfrage.

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)

Streaming hält den Benutzer durch die Anzeige von Fortschritt engagiert. Sie können jeden Chunk parsen, um eine vollständige Antwort aufzubauen, oder Tokens inkrementell anzeigen. Das uncensored-Modell unterstützt diese Funktion zuverlässig.

Function Calling und JSON-Modus

Verwenden Sie die API für die Extraktion strukturierter Daten oder die Ausführung von Tools mit Function Calling. Definieren Sie Ihre Tools in der Anfrage, und das Modell gibt strukturierte JSON-Ausgaben zurück. Sie können den JSON-Modus auch aktivieren, indem Sie response_format zu {"type": "json_object"}. Dies stellt sicher, dass die Ausgabe immer gültiges JSON ist, was zum Parsen nützlich ist. Das Modell ist darauf abgestimmt, Anweisungen genau zu befolgen, auch bei komplexen Schemas.