Guide de démarrage rapide pour les développeurs pour l'API uncensored

URL de base et authentification

Configurez votre client pour pointer vers le point de terminaison du LLM sans censure à l'aide de votre clé API. L'URL de base est HTTPS://api.oneapillm.com/v1, qui fonctionne avec n'importe quel SDK compatible OpenAI. Vous obtenez une clé via la page "Get API key" en utilisant Google ou l'email, et elle apparaît immédiatement. Utilisez cette clé dans le Authorization header ou le api_key champ. Vos requêtes sont acheminées vers un seul modèle à poids ouverts optimisé pour des réponses non restreintes.

• URL de base : https://api.oneapillm.com/v1
• Auth : jeton Bearer via Authorization: Bearer YOUR_KEY

Envoi de votre première requête

Faites une demande standard POST requête à /v1/chat/completions avec l'ID du modèle uncensored. Ce point de terminaison accepte une entrée textuelle et renvoie une sortie textuelle, prenant en charge jusqu’à 16 000 tokens par réponse. Vous pouvez envoyer des invites simples ou des messages structurés comme vous le feriez avec d’autres grands modèles de langage. Le système ne refuse pas le contenu adulte légitime ou audacieux, garantissant une sortie cohérente.

Requête cURL d'exemple :

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"}]
  }'

N'oubliez pas que les erreurs et les refus sont gratuits, vous pouvez donc expérimenter sans vous soucier des coûts de tokens pour les requêtes échouées.

Intégration du SDK Python

Utilisez le client Python officiel pour interagir avec les points de terminaison de la documentation API en toute transparence. Définissez le base_url au point de terminaison unique API LLM et fournissez votre clé API. Le SDK gère automatiquement la sérialisation et le streaming, vous permettant de vous concentrer sur la logique de votre application. Vous pouvez envoyer plusieurs messages dans une seule requête pour maintenir le contexte.

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)

Le client prend en charge les paramètres standard tels que temperature et top_p pour contrôler la créativité et l’aléatoire. Cette approche garde votre code simple et portable entre différents fournisseurs de modèles.

Configuration du SDK Node

Initialisez le client Node.js avec l'URL de base spécifique pour accéder aux modèles d'IA uncensored. Transmettez votre clé API et l'identifiant du modèle. uncensored pour assurer un acheminement correct. Le SDK gère les connexions HTTP et analyse les réponses JSON efficacement. Vous pouvez envoyer des requêtes en streaming ou non selon votre cas d'utilisation.

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);

Assurez-vous de gérer correctement les objets de réponse, car la structure correspond au format OpenAI. Cette compatibilité signifie que vous pouvez remplacer l'URL de base sans modifier votre logique principale.

Réponses en streaming via SSE

Activez le streaming en définissant le stream le paramètre à true dans votre requête. Le serveur retourne un flux de Server-Sent Events (SSE), vous permettant de traiter les tokens au fur et à mesure de leur génération. C'est idéal pour les applications en temps réel où la latence est importante. Le dernier chunk contient l'utilisation totale des tokens pour la requête.

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)

Le streaming aide à maintenir l'utilisateur engagé en affichant la progression. Vous pouvez analyser chaque morceau pour construire une réponse complète ou afficher les jetons de manière incrémentale. Le modèle uncensored prend en charge cette fonctionnalité de manière fiable.

Appel de fonction et mode JSON

Utilisez l'API pour l'extraction de données structurées ou l'exécution d'outils avec appel de fonctions. Définissez vos outils dans la requête, et le modèle retournera une sortie JSON structurée. Vous pouvez également activer le mode JSON en définissant response_format à {"type": "json_object"}. Cela garantit que la sortie est toujours du JSON valide, ce qui est utile pour l'analyse. Le modèle est ajusté pour suivre les instructions avec précision, même pour des schémas complexes.