เริ่มต้นใช้งานสำหรับนักพัฒนาสำหรับ API Uncensored

URL ฐานและการตรวจสอบสิทธิ์

กำหนดค่า client ของคุณให้ชี้ไปยัง endpoint LLM uncensored โดยใช้ API key ของคุณ URL พื้นฐานคือ HTTPS://api.oneapillm.com/v1, ซึ่งทำงานร่วมกับ SDK ที่เข้ากันได้กับ OpenAI ใดๆ คุณรับคีย์ผ่านหน้า "Get API key" โดยใช้ Google หรืออีเมล และจะปรากฏทันที ใช้คีย์นี้ใน Authorization header หรือ api_key คำขอของคุณจะถูกกำหนดเส้นทางไปยังโมเดลโอเพนซอร์สเดียวที่ปรับแต่งสำหรับการตอบกลับแบบไม่จำกัด

• Base URL: https://api.oneapillm.com/v1
• Auth: Bearer token ผ่าน Authorization: Bearer YOUR_KEY

การส่งคำขอครั้งแรกของคุณ

ส่งมาตรฐาน POST request to /v1/chat/completions ด้วยรหัสโมเดล uncensored. เอนด์พอยต์นี้รับอินพุตข้อความและส่งคืนเอาต์พุตข้อความ รองรับสูงสุด 16,000 tokens ต่อการตอบกลับ คุณสามารถส่งพรอมต์ง่ายๆ หรือข้อความที่มีโครงสร้างเหมือนกับที่คุณทำกับโมเดลภาษาขนาดใหญ่อื่นๆ ระบบจะไม่ปฏิเสธเนื้อหาสำหรับผู้ใหญ่ที่ถูกต้องตามกฎหมายหรือเนื้อหาที่เฉียบคม เพื่อให้แน่ใจว่าเอาต์พุตมีความสม่ำเสมอ

Example cURL request:

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"}]
  }'

จำไว้ว่าข้อผิดพลาดและการปฏิเสธนั้นฟรี ดังนั้นคุณสามารถทดลองได้โดยไม่ต้องกังวลเกี่ยวกับต้นทุนโทเค็นสำหรับคำขอที่ล้มเหลว

การผสานรวม SDK Python

ใช้ไคลเอนต์ Python ทางการเพื่อโต้ตอบกับจุดสิ้นสุดเอกสารประกอบ API อย่างราบรื่น ตั้งค่า base_url ไปยังเอนด์พอยต์ LLM API เดียวและระบุคีย์ API ของคุณ SDK จัดการการแปลงข้อมูลและการสตรีมโดยอัตโนมัติ ทำให้คุณสามารถโฟกัสที่ลอจิกของแอปพลิเคชันได้ คุณสามารถส่งข้อความหลายรายการในการร้องขอเดียวเพื่อรักษาบริบท

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)

ไคลเอนต์รองรับพารามิเตอร์มาตรฐานเช่น temperature และ top_p เพื่อควบคุมความคิดสร้างสรรค์และความสุ่ม วิธีนี้ทำให้โค้ดของคุณเรียบง่ายและสามารถพกพาได้ระหว่างผู้ให้บริการโมเดลต่างๆ

การกำหนดค่า Node SDK

เริ่มต้นไคลเอนต์ Node.js โดยระบุ URL พื้นฐานเฉพาะเพื่อเข้าถึงโมเดล AI แบบ uncensored ส่งคีย์ API และรหัสระบุโมเดล uncensored เพื่อให้แน่ใจว่าการเปลี่ยนเส้นทางที่ถูกต้อง SDK จัดการการเชื่อมต่อ HTTP และแยกวิเคราะห์การตอบสนอง JSON อย่างมีประสิทธิภาพ คุณสามารถส่งคำขอแบบสตรีมหรือไม่สตรีมขึ้นอยู่กับกรณีการใช้งานของคุณ

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);

ตรวจสอบว่าคุณจัดการวัตถุการตอบกลับได้อย่างถูกต้องเนื่องจากโครงสร้างตรงกับรูปแบบของ OpenAI ความเข้ากันได้นี้หมายความว่าคุณสามารถเปลี่ยน URL พื้นฐานได้โดยไม่ต้องเปลี่ยนตรรกะหลักของคุณ

การตอบกลับแบบสตรีมมิ่งผ่าน SSE

เปิดใช้งานการสตรีมโดยการตั้งค่า stream พารามิเตอร์นี้เพื่อ true ในการร้องขอของคุณ เซิร์ฟเวอร์ส่งสตรีม Server-Sent Events (SSE) ซึ่งช่วยให้คุณประมวลผลโทเค็นทันทีที่สร้างเสร็จ วิธีนี้เหมาะสำหรับแอปพลิเคชันแบบเรียลไทม์ที่ความล่าช้าสำคัญ ชิ้นสุดท้ายมีจำนวนโทเค็นรวมสำหรับการร้องขอ

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)

การสตรีมช่วยรักษาความสนใจของผู้ใช้โดยการแสดงความคืบหน้า คุณสามารถแยกวิเคราะห์แต่ละชิ้นส่วนเพื่อสร้างคำตอบที่สมบูรณ์หรือแสดงโทเค็นแบบเพิ่มทีละส่วน โมเดล uncensored รองรับคุณลักษณะนี้ได้อย่างน่าเชื่อถือ

Function Calling และโหมด JSON

ใช้ API สำหรับการดึงข้อมูลแบบมีโครงสร้างหรือการเรียกใช้เครื่องมือด้วยการเรียกใช้ฟังก์ชัน กำหนดเครื่องมือของคุณในคำขอ และโมเดลจะส่งผลลัพธ์ JSON แบบมีโครงสร้างกลับมา คุณยังสามารถบังคับใช้โหมด JSON ได้โดยการตั้งค่า response_format เพื่อ {"type": "json_object"}สิ่งนี้ช่วยให้ผลลัพธ์เป็น JSON ที่ถูกต้องเสมอ ซึ่ง bergunaสำหรับการแยกวิเคราะห์ โมเดลได้รับการปรับแต่งให้ปฏิบัติตามคำแนะนำได้อย่างแม่นยำ แม้สำหรับสคีมาที่ซับซ้อน