無審查 API 的開發者快速入門

基礎 URL 與驗證

使用您的 API 金鑰將客戶端指向無審查 LLM 端點。基礎 URL 為 HTTPS://api.oneapillm.com/v1, 與任何 OpenAI 相容的 SDK 配合使用。您可以透過「取得 API 金鑰」頁面使用 Google 或電子郵件取得金鑰，並立即顯示。在 Authorization 標頭或 SDK 的 api_key 欄位。您的請求會路由至單一針對無限制回應進行調校的開放權重模型。

• 基礎 URL： https://api.oneapillm.com/v1
• 驗證：透過 Authorization: Bearer YOUR_KEY

發送您的第一個請求

進行標準 POST 請求至 /v1/chat/completions 使用模型 ID uncensored. 此端點接受文字輸入並返回文字輸出，每個回應支援最多 16,000 token。您可以發送簡單提示或結構化訊息，就像您與其他大型語言模型互動一樣。系統不會拒絕合法的成人或邊緣內容，確保輸出一致。

範例 cURL 請求：

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"}]
  }'

請記住，錯誤和拒絕是免費的，因此您可以進行實驗而無需擔心失敗請求的 token 成本。

Python SDK 集成

使用官方 Python 客戶端無縫與 API 文件端點互動。設定 base_url 至單一 API LLM 端點並提供您的 API 金鑰。SDK 會自動處理序列化與串流，讓您可以專注於應用程式邏輯。您可以在單一請求中傳送多則訊息以維持上下文。

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)

該客戶端支援標準參數，例如 temperature 和 top_p 控制創意和隨機性。這種方法保持代碼簡單，並可移植到不同的模型提供商。

Node SDK 配置

使用特定基礎 URL 初始化 Node.js 用戶端以存取 uncensored AI 模型。傳遞您的 API 金鑰與模型識別碼。 uncensored 確保正確的路由。SDK 管理 HTTP 連接並高效解析 JSON 回應。您可以根據使用案例發送串流或非串流請求。

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);

請確保正確處理回應物件，因為其結構符合 OpenAI 格式。這種相容性意味著您可以更換基礎 URL，而無需變更核心邏輯。

透過 SSE 的串流回應

透過設定 stream 參數至 true 在你的請求中。伺服器返回伺服器發送的事件（SSE）串流，允許你隨著生成進度處理 token。這非常適合對延遲敏感的即時應用程式。最後一個區塊包含請求的總 token 用量。

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)

串流有助於保持使用者參與度，透過顯示進度。您可以解析每個區塊以構建完整回應，或增量顯示 token。uncensored 模型可靠地支援此功能。

函式呼叫與 JSON 模式

使用 API 進行結構化資料擷取或透過函式呼叫執行工具。在請求中定義您的工具，模型將回傳結構化的 JSON 輸出。您也可以透過設定來啟用 JSON 模式， response_format 以 {"type": "json_object"}. 這可確保輸出始終是有效的 JSON，這對於解析很有用。模型經過調校，能準確遵循指示，即使是複雜的 schema。