Integrieren Sie die unzensierte LLM-API

Voraussetzungen und SDK-Installation

Installieren Sie das offizielle SDK für Ihre bevorzugte Sprache, um mit dem Endpunkt zu kommunizieren. Sie benötigen Python 3.7+ oder Node.js 18+ mit einem aktiven API-Schlüssel. Die Client-Bibliotheken übernehmen die Serialisierung und Wiederholungslogik automatisch. Dies gewährleistet, dass Ihre Integration unter wechselnden Lastbedingungen stabil bleibt.

Erforderliche Versionen: Python openai>=1.0.0 oder Node [email protected]. Diese Pakete unterstützen die modernen Streaming- und Tool-Calling-Schnittstellen.

Die Basis-URL festlegen

Richten Sie Ihren SDK-Client auf unsere spezifische Basis-URL, um den Datenverkehr korrekt zu leiten. Dies stellt sicher, dass Sie sich mit dem unzensierten Modell statt mit dem Standard-OpenAI-Endpunkt verbinden. Die Basis-URL ist https://api.iasenzacensura.com/v1.

Konfigurieren Sie die Basis-URL in Ihrem Client-Initialisierungscode. Diese einzelne Änderung leitet alle nachfolgenden Aufrufe an unsere Infrastruktur um. Sie können die Verbindung überprüfen, indem Sie GET /v1/models und prüfen Sie auf das uncensored Modell-ID.

Authentifizierung mit API-Schlüssel

Übergeben Sie Ihren API-Schlüssel in der Authorization header für jede Anfrage. Verwenden Sie das Format Bearer YOUR_API_KEY zur Authentifizierung Ihrer Identität. Der Schlüssel wird sofort nach der Anmeldung mit Google oder E-Mail generiert.

Halten Sie Ihren Schlüssel sicher. Er gewährt Zugriff auf Ihr bezahltes Guthaben. Wenn Sie den Schlüssel verlieren, generieren Sie einen neuen über das Dashboard; der alte Schlüssel wird sofort ungültig. Dies stellt sicher, dass Ihr nicht verwendetes Guthaben vor unbefugter Nutzung geschützt bleibt.

Eine Chat Completion Request senden

Senden Sie eine POST Anfrage an /v1/chat/completions mit Ihrem Prompt und der Modell-ID. Die Modell-ID ist uncensored. Dies gibt eine Textantwort ohne Inhaltsablehnungen für legale erwachsene Nutzung zurück.

Copycurl https://api.iasenzacensura.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "List the top 5 Python web frameworks"}]
  }'

Die Antwort enthält Token-Nutzungsstatistiken. Eingabetokens kosten $0.15 pro Million; Ausgabetokens kosten $0.50 pro Million. Fehler verbrauchen kein Guthaben, was Ihr Guthaben während der Testphasen schützt.

Streaming-Antworten (SSE) handhaben

Aktivieren Sie Streaming, indem Sie stream: true in Ihrem Anfragekörper. Dies gibt Server-Sent Events (SSE) für die Echtzeit-Token-Übertragung zurück. Sie erhalten teilweise Tokens, sobald sie generiert werden, was die wahrgenommene Latenz erheblich reduziert.

Copyfrom openai import OpenAI

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

Jeder Chunk enthält teilweise Text und Nutzungsdaten. Der letzte Chunk enthält die gesamte Token-Anzahl für die Anfrage. Parsen Sie diese Events, um Ihre Benutzeroberfläche schrittweise zu aktualisieren. Dies ist ideal für Chat-Schnittstellen, bei denen Benutzer sofortiges Feedback erwarten.

Konfigurieren von Parametern und Tools

Passen Sie das Generierungsverhalten mit Standardparametern wie temperature, top_p, und stop. Legen response_format zu {"type": "json_object"} für strukturierte Ausgabe. Aktivieren Sie Function Calling, indem Sie ein tools array.

Copyimport OpenAI from "openai";

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

Diese Parameter steuern Zufälligkeit und Struktur. Höhere Temperaturen erhöhen die Kreativität; niedrigere Werte verbessern die Präzision. Tool-Definitionen ermöglichen es dem Modell, externe Funktionen dynamisch aufzurufen. Dies ermöglicht komplexe Workflows ohne externe Parsing-Logik.

Streaming

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)