API Dokumentation

Base URL og autentificering

Start med at pege din klient mod vores base URL og sende din nøgle i authorization-headeren. Vi tilbyder et enkelt endpoint, der accepterer standard OpenAI-payloads uden at kræve tilpassede headers eller kompleks routing-logik. Din API-nøgle giver adgang til den dedikerede uncensored-model, og du kan generere den øjeblikkeligt via dashboardet ved hjælp af Google- eller e-mail-autentificering. Hold din nøgle sikker, da den er den eneste legitimationsoplysning, der kræves til alle anmodninger.

Copycurl https://api.howtouseuncensoredai.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "what is the current temperature in london"}]
  }'

Chat Completions Endpoint

Send dine prompts til chat/completions endpoint ved hjælp af standard messages array-struktur. Du skal angive model-ID'et som uncensored for at sikre, at du rammer den korrekte inferensmotor. API'et returnerer tekstsvar, der respekterer dine temperatur- og top-p-indstillinger uden skjulte afvisninger for lovligt indhold. Denne enkle struktur gør det muligt at indsætte vores tjeneste i eksisterende projekter med minimale kodeændringer.

Streaming og Token-forbrug

Aktivér streaming ved at indstille stream: true for at modtage tokens, mens de genereres, via Server-Sent Events. Dette reducerer den opfattede latens for lange svar og tillader, at din grænseflade opdateres i realtid. Tokenforbrugsdetaljer er inkluderet i den sidste chunk af streamet, så du kan spore omkostninger nøjagtigt uden at lagre hele svaret i hukommelsen. Fejl under streaming medfører ikke gebyrer for den delvise output.

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)

Function Calling og JSON-tilstand

Brug den tools parameter til at aktivere funktion-kald, hvilket giver modellen mulighed for at outputte struktureret data til dine applikationer. Du kan også tvinge JSON-output ved at indstille response_format til {"type": "json_object"} til streng skemaefterlevelse. Disse funktioner fungerer sammen med vores ucensurerede model, så du får strukturerede outputs uden at miste modellens evne til at håndtere komplekse eller nicherede emner. Definér dine funktionsskemaer tydeligt for at få pålidelige resultater.

Copyfrom openai import OpenAI

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

Node SDK-integration

Integrér hurtigt ved hjælp af den officielle OpenAI Node SDK ved at overskrive base URL'en, så den peger på vores tjeneste. Dette sikrer kompatibilitet med eksisterende wrappers og middleware, der forventer standard OpenAI-adfærd. Du kan håndtere fejl elegant og administrere genforsøg baseret på statuskoderne returneret af vores API. SDK'en håndterer serialisering og deserialisering, så du kan fokusere på din applikationslogik frem for HTTP-detajler.

Copyimport OpenAI from "openai";

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

Rate Limits og Kvoter

Vores API har en grænse på 300 requests i minuttet per nøgle, med en samtidighedsgrænse på 8 samtidige requests. Hvis du overskrider disse grænser, modtager du en 429-fejl, og ugyldige nøgler returnerer en 401-fejl. En 402-fejl indikerer utilstrækkelig forudbetalt kredit, som du kan topp op med USDT eller USDC. Modellen understøtter et kontekstvindue på 100,000 tokens, hvilket giver mulighed for omfattende inputdata, mens ydeevnen opretholdes.