Οδηγός Γρήγορης Εκκίνησης API

Πιστοποίηση: Χρήση του API Key σας

Στείλτε το key σας στο Authorization header. Ξεκινήστε δημιουργώντας έναν λογαριασμό με Google ή email. Το κλειδί σας εμφανίζεται αμέσως. Κανένας αριθμός τηλεφώνου δεν εμποδίζει την πρόσβασή σας. Χρησιμοποιήστε Bearer YOUR_KEY για κάθε αίτηση. Το σύστημα απορρίπτει τα άκυρα κλειδιά με σφάλμα 401. Ελέγξτε το υπόλοιπό σας πριν από βαριά χρήση.

Τερματικό σημείο: /v1/chat/completions

Υποβάλετε JSON στο σημείο τερματισμού chat. Αυτή η τυπική διαδρομή δέχεται το prompt και το όνομα του μοντέλου σας. Στείλτε το ID μοντέλου uncensored για ωμή έξοδο. Το base URL είναι https://api.llmwithoutlogin.com/v1. Λαμβάνετε απαντήσεις κειμένου απευθείας. Ακολουθεί ένα βασικό παράδειγμα curl:

Copycurl https://api.llmwithoutlogin.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Get the latest npm package version"}]
  }'

Κρατήστε τα αιτήματά σας απλά. Το σύστημα τα επεξεργάζεται γρήγορα. Αποφύγετε πολύπλοκες δομές αρχικά.

Παράμετροι: Temperature, Top P, και Stop

Ελέγξτε τη δημιουργικότητα με αυτές τις ρυθμίσεις. Ορίστε temperature σε 0.7 για ισορροπημένο output. Χρησιμοποιήστε top_p για να φιλτράρετε tokens χαμηλής πιθανότητας. Ορίστε ένα stop ακολουθία για να τερματίσετε τη δημιουργία νωρίς. Αυτές οι παράμετροι διαμορφώνουν το στυλ της απάντησης. Το Python SDK τις χειρίζεται εύκολα:

Copyfrom openai import OpenAI

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

Προσαρμόστε τις τιμές ανάλογα με την συγκεκριμένη περίπτωσή σας. Η υψηλότερη θερμοκρασία αυξάνει την τυχαία συμπεριφορά.

Streaming Αποκρίσεις μέσω SSE

Λάβετε tokens καθώς παράγονται. Ρυθμίστε stream: true στην αίτησή σας. Το API επιστρέφει Server-Sent Events. Κάθε κομμάτι περιέχει μερικό κείμενο. Αυτό μειώνει σημαντικά την αντιλαμβανόμενη καθυστέρηση. Χρησιμοποιήστε το για μεγάλες εξόδους:

Copyimport OpenAI from "openai";

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

Bufferάρετε τα chunks στην εφαρμογή σας. Συγκολλήστε τα για να σχηματίσετε το τελικό κείμενο. Αυτή η μέθοδος είναι αποτελεσματική για διεπαφές πραγματικού χρόνου.

Function Calling και JSON Mode

Δομήστε την έξοδά σας με ακρίβεια. Χρησιμοποιήστε response_format με {"type": "json_object"}. Αυτό αναγκάζει το μοντέλο να επιστρέψει έγκυρο JSON. Μπορείτε επίσης να ορίσετε εργαλεία για κλήση συναρτήσεων. Το σύστημα συμμορφώνεται με το σχήμα σας. Ορίστε τα εργαλεία στο φορτίο σας. Αυτό εξασφαλίζει αξιόπιστη ανάλυση στον κώδικά σας.

Χειρισμός Σφαλμάτων και Κατανάλωσης Tokens

Παρακολουθήστε τους κωδικούς κατάστασης των αιτημάτων σας. Σφάλμα 401 σημαίνει ότι το κλειδί σας είναι άκυρο. Σφάλμα 402 υποδεικνύει ανεπαρκές πιστωτικό ισοζύγιο. Σφάλμα 429 σηματοδοτεί περιορισμό ρυθμού. Έχετε 300 αιτήματα ανά λεπτό. Το παράθυρο πλαισίου είναι 100,000 tokens. Η έξοδος περιορίζεται στα 16,000 tokens. Ελέγξτε το τελευταίο chunk SSE για στατιστικά χρήσης. Τα σφάλματα δεν καταναλώνουν πιστωτικό ισοζύγιο. Το προκαταβλεπόμενο ισοζύγιό σας παραμένει άθικτο.

Ροή

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)