API 快速入門指南

驗證：使用您的 API 金鑰

將您的金鑰發送至 Authorization 標頭。首先使用 Google 或電子郵件建立帳戶。您的金鑰會立即顯示。不會因手機號碼而限制存取。請使用 Bearer YOUR_KEY 用於每次請求。系統會以 401 錯誤拒絕無效金鑰。在高用量使用前請檢查餘額。

端點：/v1/chat/completions

將 JSON 發布到聊天端點。此標準路由接受您的提示和模型名稱。傳送模型 ID uncensored 用於原始輸出。基礎 URL 為 https://api.llmwithoutlogin.com/v1. 您將直接獲得文字回應。以下是一個基本的 curl 範例：

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"}]
  }'

保持請求簡單。系統會快速處理請求。初期避免複雜的巢狀結構。

參數：Temperature、Top P 和 Stop

透過這些設定控制創意。設定 temperature 至 0.7 以取得平衡的輸出。使用 top_p 以過濾低機率 token。定義一個 stop 序列以提前終止生成。這些參數塑造回應風格。Python SDK 輕鬆處理它們：

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)

調整值以符合您的特定使用案例。較高的 temperature 會增加隨機性。

透過 SSE 的串流回應

接收即時生成的 token。設定 stream: true 在您的請求中。API 返回伺服器發送事件。每個區塊包含部分文字。這大幅降低了感知延遲。適用於長輸出：

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);

在應用程式中緩衝區塊。將它們串連以形成最終文字。此方法對於即時介面非常高效。

函式呼叫與 JSON 模式

精確構造您的輸出。使用 response_format 與 {"type": "json_object"}. 這可強制模型輸出有效的 JSON。您也可以定義工具以進行函數呼叫。系統將遵循您的結構。在您的主體中定義工具，這能確保程式碼中的解析可靠性。

處理錯誤與 token 使用量

監控您的請求狀態碼。401 錯誤表示您的金鑰無效。402 錯誤表示餘額不足。429 錯誤表示觸及速率限制。您每分鐘有 300 次請求。上下文視窗為 100,000 個 token。輸出上限為 16,000 個 token。檢查最後一個 SSE 區塊以獲取使用統計。錯誤不消耗餘額。您的預付餘額保持完整。

串流

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)