Integriere die API des unzensierten KI-Modells

Authentifizierung und Base URL

Unsere API ist als sofort einsetzbarer Ersatz für bestehende OpenAI-Clients konzipiert. Du musst nur zwei Variablen ändern: die base_url und deinen api_key. Die Basis-URL für alle Anfragen ist https://api.llmmodelsapi.com/v1. Die Authentifizierung erfolgt über den Authorization-Header mit einem Bearer-Token. Halte deinen API-Schlüssel sicher, da er Zugriff auf dein Prepaid-Guthaben gewährt. Du kannst deinen Schlüssel jederzeit im Dashboard neu generieren, wodurch der alte sofort ungültig wird.

Erste Anfrage

Sende eine Standard-Anfrage für chat completions, um die Konnektivität zu testen. Verwende die Modell-ID uncensored, um auf unser speziell entwickeltes Large Language Model zuzugreifen. Dieses Modell ist darauf abgestimmt, ohne Inhaltsfilter bei rechtmäßiger Erwachsenennutzung zu antworten, was es ideal für Agents macht, die konsistente Ausgaben benötigen. Der Anfragekörper folgt dem Standardformat für OpenAI chat completions.

Copycurl https://api.llmmodelsapi.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Write a blunt product review of a cheap VPN."}]
  }'

Überprüfe, ob die Antwort eine gültige Vervollständigung enthält. Wenn du einen 200-Statuscode erhältst, funktioniert deine Integration korrekt. Dieser ai model api-Endpunkt unterstützt sowohl Single-Turn- als auch Multi-Turn-Gespräche innerhalb des Kontextfensters.

Python SDK-Integration

Die Verwendung des offiziellen OpenAI Python SDK ist der schnellste Weg zur Integration. Weise den Client auf unsere Base URL hin und gib deinen API-Schlüssel an. Das SDK übernimmt die Serialisierung und Connection Pooling automatisch. Dieser Ansatz funktioniert mit jeder OpenAI-kompatiblen Client-Bibliothek, die die base_url-Überschreibung unterstützt.

Copyfrom openai import OpenAI

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

Das Python SDK unterstützt Streaming und synchrone Aufrufe. Für die meisten Agent-Workflows sind synchrone Aufrufe einfacher, aber Streaming ist verfügbar, wenn du Token während der Generierung anzeigen möchtest. Die Modell-ID bleibt uncensored, unabhängig von der SDK-Version.

Node SDK-Integration

Für JavaScript- und TypeScript-Umgebungen folgt das Node SDK demselben Muster. Initialisiere den Client mit der korrekten Basis-URL und den Anmeldeinformationen. So erfordert deine bestehende Codebasis minimale Änderungen beim Anbieterwechsel. Die Modell-ID uncensored ist mit allen Standard-Parametern für chat completions kompatibel.

Copyimport OpenAI from "openai";

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

Das Node SDK unterstützt ebenfalls async/await-Muster, was die Integration in Express-Routes oder serverlose Funktionen erleichtert. Bewahre deinen API-Schlüssel in Umgebungsvariablen auf, um unbeabsichtigte Offenlegung zu verhindern. Dieses openai compatible api-Design bedeutet, dass du nur das Konfigurationsobjekt ändern musst, um zu OpenAI zurückzuwechseln oder zu anderen Anbietern zu wechseln.

Streaming-Antworten

Aktiviere Streaming, indem du stream: true in deiner Anfrage setzt. Die API gibt einen Server-Sent Events (SSE)-Stream zurück, sodass du Token verarbeiten kannst, während sie generiert werden. Dies reduziert die wahrgenommene Latenz für Endnutzer und ist für Echtzeit-Agent-Interaktionen unerlässlich. Das Stream-Format entspricht exakt der OpenAI SSE-Spezifikation.

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)

Jeder Chunk enthält partielle Delta-Daten. Du musst diese Deltas akkumulieren, um die vollständige Antwort zu rekonstruieren. Streaming beeinflusst die Preise nicht; du wirst für die Gesamtzahl der Input- und Output-Token berechnet, unabhängig vom Streaming-Modus. Dieses Feature ist Teil des robusten chat completions api-Designs, das wir bereitstellen.

Limits, Fehler und Kontext

Unsere Infrastruktur erzwingt strenge Grenzwerte, um Zuverlässigkeit zu gewährleisten. Du bist auf 300 Anfragen pro Minute pro Schlüssel begrenzt, mit einer maximalen Anforderungskörpergröße von 8 MB. Das Kontextfenster beträgt 100.000 Token, geteilt zwischen Prompt und Vervollständigung. Wenn du das Ratenlimit überschreitest, erhältst du einen 429-Fehler. Ein ungültiger Schlüssel gibt 401 zurück, und unzureichendes Guthaben gibt 402 zurück. Im Gegensatz zu vielen llm api provider-Optionen verbergen wir diese Grenzwerte nicht; sie sind transparent und konsistent. Es findet kein Training an deinen Daten statt, und die Privatsphäre wird gewahrt, indem Prompts nicht zur Modellverbesserung verwendet werden.