快速入门：集成无审查聊天 API

认证和基础 URL

使用您的唯一 API 密钥和专用基础 URL 将客户端连接到我们的基础设施。端点结构与标准 OpenAI 格式一致，允许您在更换提供商时无需更改应用程序逻辑。在“获取 API 密钥”页面通过 Google 或电子邮件注册后，您将即时获取该密钥。无需电话号码即可验证。

• 基础 URL：HTTPS://api.llmcheapapi.com/v1
• 标头：授权：Bearer YOUR_API_KEY

保持密钥安全。如果你需要新密钥，请在仪表板生成新密钥，这将立即使之前的活跃密钥失效。每个账户同时只支持一个活跃密钥。

聊天完成端点

通过向聊天补全端点发送标准 POST 请求向 uncensored 模型发送文本提示。此端点接受 OpenAI 格式的消息并返回生成的文本响应。您将模型 ID 指定为 "uncensored" 以确保请求行为的一致性。

• 端点：POST /v1/chat/completions
• 模型 ID："uncensored"

该模型处理您的输入并返回结果，且对合法的成人主题没有企业限制。处理过程中的错误不会消耗您的预付费额度。您仅按消耗的 token 付费。

流式响应（SSE）

使用服务器发送事件（SSE）进行实时令牌生成，以降低交互式应用的延迟。将 stream 参数设置为 true 以接收生成的文本分块。这种方法减少了角色扮演或聊天场景中用户的感知等待时间。

每个块包含部分文本和元数据。最后一个块包含用于计费的总 token 用量。您可以解析这些事件以增量更新 UI，而无需等待完整响应。

函数调用与工具

通过定义模型在生成过程中可调用的工具来实现结构化交互。使用 tools 参数提供函数定义，并将 tool_choice 设置为 automatic 或特定函数名称。模型将在响应格式中返回工具调用，您可以在后端执行这些调用。

此功能支持复杂的工作流，其中 API 充当决策引擎。您可以将结果传递到后续请求中以保持上下文。函数调用与标准文本生成同时工作，无需额外费用。

JSON 模式输出

通过设置 response_format 为 json_object 强制模型返回严格有效的 JSON。此模式非常适合从不结构化提示中解析结构化数据。模型优化其输出以符合 JSON 语法规则，从而减少应用中的解析错误。

当与需要可预测数据结构的数据库或前端组件集成时，使用此功能。您可以在提示中定义预期的模式，或依靠模型的训练来推断结构。JSON 格式错误很少见，但如果请求失败，则不会产生费用。

参数：温度和 Top P

使用 temperature 和 top_p 参数控制创造力和随机性。Temperature 调整预测 token 的概率分布，较高的值产生更多样化的输出。Top_p 基于累积概率过滤 token，确保多样且连贯的文本。

对于角色扮演或创意写作，设置较高的温度以增加多样性。对于确定性任务，使用较低的值。你还可以设置 seed 以获得可重现的结果。这些参数微调无审查模型的行为，而不影响定价。生成较长输出时，请注意标记限制。

cURL

Copycurl https://api.llmcheapapi.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Generate a summary of the latest Rust update notes"}]
  }'

Python

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.llmcheapapi.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.js

Copyimport OpenAI from "openai";

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

流式传输

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)