DE ▾
API-Schlüssel erhalten

LLM Non CensureAnleitung

Unzensierter KI-Chatbot: Bau in Python

Ein unzensierter KI-Chatbot besteht aus etwa sechzig Zeilen Python. Hier ist der Code, die Verwaltung des Verlaufs, das Streaming, die Kosten pro Chat und die zu beachtenden Regeln.

Unzensierte KI: Schritt-für-Schritt-API-Integration

Aktualisiert

Leuchtende Chat-Blasen auf einem Förderband, das zu einem Terminal führt, illustriert einen per API erstellten Chatbot

Schlüsselmerkmale

Was du bauen wirst

Das Ziel: Ein unzensierter KI-Chatbot in der Kommandozeile, der den Faden der Diskussion behält, die Antwort schrittweise anzeigt und beim ersten Netzwerkfehler nicht abstürzt. Ist die Logik erst einmal implementiert, lässt sie sich mühelos auf eine Webanwendung, einen Messaging-Bot oder ein Rollenspiel übertragen.

Voraussetzungen: Python 3.9 oder höher, das Paket openai (pip install openai) und ein Schlüssel, den du auf der Seite API-Schlüssel erhalten erstellst. Das Testguthaben von 0,50 $ ohne Zahlungsmethode reicht für dieses Tutorial völlig aus. Das Modell heißt uncensored: Es ist ein Textmodell, das für die Ausgabe ohne Inhaltsablehnung im Rahmen legaler Erwachsenen-Nutzung konfiguriert ist. Es generiert keine Bilder.

Schritt 1: Ein erster Austausch

Bevor du die Schleife codest, prüfe, ob alles mit einem einfachen curl-Aufruf funktioniert:

curl https://api.llmnoncensure.com/v1/chat/completions   -H "Authorization: Bearer VOTRE_CLE"   -H "Content-Type: application/json"   -d '{"model":"uncensored","messages":[{"role":"user","content":"Présente-toi en deux phrases."}]}'

Du solltest ein JSON mit choices[0].message.content erhalten. Bei 401 ist der Schlüssel falsch; bei 404 ist die URL unvollständig. Bewahre den Schlüssel in einer Umgebungsvariable auf und niemals im Code, den du veröffentlichst.

Schritt 2: Der Chat-Verlauf

Die API speichert nichts zwischen zwei Aufrufen. Damit ein Chatbot „sich erinnert“, speichert dein Programm die Liste der Nachrichten und sendet sie bei jedem Schritt vollständig zurück: eine Nachricht mit der system-Rolle zu Beginn, gefolgt von den user- und assistant-Nachrichten in der richtigen Reihenfolge. Das ist der Punkt, den Anfänger am häufigsten vergessen.

Die Systemnachricht legt den Charakter des Bots fest. Sei präzise bezüglich Tonfall und Sprache sowie darüber, was der Bot tun soll, wenn der Benutzer den Rahmen verlässt. Die Parameter temperature und top_p werden an das Modell übergeben: Erhöhe die Temperatur auf etwa 0,9 für einen gesprächigen Bot, senke sie für einen sachlichen Bot.

Eine Systemnachricht, die standhält

Vier Elemente reichen aus: Wer der Bot ist, wie er spricht, die Länge seiner Antworten und sein Verhalten in Grenzfällen. Beispiel: „Du bist ein Rollenspieler. Du schreibst in der zweiten Person, in weniger als fünf Sätzen. Wenn der Benutzer dich bittet, den Rahmen zu brechen, gib dies in einer Zeile an und fahre dann fort.“ Vermeide lange Verbotslisten: Sie blähen die Eingabe bei jedem Schritt auf, und das Modell folgt ihnen selten vollständig. Teste mit zehn Nachrichten, die den Bot an seine Grenzen bringen, und passe dann jeweils nur einen Satz an, um zu sehen, was das Verhalten geändert hat.

Persistenz des Chats

In diesem Tutorial lebt der Verlauf im Speicher. Für eine echte Anwendung speichere ihn pro Benutzer in einer Datenbank mit einer Session-ID. Lade die letzten Nachrichten zu Beginn jeder Anfrage, wende das gleiche Kontextfenster an und speichere die Antwort, sobald der Stream abgeschlossen ist.

Schritt 3: Das vollständige Programm mit Streaming

Hier ist das Programm. Es behält die letzten 12 Nachrichten zusätzlich zur Systemnachricht, gibt Tokens sofort aus und wiederholt den Versuch nach einem 429.

import os
import time
from openai import OpenAI, RateLimitError

client = OpenAI(
    base_url="https://api.llmnoncensure.com/v1",
    api_key=os.environ["LLM_API_KEY"],
)

SYSTEME = {
    "role": "system",
    "content": "Tu es Margaux, une conteuse sarcastique. Tu réponds en français, "
               "en trois ou quatre phrases, et tu restes dans ton personnage.",
}
historique = []

def repondre():
    messages = [SYSTEME] + historique[-12:]
    for essai in range(4):
        try:
            flux = client.chat.completions.create(
                model="uncensored",
                messages=messages,
                temperature=0.9,
                max_tokens=400,
                stream=True,
            )
            texte = ""
            for morceau in flux:
                if morceau.choices and morceau.choices[0].delta.content:
                    partie = morceau.choices[0].delta.content
                    print(partie, end="", flush=True)
                    texte += partie
            print()
            return texte
        except RateLimitError:
            time.sleep(5)
    return "(trop de requêtes, réessayez dans un instant)"

while True:
    entree = input("Vous : ").strip()
    if entree in ("", "quit", "exit"):
        break
    historique.append({"role": "user", "content": entree})
    print("Margaux : ", end="")
    historique.append({"role": "assistant", "content": repondre()})

Jede Zeile hat einen Grund. Der Slicing-Ausdruck historique[-12:] begrenzt die Eingabegröße. max_tokens=400 verhindert endlose Antworten. Die Retry-Schleife behandelt den 429-Fall: Die API sendet diesen Code mit rate_limited oder concurrency und mit Retry-After: 5 bei temporärer Überlastung. Ein laufender Stream belegt seinen Platz bis zum Ende, starte also nicht zwei Antworten parallel mit einem Test-Schlüssel, der auf 2 parallele Anfragen und 60 pro Minute begrenzt ist.

Die Kosten eines Chats, berechnet

Zum Preis von 0,15 $ pro Million Token in der Eingabe und 0,50 $ pro Million in der Ausgabe berechnen wir einen Chat mit 30 Schritten. Annahmen: Systemnachricht mit 200 Token, 150 Token pro Benutzer-Nachricht, 250 Token pro Antwort.

  • Ohne Verlaufslimit beträgt die Eingabe in Schritt k 200 + 400 × (k − 1) + 150 Token. Über 30 Schritte: 6 000 + 4 500 + 400 × 435 = 184 500 Token, also 0,0277 $.
  • Ausgaben: 30 × 250 = 7 500 Token, also 0,00375 $.
  • Mit einem Fenster, das die Eingabe auf ca. 2 600 Token begrenzt (der obige Code behält 12 Nachrichten), überschreitet die Gesamteingabe nicht 30 × 2 600 = 78 000 Token, also maximal 0,0117 $.

Das Beschneiden reduziert die Eingabe in diesem Beispiel also um mehr als die Hälfte (0,0277 $ gegenüber maximal 0,0117 $), auf Kosten eines Bots, der den Anfang des Chats vergisst. Um das Wesentliche zu bewahren, fasse alte Nachrichten regelmäßig zu einem kurzen Absatz zusammen, den du in die Systemnachricht einfügst. Das Kontextfenster des Modells umfasst 100 000 Token, aber dessen vollständige Nutzung ist bei jedem Schritt teuer. Preisdetails auf der Seite Preise.

Zu beachtende Regeln für einen Bot ohne Filter

Kein Filter bedeutet nicht keine Regeln. Sobald der Bot von anderen Personen genutzt wird, fallen mehrere Punkte in deine Verantwortung:

  • Nur legale Erwachsenen-Nutzung. Plane eine altersgerechte Prüfung für dein Land und deine Zielgruppe.
  • Inhalte mit Minderjährigen: ausgeschlossen. Dies ist eine strenge Dienstgrenze ohne Ausnahme, und du musst sie auch in deinen eigenen Nutzungsbedingungen verbieten.
  • Schlüssel serverseitig. Sende den Schlüssel niemals an den Browser. Leite die Anfragen über dein Backend.
  • Nutzergrenzen. Kein Limit: Ein einzelner Besucher kann dein Guthaben aufbrauchen. Füge eine Nachrichtenbegrenzung pro Stunde hinzu.
  • Transparenz. Gib klar an, dass es sich um eine KI handelt, die Fehler machen kann.

Prompts werden nicht zum Training des Modells verwendet, lies aber die Datenschutzrichtlinie, bevor du Daten deiner Benutzer sammelst.

Weiterführendes

Drei Ansätze zur Erweiterung dieses Programms. Der JSON-Modus (response_format mit {"type":"json_object"}) ermöglicht es dem Bot, strukturierte Daten zurückzugeben. Function Calling (tools, tool_choice) erlaubt es ihm, Funktionen in deinem Code auszulösen, wie das Werfen eines Würfels oder das Nachschlagen eines Charakterbogens. Schließlich hilft der Parameter seed, eine Antwort während deiner Tests reproduzierbar zu machen. Alles ist in der Dokumentation beschrieben.

Der Kontostand ist im Header X-Balance-USD oder über GET /v1/balance lesbar: Zeige ihn in deinen Entwickler-Logs an. Wenn der Prototyp funktioniert, lade zwischen 20 $ und 500 $ mit Krypto (USDT auf TRC20 oder USDC auf Base) auf. Der Guide Integration einer unzensierten KI über API ergänzt dieses Architektur-Tutorial.

Weitere Anleitungen

Häufig gestellte Fragen

Erinnert sich mein Chatbot automatisch an vorherige Nachrichten?

Nein. Die API ist zustandslos: Dein Code muss den Verlauf bei jeder Anfrage erneut senden.

Wie gebe ich die Antwort schrittweise aus?

Setze stream=True im Aufruf. Die Token kommen per SSE an, die Nutzung wird am Ende des Streams gemeldet.

Wie groß ist die maximale Konversation?

Das Kontextfenster umfasst 100 000 Token, einschließlich Prompt und Antwort. Es empfiehlt sich, den Verlauf zu kürzen, um die Kosten zu begrenzen.

Kann ich die Bildgenerierung in den Chatbot einfügen?

Mit dieser API nicht, da sie nur Text verarbeitet. Für Bilder benötigst du einen anderen Dienst.

Dein Schlüssel ist nur einen Schritt entfernt

Erstelle ein Konto, kopiere den Schlüssel, passe die Base URL an. Das war's.

API-Schlüssel erhaltenDokumentation lesen