API-Dokumentation: Integration in 5 Minuten

Umgebungskonfiguration und Authentifizierung

Um zu beginnen, musst du deinen einzigartigen API-Schlüssel aus deinem Dashboard abrufen. Dieser Schlüssel dient als Identifikator zur Authentifizierung deiner Anfragen. Im Gegensatz zu generischen Modellen basiert unsere API auf einem standardisierten Endpunkt, der es dir ermöglicht, die offiziellen SDKs oder jeden OpenAI-kompatiblen Client zu nutzen. Du musst keine Telefonnummer oder Kreditkarte angeben, um auf das initiale Testguthaben zuzugreifen.

Die Basis-URL ist https://api.llmnoncensure.com/v1. Stelle sicher, dass du deine Umgebung konfigurierst, um diese spezifische Base URL zu verwenden. Der API-Schlüssel muss über den Header Authorization: Bearer <YOUR_API_KEY> übermittelt werden. Pro Account wird ein Schlüssel generiert; du kannst jederzeit einen neuen generieren, wodurch der alte automatisch widerrufen wird.

Erste Anfrage mit cURL

Sende deine erste Anfrage, um zu überprüfen, ob die Integration funktioniert. Wir verwenden die Modell-ID uncensored. Diese Anfrage sendet einen Text als Eingabe und empfängt eine textbasierte Antwort ohne die üblichen Inhaltsfilter, solange es sich nicht um sexuellen Inhalt mit Minderjährigen handelt. Das Modell ist darauf feinabgestimmt, Themen für Erwachsene, kontroverse Themen oder Sicherheitsforschung ohne ungerechtfertigte Ablehnung zu beantworten.

Hier ist die Grundstruktur zum Testen der Verbindung:

Copiercurl https://api.llmnoncensure.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."}]
  }'

Dieser Befehl bestatigt, dass dein Schlussel aktiv ist und das Modell bereit ist, komplexe Prompts zu empfangen.

Integration mit dem Python-SDK

Wenn du in Python entwickelst, verwende die Bibliothek openai für eine nahtlose Integration. Setze die Umgebungsvariable OPENAI_BASE_URL oder übergebe base_url direkt an den Client. Dies ermöglicht es dir, deinen bestehenden Code wiederzuverwenden, indem du einfach die Modellquelle änderst. Das SDK übernimmt für dich die JSON-Serialisierung und Netzwerkfehler.

Hier ist ein minimales Beispiel:

Copierfrom openai import OpenAI

client = OpenAI(base_url="https://api.llmnoncensure.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 Modell uncensored akzeptiert Standardparameter wie temperature und max_tokens. Du kannst die Kreativitat der Antwort anpassen, ohne Angst zu haben, dass die KI eine Antwort aufgrund generischer Kriterien als "riskant" einstuft und blockiert.

Nutzung mit Node.js und JavaScript

Für JavaScript- oder TypeScript-Umgebungen funktioniert das SDK openai identisch. Konfiguriere den Client mit der Basis-URL und dem API-Schlüssel. Dieser Ansatz ist ideal für Backend-Anwendungen oder API-Server, die dynamische KI-Antworten ohne die Grenzen großer allgemeiner Anbieter integrieren müssen.

Copierimport OpenAI from "openai";

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

Stelle sicher, dass du asynchrone Antworten korrekt verarbeitest. Jede Anfrage wird einzeln verarbeitet, was garantiert, dass deine Geschäftslogik nicht durch die Generierungsverzögerungen des Modells blockiert wird. Das Kontextfenster von 100 000 Token ermöglicht das Senden langer Systemanweisungen oder erweiterter Gesprächsverläufe.

Unterstützung von SSE-Streaming

Für eine flüssige Benutzererfahrung aktiviere das Streaming über Server-Sent Events (SSE). Dies ermöglicht es, die Antwort wortweise anzuzeigen, anstatt auf das Ende der Generierung zu warten. Dies ist besonders nützlich für Chat-Oberflächen, bei denen die wahrgenommene Latenz kritisch ist. Der Datenstrom ist nach dem OpenAI-Standard strukturiert, was das Parsing auf Client-Seite erleichtert.

Copierstream = 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)

Das Streaming ändert nicht die Logik des Modells; es ändert lediglich den Transport der Daten. Jeder Chunk ist ein Teil der endgültigen Antwort. Du kannst das Streaming jederzeit stoppen, wenn der Benutzer den Prompt ändert, was die Nutzung deiner Credits optimiert.

Ratenlimits, Fehler und Kontext

Die Grenzen deiner API zu kennen, ist entscheidend fur eine robuste Integration. Du bist auf 300 Anfragen pro Minute pro API-Schlussel beschrankt. Der Anfragetext darf 8 MB nicht uberschreiten. Im Fehlerfall werden Standard-HTTP-Codes zuruckgegeben: 401 fur einen ungultigen Schlussel, 402, wenn dein Guthaben aufgebraucht ist, und 429 bei Uberschreitung des Ratenlimits. Das Modell verfugt uber ein Kontextfenster von 100 000 Token, das Prompt und Antwort kombiniert. So kannst du lange Dokumente oder ausfuhrliche Unterhaltungen ohne vorzeitigen Abbruch senden. Im Gegensatz zu anderen Diensten fallen keine festen monatlichen Gebuhren an; du zahlst nur das, was du mit deinen Prepaid-Guthaben verbrauchst.