Documentation API : Intégration Rapide en 5 Minutes

Configuration de l'environnement et Authentification

Pour commencer, vous devez récupérer votre clé API unique depuis votre tableau de bord. Cette clé servira d'identifiant pour authentifier vos requêtes. Contrairement aux modèles génériques, notre API repose sur un endpoint standardisé qui vous permet d'utiliser les SDK officiels ou tout client compatible OpenAI. Vous n'avez pas besoin de fournir un numéro de téléphone ou une carte bancaire pour accéder au crédit d'essai initial.

Le point d'entrée de base est https://api.llmnoncensure.com/v1. Assurez-vous de configurer votre environnement pour utiliser ce base URL spécifique. La clé API doit être transmise via l'en-tête Authorization: Bearer <YOUR_API_KEY>. Une clé par compte est générée ; vous pouvez en régénérer une à tout moment, ce qui révoque automatiquement l'ancienne.

Première requête avec cURL

Envoyez votre première demande pour vérifier que l'intégration fonctionne. Nous utilisons l'ID de modèle uncensored. Cette requête envoie un texte en entrée et reçoit une réponse textuelle sans les filtres de contenu habituels, tant qu'il ne s'agit pas de contenu sexuel impliquant des mineurs. Le modèle est affiné pour répondre aux sujets adultes, controversés ou de recherche de sécurité sans refus injustifié.

Voici la structure de base pour tester la connexion :

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."}]
  }'

Cette commande permet de valider que votre clé est active et que le modèle est prêt à recevoir des prompts complexes.

Intégration avec le SDK Python

Si vous développez en Python, utilisez la bibliothèque openai pour une intégration transparente. Définissez la variable d'environnement OPENAI_BASE_URL ou passez base_url directement dans le client. Cela permet de réutiliser votre code existant tout en changeant simplement la source du modèle. Le SDK gère la sérialisation JSON et les erreurs réseau pour vous.

Voici un exemple minimal :

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)

Le modèle uncensored accepte les paramètres standards comme temperature et max_tokens. Vous pouvez ajuster la créativité de la réponse sans craindre que l'IA ne bloque une réponse jugée "risquée" par des critères génériques.

Utilisation avec Node.js et JavaScript

Pour les environnements JavaScript ou TypeScript, le SDK openai fonctionne de manière identique. Configurez le client avec l'URL de base et la clé API. Cette approche est idéale pour les applications backend ou les serveurs d'API qui doivent intégrer des réponses IA dynamiques sans les limites des grands fournisseurs généralistes.

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);

Assurez-vous de gérer les réponses asynchrones correctement. Chaque demande est traitée individuellement, ce qui garantit que votre logique métier n'est pas bloquée par les délais de génération du modèle. Le contexte de 64 000 tokens permet d'envoyer des instructions système longues ou des historiques de conversation étendus.

Support du streaming SSE

Pour une expérience utilisateur fluide, activez le streaming via les événements serveur envoyés (SSE). Cela permet d'afficher la réponse mot par mot au lieu d'attendre la fin de la génération. C'est particulièrement utile pour les interfaces de chat où la latence perçue est critique. Le flux de données est structuré selon le standard OpenAI, facilitant le parsing côté client.

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)

Le streaming ne change pas la logique du modèle ; il modifie simplement le transport des données. Chaque chunk est une partie de la réponse finale. Vous pouvez arrêter le stream à tout moment si l'utilisateur modifie le prompt, ce qui optimise l'utilisation de vos crédits.

Limites de taux, erreurs et contexte

Connaître les limites de votre API est crucial pour une intégration robuste. Vous êtes limité à 300 requêtes par minute par clé API. Le corps de la requête ne doit pas dépasser 8 Mo. En cas d'erreur, les codes HTTP standard sont retournés : 401 pour une clé invalide, 402 si votre crédit est épuisé, et 429 en cas de dépassement du taux de requêtes. Le modèle dispose d'une fenêtre de contexte de 64 000 tokens, combinant prompt et réponse. Cela permet d'envoyer des documents longs ou des conversations approfondies sans coupure prématurée. Contrairement à d'autres services, il n'y a pas de frais mensuels fixes ; vous payez uniquement ce que vous consommez avec vos crédits prépayés.