شروع سریع: API سازگار با OpenAI بدون سانسور

نصب SDK OpenAI

نصب کتابخانه استاندارد برای زبان مورد علاقه خود برای ارسال درخواست‌ها بلافاصله.

این کتابخانه کلاینت‌های لازم برای ارتباط با endpoint سازگار با OpenAI ما را فراهم می‌کند. این کتابخانه هدرهای احراز هویت و تجزیه پاسخ‌ها را برای شما مدیریت می‌کند.

• پایتون: pip install openai
• Node.js: npm install openai

نیازی به درایورهای خاص نیست. SDK اتصالات HTTP زیرین را به‌طور کارآمد مدیریت می‌کند.

پیکربندی base_url و کلید

مشتری خود را به URL پایه اختصاصی ما هدایت کنید و کلید API خود را برای عبور از محدودیت‌های استاندارد دروازه تنظیم کنید.

استفاده https://api.openrouterapiratelimit.com/v1 به‌عنوان آدرس پایه (base URL). این کار ترافیک را مستقیماً به سرورهای ما هدایت می‌کند، نه لایه پراکسی. کلید API شما حساب اعتبار پیش‌پرداخت را احراز هویت می‌کند.

ما از هدرهای استاندارد پشتیبانی می‌کنیم. کلید خود را در Authorization header. این تضمین می‌کند که درخواست‌های شما مستقیماً به مدل بدون سانسور بدون پرش‌های میانی ارسال می‌شوند.

اولین درخواست بدون سانسور خود را ارسال کنید

یک درخواست POST به /v1/chat/completions با شناسه مدل uncensored برای تولید متن بدون فیلترهای محتوا.

مدل ما موضوعات بزرگسالان قانونی، داستانی یا بحث‌برانگیز را رد نمی‌کند. آن بر اساس پرامپت شما مستقیماً پاسخ می‌دهد.

Copycurl https://api.openrouterapiratelimit.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Send a test message to verify endpoint availability."}]
  }'

جایگزین کنید YOUR_API_KEY با کلید واقعی خود. پاسخ شامل متن تولید شده در choices آرایه. این تأیید می‌کند که مدل کار می‌کند و بدون سانسور است.

فعال‌سازی جریان‌سازی برای خروجی بلادرنگ

تنظیم stream: true برای دریافت توکن‌ها همان‌طور که تولید می‌شوند که تأخیر ادراک‌شده را برای پاسخ‌های طولانی کاهش می‌دهد.

استریمینگ به برنامه شما اجازه می‌دهد خروجی را به صورت تدریجی نمایش دهد. این موضوع برای رابط‌های چت که کاربران انتظار بازخورد فوری دارند، حیاتی است.

Copyfrom openai import OpenAI

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

SDK قطعات را همان‌طور که می‌رسند yield می‌کند. هر قطعه را پردازش کنید تا رابط کاربری خود را به‌روزرسانی کنید. قطعه نهایی شامل استفاده کل توکن برای درخواست است.

از ابزارها و حالت JSON استفاده کنید

برای استخراج داده‌های ساختاریافته از مدل uncensored خود، از فراخوانی تابع یا حالت JSON دقیق استفاده کنید.

API ما از تعریف‌های استاندارد ابزار OpenAI پشتیبانی می‌کند. ابزارهای خود را در درخواست تعریف کنید و به مدل اجازه دهید تصمیم بگیرد چه زمانی آن‌ها را فراخوانی کند. در غیر این صورت، از response_format: {"type": "json_object"} برای خروجی JSON قطعی.

Copyimport OpenAI from "openai";

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

این امر تضمین می‌کند که سیستم‌های downstream شما داده‌های قابل تجزیه دریافت کنند. مدل از طرحواره‌ای که ارائه می‌دهید پیروی می‌کند. از این مورد برای یکپارچه‌سازی قابل اعتماد در پایپ‌لاین‌های خود استفاده کنید.

بررسی مصرف و محدودیت‌های توکن

مصرف خود را در برابر پنجره زمینه ۱۰۰,۰۰۰ توکنی و محدودیت ۳۰۰ درخواست در دقیقه ما مقایسه کنید.

پنجره زمینه شما شامل توکن‌های پرامپت و تکمیل می‌شود. حداکثر خروجی در هر درخواست ۱۶,۰۰۰ توکن است. اگر مقدار دیگری تنظیم نکنید max_tokens, به طور پیش‌فرض روی 2,048 تنظیم می‌شود.

حد نرخ‌ها سخت‌گیرانه اما قابل پیش‌بینی است. شما ۸ درخواست همزمان به ازای هر کلید دریافت می‌کنید. خطاهایی مانند ۴۰۱ (کلید نامعتبر) یا ۴۰۲ (عدم موجودی) رایگان هستند. خطاهای ۴۲۹ نشان می‌دهند که به حد نرخ رسیده‌اید. برای مشاهده سهمیه باقی‌مانده، به هدرهای پاسخ مراجعه کنید.

جریان‌سازی

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)