Integrationsguide: upolerede chatfuldførelser

Base URL og autentificering

Grundlaget for din integration starter med base URL. Brug https://api.loginllm.com/v1 til alle anmodninger. Dette slutpunkt er fuldt ud OpenAI-kompatibelt, hvilket betyder, at du kan udskifte dine eksisterende nøgler uden at omskrive din klientlogik.

Autentificeringen afhænger af en enkelt API-nøgle. Generer denne nøgle via Få API-nøgle side ved enten Google eller en e-mail-adresse. Systemet udsteder én aktiv nøgle pr. konto; udstedelse af en ny gør øjeblikkeligt den tidligere nøgle ugyldig. Opbevar denne nøgle sikkert, da den styrer dine forudbetalede kreditter.

Indsend nøglen i Authorization header som en Bearer-token. Der kræves ikke komplekse OAuth-flows eller session-cookies til API'et selv.

Du kan teste forbindelsen med det samme med en simpel curl-kommando. Dette sikrer, at dit netværk tillader outbound HTTPS-trafik til vores servere, før du bygger resten af din applikation.

chat/completions Endpoint

Send beskeder til POST /v1/chat/completions endpoint. Dette er det standardinterface til tekstgenerering. Du definerer modellen som uncensored og angiv en liste over meddelelser i anmodningskroppen.

Hver besked kræver en rolle (system, user, eller assistant) og indhold. Systemet behandler disse input og returnerer en completion. Du behøver ikke at administrere modelrouting eller vælge mellem flere varianter; vi hoster én dedikeret open-weight-model optimeret til ubegrænset output.

Denne tilgang holder din kode simpel. Du undgår overhead ved at administrere flere modelversioner eller håndtere leverandørspecifikke quirks. Svarstrukturen matcher OpenAI-formatet og sikrer bred SDK-kompatibilitet.

Tjek din saldo regelmæssigt. Kreditter trækkes baseret på faktisk tokenforbrug, og fejl forbruger ikke kreditter.

Streaming med Server-Sent Events

For realtidsbrugeroplevelser skal du aktivere streaming ved at indstille stream: true i din anmodning. API'et returnerer en stream af Server-Sent Events (SSE) i stedet for et enkelt JSON-objekt.

Hver begivenhedchunk indeholder en del af den genererede tekst. Du kan render denne tekst inkrementelt i dit UI, hvilket reducerer den opfattede latens betydeligt for slutbrugeren. Den sidste chunk i streamen indeholder det samlede tokenforbrug for forespørgslen.

Denne funktion er essentiel for chatgrænseflader, hvor brugere forventer øjeblikkelig feedback. Det tillader din applikation at håndtere lange svar uden at blokere main thread.

Implementer en simpel event listener til at indsamle disse dele. Sammenkæd dem for at danne det komplette svar, eller vis dem live, mens de ankommer.

Function Calling og værktøjer

API'en understøtter struktureret tool use. Definer funktioner i tools array inden i din forespørgsel. Modellen kan derefter vælge at kalde en funktion baseret på brugerinput.

Når modellen genererer et funktionskald, returnerer den funktionsnavnet og argumenterne i et struktureret format. Din applikation udfører funktionen og sender resultatet tilbage til modellen til et endeligt svar.

Denne funktion muliggør komplekse arbejdsgange uden hardkodet logik. Du kan integrere eksterne datakilder, kalkulatorer eller tilpasset forretningslogik direkte i samtalen.

Sørg for, at dine tool-definitioner er præcise. Modellen er afhængig af disse schemas til at forstå de forventede input- og output-formater for hver funktion.

Kontekstvindue og Grænser

Modellen understøtter et kontekstvindue på 100.000 tokens. Dette vindue inkluderer både prompt og completion. Du kan angive en maksimal outputlængde ved hjælp af max_tokens parameter.

Hvis max_tokens er ikke indstillet, kan svaret løbe til slutningen af vinduet. Indstilling af en højere værdi giver mulighed for længere svar, op til grænsen på 100,000 tokens. Dette er nyttigt til generering af detaljerede rapporter eller kodeudsnit.

Overvåg dine hastighedsbegrænsninger omhyggeligt. API'et tillader 300 forespørgsler i minuttet og 8 samtidige forespørgsler pr. nøgle. Overskridelse af disse grænser vil resultere i en 429-fejl.

Forespørgselskropsstørrelsen er begrænset til 8 MB. Store kontekstvinduer forbruger mere kredit, så balancer dine hukommelseskrav med dit budget.

Fejlhåndtering og tokenforbrug

Håndter fejl elegant for at opretholde en jævn brugeroplevelse. En 401-fejl indikerer en ugyldig eller udløbet API-nøgle. Genautentificer eller generer en ny nøgle fra dit dashboard.

En 402-fejl betyder, at din forudbetalte kredit er utilstrækkelig. Opfyld saldoen ved hjælp af USDT (TRC20) eller USDC (Base) for at genoptage servicen. Kreditter udløber aldrig, så du kan tilføje midler, når det passer dig.

En 429-fejl signalerer, at du har overskredet hastighedsgrænsen. Implementér eksponentiel backoff i din klient til automatisk at gentage anmodninger. Tjek altid anmodningshovederne for information om resterende kvota.

Tokenforbrug rapporteres i den sidste stream-chunk eller completion-svaret. Brug disse data til at optimere dine prompts og administrere omkostninger effektivt.

cURL

Copycurl https://api.loginllm.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Fix syntax error in python loop"}]
  }'

Python

Copyfrom openai import OpenAI

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

Streaming

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)