Integrationsleitfaden: uncensored chat completions
Holen Sie sich Ihren unzensierten LLM in Minuten mit diesem direkten Integrations-Guide. Wir lassen das Schnickschnack weg und zeigen Ihnen genau, wie Sie Anfragen an die unzensierte Chat-API senden.
Basis-URLhttps://api.loginllm.com/v1
Basis-URL und Authentifizierung
Die Grundlage Ihrer Integration beginnt mit der Basis-URL. Verwenden https://api.loginllm.com/v1 für alle Anfragen. Dieses Endpunkt ist vollständig OpenAI-kompatibel, was bedeutet, dass Sie Ihre vorhandenen Schlüssel austauschen können, ohne Ihre Client-Logik neu schreiben zu müssen.
Die Authentifizierung basiert auf einem einzelnen API-Schlüssel. Generieren Sie diesen Schlüssel über das API-Schlüssel erhalten Seite entweder über Google oder ein E-Mail-Passwort. Das System vergibt einen aktiven Schlüssel pro Konto; die Ausgabe eines neuen Schlüssels macht den vorherigen sofort ungültig. Bewahren Sie diesen Schlüssel sicher auf, da er Ihr bezahltes Guthaben steuert.
Übergeben Sie den Schlüssel in der Authorization Header als Bearer-Token. Es sind keine komplexen OAuth-Flows oder Session-Cookies für die API selbst erforderlich.
Sie können die Konnektivität sofort mit einem einfachen curl-Befehl testen. Dies stellt sicher, dass Ihr Netzwerk den ausgehenden HTTPS-Traffic zu unseren Servern zulässt, bevor Sie den Rest Ihrer Anwendung entwickeln.
Der Chat-Vervollständigungs-Endpunkt
Senden Sie Nachrichten an den POST /v1/chat/completions Endpunkt. Dies ist die Standardschnittstelle zur Textgenerierung. Sie definieren das Modell als uncensored und stellen Sie eine Liste von Nachrichten im Anforderungstext bereit.
Jede Nachricht erfordert eine Rolle (system, user, oder assistant) und Inhalt. Das System verarbeitet diese Eingaben und gibt eine Vervollständigung zurück. Sie müssen kein Modell-Routing verwalten oder aus mehreren Varianten auswählen; wir hosten ein einzelnes offenes Gewichtsmodell, das auf uneingeschränkte Ausgabe optimiert ist.
Dieser Ansatz hält Ihren Code einfach. Sie vermeiden den Aufwand, mehrere Modellversionen zu verwalten oder herstellerspezifische Eigenheiten zu behandeln. Die Antwortstruktur entspricht dem OpenAI-Format, was eine breite SDK-Kompatibilität gewährleistet.
Überprüfen Sie Ihr Guthaben regelmäßig. Guthaben werden basierend auf der tatsächlichen Token-Nutzung abgezogen, und Fehler verbrauchen keine Guthaben.
Streaming mit Server-Sent Events
Für Echtzeit-Benutzererfahrungen aktivieren Sie Streaming, indem Sie stream: true in Ihrer Anfrage. Die API gibt einen Stream von Server-Sent Events (SSE) anstelle eines einzelnen JSON-Objekts zurück.
Jeder Event-Chunk enthält einen Teil des generierten Texts. Sie können diesen Text schrittweise in Ihrer Benutzeroberfläche rendern, was die wahrgenommene Latenz für den Endbenutzer erheblich verringert. Der letzte Chunk im Stream enthält die gesamte Token-Nutzung für die Anfrage.
Diese Funktion ist essenziell für Chat-Schnittstellen, bei denen Benutzer sofortiges Feedback erwarten. Sie ermöglicht es Ihrer Anwendung, lange Antworten zu verarbeiten, ohne den Hauptthread zu blockieren.
Implementieren Sie einen einfachen Event-Listener, um diese Segmente zu sammeln. Verketten Sie sie zu einer vollständigen Antwort oder zeigen Sie sie live an, sobald sie eintreffen.
Function Calling und Tools
Die API unterstützt strukturierte Tool-Nutzung. Definieren Sie Funktionen in der tools array in Ihrer Anfrage. Das Modell kann dann entscheiden, basierend auf der Benutzereingabe eine Funktion aufzurufen.
Wenn das Modell einen Funktionsaufruf generiert, gibt es den Funktionsnamen und die Argumente in einem strukturierten Format zurück. Ihre Anwendung führt die Funktion aus und sendet das Ergebnis zurück an das Modell für eine Endantwort.
Diese Fähigkeit ermöglicht komplexe Workflows ohne Hardcoding von Logik. Sie können externe Datenquellen, Rechner oder benutzerdefinierte Geschäftslogik direkt in die Konversation integrieren.
Stellen Sie sicher, dass Ihre Tool-Definitionen präzise sind. Das Modell stützt sich auf diese Schemata, um die erwarteten Eingabe- und Ausgabeformate für jede Funktion zu verstehen.
Kontextfenster und Grenzen
Das Modell unterstützt einen Kontextfenster von 100.000 Tokens. Dieses Fenster umfasst sowohl Eingabe als auch Ausgabe. Sie können eine maximale Ausgabelänge mit dem max_tokens Parameter.
Wenn max_tokens nicht festgelegt ist, kann die Antwort bis zum Ende des Fensters reichen. Ein höherer Wert ermöglicht längere Antworten bis zur Grenze von 100,000 Tokens. Dies ist nützlich für die Generierung detaillierter Berichte oder Code-Snippets.
Überwachen Sie Ihre Ratenlimits sorgfältig. Die API erlaubt 300 Anfragen pro Minute und 8 gleichzeitige Anfragen pro Schlüssel. Das Überschreiten dieser Limits führt zu einem 429-Fehler.
Die Größe des Anfragekörpers ist auf 8 MB begrenzt. Große Kontextfenster verbrauchen mehr Guthaben, also gleichen Sie Ihre Speicheranforderungen mit Ihrem Budget ab.
Fehlerbehandlung und Token-Nutzung
Behandle Fehler korrekt, um eine reibungslose Nutzererfahrung aufrechtzuerhalten. Ein 401-Fehler zeigt einen ungültigen oder abgelaufenen API-Schlüssel an. Authentifiziere dich erneut oder generiere einen neuen Schlüssel über dein Dashboard.
Ein 402-Fehler bedeutet, dass Ihr Guthaben nicht ausreicht. Laden Sie es mit USDT (TRC20) oder USDC (Base) auf, um den Dienst wieder aufzunehmen. Guthaben verfällt nie, sodass Sie es jederzeit bequem aufladen können.
Ein 429-Fehler signalisiert, dass Sie das Limit erreicht haben. Implementieren Sie exponentielles Backoff in Ihrem Client, um Anfragen automatisch erneut zu versuchen. Überprüfen Sie immer die Antwort-Header auf verbleibende Kontingentinformationen.
Die Token-Nutzung wird im finalen Stream-Chunk oder der Abschlussantwort gemeldet. Nutzen Sie diese Daten, um Ihre Prompts zu optimieren und die Kosten effektiv zu verwalten.
cURL
curl 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
from 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
import 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
stream = 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)FAQ
Wie erhalte ich meinen API-Schlüssel für die LLM-Anmeldung?
Navigieren Sie zur Seite „API-Schlüssel abrufen“ auf der Website. Sie können sich mit Google oder einem E-Mail-Passwort anmelden. Der API-Schlüssel wird nach der Authentifizierung sofort angezeigt. Für diesen Vorgang ist keine Telefonnummer erforderlich.
Was passiert, wenn ich das Ratenlimit überschreite?
Sie erhalten einen 429-Statuscode. Das Limit beträgt 300 Anfragen pro Minute und 8 gleichzeitige Anfragen pro Schlüssel. Implementieren Sie eine Wiederholungslogik mit exponentiellem Backoff, um dies ohne Datenverlust graceful zu behandeln.
Unterscheidet sich das unzensierte LLM-Modell von GPT?
Ja. Das Modell ist ein Open-Weight-Modell, das auf unseren Servern gehostet wird. Es ist kein GPT-, Claude-, Gemini- oder ein anderes Modell eines anderen Anbieters. Es ist speziell darauf abgestimmt, ohne Inhaltsablehnungen für legale Erwachsenen-Nutzung zu antworten.
Holen Sie sich Ihren API-Schlüssel
Melden Sie sich an, kopieren Sie den Schlüssel und aktualisieren Sie Ihre Basis-URL. Das ist alles.
