Guide d'intégration : complétions de chat sans censure
Faites fonctionner votre LLM sans censure en quelques minutes grâce à ce guide d'intégration directe. Nous allons à l'essentiel et vous montrons exactement comment envoyer des requêtes à l'API de chat sans censure.
URL de basehttps://api.loginllm.com/v1
URL de base et authentification
Le fondement de votre intégration commence par l'URL de base. Utilisez https://api.loginllm.com/v1 pour toutes les requêtes. Ce point de terminaison est entièrement compatible avec OpenAI, ce qui signifie que vous pouvez remplacer vos clés existantes sans réécrire la logique de votre client.
L'authentification repose sur une seule clé API. Générez cette clé via le Obtenir la clé API page en utilisant soit Google, soit un mot de passe par e-mail. Le système émet une clé active par compte ; l'émission d'une nouvelle invalide immédiatement la clé précédente. Conservez cette clé en toute sécurité, car elle contrôle votre crédit prépayé.
Passez la clé dans le Authorization en-tête en tant que jeton Bearer. Aucun flux OAuth complexe ni cookies de session n'est requis pour l'API elle-même.
Vous pouvez tester la connectivité immédiatement avec une simple commande curl. Cela garantit que votre réseau autorise le trafic HTTPS sortant vers nos serveurs avant de développer le reste de votre application.
L'endpoint chat/completions
Envoyez des messages au POST /v1/chat/completions endpoint. C'est l'interface standard pour la génération de texte. Vous définissez le modèle comme uncensored et fournissez une liste de messages dans le corps de la requête.
Chaque message nécessite un rôle (system, user, ou assistant) et le contenu. Le système traite ces entrées et retourne une complétion. Vous n'avez pas besoin de gérer le routage du modèle ou de sélectionner parmi plusieurs variantes ; nous hébergeons un seul modèle open-source dédié, optimisé pour une sortie sans restriction.
Cette approche garde votre code simple. Vous évitez la surcharge de gestion de plusieurs versions de modèles ou de gestion des particularités spécifiques au fournisseur. La structure de réponse correspond au format OpenAI, assurant une large compatibilité avec les SDK.
Vérifiez votre solde régulièrement. Les crédits sont déduits en fonction de l'utilisation réelle des jetons, et les erreurs ne consomment pas de crédits.
Streaming avec Server-Sent Events
Pour des expériences utilisateur en temps réel, activez le streaming en définissant stream: true dans votre requête. L'API renvoie un flux d'événements envoyés par le serveur (SSE) au lieu d'un seul objet JSON.
Chaque chunk d'événement contient une partie du texte généré. Vous pouvez restituer ce texte de manière incrémentale dans votre interface, ce qui réduit considérablement la latence perçue pour l'utilisateur final. Le dernier chunk du flux inclut l'utilisation totale des tokens pour la requête.
Cette fonctionnalité est essentielle pour les interfaces de chat où les utilisateurs s'attendent à un retour immédiat. Elle permet à votre application de gérer de longues réponses sans bloquer le thread principal.
Mettez en œuvre un écouteur d'événements simple pour collecter ces fragments. Concaténez-les pour former la réponse complète, ou affichez-les en direct à mesure qu'ils arrivent.
Appel de fonction et outils
L'API prend en charge l'utilisation structurée des outils. Définissez les fonctions dans le tools tableau dans votre requête. Le modèle peut alors décider d'appeler une fonction en fonction de l'entrée de l'utilisateur.
Lorsque le modèle génère un appel de fonction, il renomme le nom de la fonction et les arguments dans un format structuré. Votre application exécute la fonction et renvoie le résultat au modèle pour une réponse finale.
Cette capacité permet des workflows complexes sans coder en dur la logique. Vous pouvez intégrer des sources de données externes, des calculateurs ou une logique métier personnalisée directement dans la conversation.
Assurez-vous que vos définitions d'outils sont précises. Le modèle s'appuie sur ces schémas pour comprendre les formats d'entrée et de sortie attendus pour chaque fonction.
Fenêtre de Contexte et Limites
Le modèle prend en charge une fenêtre de contexte de 100 000 tokens. Cette fenêtre inclut à la fois le prompt et la complétion. Vous pouvez spécifier une longueur de sortie maximale à l'aide du max_tokens paramètre.
Si max_tokens n'est pas défini, la réponse peut s'étendre jusqu'à la fin de la fenêtre. Définir une valeur plus élevée permet des réponses plus longues, jusqu'à la limite de 100,000 jetons. Cela est utile pour générer des rapports détaillés ou des extraits de code.
Surveillez attentivement vos limites de taux. L'API autorise 300 requêtes par minute et 8 requêtes simultanées par clé. Le dépassement de ces limites entraînera une erreur 429.
La taille du corps de la requête est limitée à 8 Mo. Les grandes fenêtres de contexte consomment plus de crédit, équilibrez donc vos besoins en mémoire avec votre budget.
Gestion des erreurs et utilisation des tokens
Gérez les erreurs avec élégance pour maintenir une expérience utilisateur fluide. Une erreur 401 indique une clé API invalide ou expirée. Réauthentifiez-vous ou générez une nouvelle clé depuis votre tableau de bord.
Une erreur 402 signifie que votre crédit prépayé est insuffisant. Rechargez en utilisant USDT (TRC20) ou USDC (Base) pour reprendre le service. Les crédits n'expirent jamais, vous pouvez donc ajouter des fonds quand cela vous arrange.
Une erreur 429 signale que vous avez dépassé la limite de taux. Implémentez une rétroaction exponentielle dans votre client pour réessayer les requêtes automatiquement. Vérifiez toujours les en-têtes de réponse pour les informations sur le quota restant.
L'utilisation de tokens est rapportée dans le dernier chunk du flux ou la réponse de complétion. Utilisez ces données pour optimiser vos prompts et gérer vos coûts efficacement.
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
Comment obtenir ma clé API pour la connexion LLM ?
Accédez à la page Obtenir la clé API sur le site. Vous pouvez vous connecter à l'aide de Google ou d'un mot de passe par e-mail. La clé API est affichée immédiatement après l'authentification. Aucun numéro de téléphone n'est requis pour cette procédure.
Que se passe-t-il si je dépasse la limite de taux ?
Vous recevrez un code d'état 429. La limite est de 300 requêtes par minute et de 8 requêtes simultanées par clé. Implémentez une logique de nouvelle tentative avec une rétrogradation exponentielle pour gérer cela correctement sans perdre de données.
Le modèle LLM sans filtre est-il différent de GPT ?
Oui. Le modèle est un modèle à poids ouverts hébergé sur nos serveurs. Il ne s’agit pas de GPT, Claude, Gemini ou du modèle d’un autre fournisseur. Il est optimisé spécifiquement pour répondre sans refus de contenu pour un usage adulte licite.
Obtenez votre clé API
Inscrivez-vous, copiez la clé, mettez à jour votre URL de base. C'est tout.
