Integrationsguide: obegränsade chattkompletteringar

Bas URL och autentisering

Grunden för din integration börjar med bas-URL:en. Använd https://api.loginllm.com/v1 för alla förfrågningar. Denna slutpunkt är fullt kompatibel med OpenAI, vilket innebär att du kan byta dina befintliga nycklar utan att skriva om din klientlogik.

Autentiseringen bygger på en enda API-nyckel. Generera denna nyckel via Hämta API-nyckel sida via antingen Google eller ett e-postlösenord. Systemet utfärdar en aktiv nyckel per konto; utfärdandet av en ny gör omedelbart den tidigare nyckeln ogiltig. Behåll den här nyckeln säker, eftersom den styr dina förbetalda krediter.

Skicka nyckeln i Authorization header som ett Bearer-token. Inga komplexa OAuth-flöden eller sessionssökvågor krävs för API:t i sig.

Du kan testa anslutningen omedelbart med en enkel curl-kommando. Detta säkerställer att ditt nätverk tillåter utgående HTTPS-trafik till våra servrar innan du bygger resten av din applikation.

Slutpunkten för chat/completteringar

Skicka meddelanden till POST /v1/chat/completions endpoint. Detta är det standardiserade gränssnittet för textgenerering. Du anger modellen som uncensored och tillhandahåll en lista med meddelanden i begärandekroppen.

Varje meddelande kräver en roll (system, user eller assistant) och innehåll. Systemet bearbetar dessa inmatningar och returnerar ett svar. Du behöver inte hantera modellomdirigering eller välja mellan flera varianter; vi har en dedikerad modell med öppna vikter som är optimerad för obegränsad utmatning.

Denna metod håller din kod enkel. Du undviker overhead från att hantera flera modellversioner eller hantera leverantörspecifika egenskaper. Svarsstrukturen matchar OpenAI-formatet, vilket säkerställer bred SDK-kompatibilitet.

Kontrollera ditt saldo regelbundet. Krediter dras av baserat på faktisk tokenanvändning, och fel konsumerar inga krediter.

Streaming med Server-Sent Events

För realtidsanvändarupplevelser, aktivera strömning genom att ställa in stream: true i ditt begäran. API:et returnerar en ström av Server-Sent Events (SSE) istället för ett enda JSON-objekt.

Varje händelsechunk innehåller en del av den genererade texten. Du kan rendera denna text stegvis i ditt UI, vilket minskar den upplevda latensen för slutanvändaren avsevärt. Den sista chunken i strömmen innehåller total tokenanvändning för begäran.

Denna funktion är viktig för chattgränssnitt där användare förväntar sig omedelbar feedback. Det gör att din applikation kan hantera långa svar utan att blockera huvudtråden.

Implementera en enkel event-listener för att samla dessa bitar. Klistra ihop dem för att bilda det kompletta svaret, eller visa dem live när de anländer.

Funktionsanrop och verktyg

API:et stöder strukturerad verktygsanvändning. Definiera funktioner i tools array inom din begäran. Modellen kan då bestämma att anropa en funktion baserat på användarens inmatning.

När modellen genererar ett funktionsanrop returnerar den funktionsnamnet och argumenten i ett strukturerat format. Din applikation utför funktionen och skickar tillbaka resultatet till modellen för ett slutgiltigt svar.

Denna funktion möjliggör komplexa arbetsflöden utan att hårdkoda logik. Du kan integrera externa datakällor, kalkylatorer eller anpassad affärslogik direkt i samtalet.

Se till att dina tool definitions är precisa. Modellen förlitar sig på dessa scheman för att förstå de förväntade input- och output-formaten för varje funktion.

Kontextfönster och gränser

Modellen stöder ett kontextfönster på 100,000 tokens. Detta fönster inkluderar både prompt och completion. Du kan ange en maximal outputlängd med hjälp av max_tokens parameter.

Om max_tokens är inställt kan svaret sträcka sig till slutet av fönstret. Att ställa in ett högre värde möjliggör längre svar, upp till gränsen på 100,000 tokens. Detta är användbart för att generera detaljerade rapporter eller kodsnuttar.

Övervaka dina hastighetsbegränsningar noggrant. API:et tillåter 300 begäranden per minut och 8 samtidiga begäranden per nyckel. Att överskrida dessa gränser kommer att resultera i ett 429-fel.

Förfrågningskroppens storlek är begränsad till 8 MB. Stora kontextfönster förbrukar mer kredit, så balansera dina minneskrav med din budget.

Felfhantering och tokenanvändning

Hantera fel på ett elegant sätt för att upprätthålla en smidig användarupplevelse. Ett 401-fel indikerar en ogiltig eller utgången API-nyckel. Autentisera om eller generera en ny nyckel från ditt dashboard.

Ett 402-fel betyder att ditt förbetalda kreditbelopp är otillräckligt. Ladda upp med USDT (TRC20) eller USDC (Base) för att återuppta tjänsten. Kreditsaldo löper aldrig ut, så du kan lägga till medel när det passar dig.

Ett 429-fel signalerar att du har överskridit hastighetsbegränsningen. Implementera exponentiell backoff i din klient för att försöka igen automatiskt. Kontrollera alltid begärans rubriker för information om återstående kvot.

Tokenanvändning rapporteras i den sista strömbiten eller slutförandesvaret. Använd denna data för att optimera dina prompts och hantera kostnader 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);

Strömning

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)