Przewodnik szybkiego startu API modeli

Uwierzytelnianie i URL bazowy

Punkt końcowy znajduje się na https://api.modelapis.cc/v1. Przekaz swój klucz w Authorization nagłówek jako token Bearer. System odrzuca żądania z nieprawidłowymi kluczami błędem 401 i blokuje próby wydania kredytu, którego nie posiadasz, odpowiedzią 402. Możesz natychmiast wygenerować nowy klucz w panelu, a stary staje się nieaktywny natychmiast.

Wysyłanie Chat Completion

Wyślij żądanie POST do /v1/chat/completions z Twoją historią wiadomości. ID modelu to "uncensored" i akceptuje standardowe parametry takie jak temperature i top_p. To rozwiązanie działa z dowolnym klientem obsługującym protokół OpenAI, w tym Cursor i innymi narzędziami developerskimi.

Copycurl https://api.modelapis.cc/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "get current unix timestamp"}]
  }'

Sprawdź odpowiedź pod kątem content pole wewnątrz wiadomości asystenta. Jeśli przekroczysz limit szybkości, API zwraca kod stanu 429. Możesz monitorować swoje pozostałe saldo bezpośrednio w panelu dashboard bez konieczności ręcznego parsowania nagłówków.

Odpowiedzi strumieniowe przez SSE

Włącz strumieniowanie, ustawiając stream: true w ciele żądania. API zwraca zdarzenia wysłane przez serwer (SSE) zawierające częściowe fragmenty tekstu. Podejście to jest idealne do budowania interfejsów czatu, które renderują tekst w miarę jego generowania.

Copyfrom openai import OpenAI

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

Każdy fragment zawiera tylko fragment końcowej odpowiedzi. Ostatni fragment zawiera pełne statystyki zużycia tokenów dla żądania. Pozwala to śledzić koszty w czasie rzeczywistym bez oczekiwania na zakończenie całego generowania.

Wywoływanie funkcji i narzędzia

Zdefiniuj swoje narzędzia w tools parameter i ustaw tool_choice do auto. Model zwraca strukturalne wywołania narzędzi, gdy jest to stosowne, pozwalając Twojej aplikacji na wykonywanie funkcji zewnętrznych. Ta funkcja działa bezproblemowo ze standardowymi SDK OpenAI.

Copyimport OpenAI from "openai";

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

Przetwarzaj tool_calls tablica w wiadomości asystenta, aby uruchomić logikę swojego backendu. Możesz następnie przekazać wyniki z powrotem do rozmowy jako odpowiedzi narzędzi. Ten cykl umożliwia złożone przepływy pracy agentyczne bez opuszczania API.

Wymuszanie trybu JSON

Ustaw response_format do {"type": "json_object"} wymuszenie na modelu outputu poprawnego formatu JSON. Jest to kluczowe dla aplikacji, które programatycznie przetwarzają odpowiedź. Model będzie ściśle przestrzegać tego ograniczenia.

Użyj tego trybu, gdy potrzebujesz przewidywalnych struktur dla swoich potoków danych. Zmniejsza potrzebę hacków regex do post-przetwarzania. Model pozostaje bez cenzury nawet w trybie JSON, dostarczając surowe dane bez filtrów treści.

Limity tokenów i okno kontekstowe

Okno kontekstowe obsługuje do 100 000 tokenów dla promptu i uzupełnienia łącznie. Możesz żądać do 16 000 tokenów wyjściowych w jednym żądaniu. Jeśli nie określisz max_tokens, domyślnie wynosi 2,048 tokenów.

Żądania są ograniczone do 300 na minutę na klucz. Maksymalny rozmiar ciała żądania to 8 MB. Te limity zapewniają stabilną wydajność dla dużego ruchu. Błędy i odmowy nie zużywają Twojego kredytu z góry opłaconego, więc płacisz tylko za udane generacje.

Strumieniowanie

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)