Basis-URL und Authentifizierung
Starten Sie jede Anfrage, indem Sie Ihr SDK auf unsere Basis-URL zeigen und Ihren API-Schlüssel im Autorisierungsheader angeben.
Der Endpunkt ist https://api.openrouterabliteratedmodels.com/v1. Sie authentifizieren sich mit einem Bearer-Token, das in Ihrem Kontodashboard generiert wurde. Dieser Schlüssel ist das einzige Anmeldeinformation, das für alle nachfolgenden Aufrufe erforderlich ist, und stellt sicher, dass Ihre Anfragen direkt an unsere Infrastruktur für das unzensierte Modell geleitet werden, ohne Zwischenschichten.
Erste Anfrage
Senden Sie Ihre erste Vervollständigung, indem Sie eine Nachricht an den Chat-Vervollständigungs-Endpunkt mit Ihrem bevorzugten HTTP-Client senden.
Die Model-Kennung ist streng uncensored. Sie können Text-Prompts mit Standardparametern wie Temperatur oder top_p senden. Die API gibt eine Textantwort ohne Inhaltsablehnungen für legale erwachsene Themen zurück und behält das erwartete abgestumpfte Verhalten bei, das Sie von Open-Weight-Modellen erwarten, die für uneingeschränkte Ausgaben optimiert sind.
curl https://api.openrouterabliteratedmodels.com/v1/chat/completions \
-H "Authorization: Bearer $API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "uncensored",
"messages": [{"role": "user", "content": "Calculate the factorial of 5."}]
}'Python SDK
Integrieren Sie die API in Ihre Python-Projekte, indem Sie die Basis-URL und den Modellnamen in Ihrer OpenAI-Client-Konfiguration festlegen.
Dieser Ansatz ermöglicht es Ihnen, vorhandenen Code wiederzuverwenden, der einen OpenAI-kompatiblen Endpunkt erwartet. Übergeben Sie Ihren API-Schlüssel über Umgebungsvariablen oder direkte Initialisierung. Der Client übernimmt die Serialisierung und Fehleranalyse automatisch und liefert rohe Text-Tokens oder strukturiertes JSON, abhängig von Ihren Einstellungen für das Antwortformat.
from openai import OpenAI
client = OpenAI(base_url="https://api.openrouterabliteratedmodels.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 SDK
Verbinde deine Node.js-Anwendungen, indem du das OpenAI-Paket so konfigurierst, dass es auf unsere spezifische Base-URL statt auf die Standard-URL verweist.
Legen Sie den apiKey und baseURL Eigenschaften vor dem ersten Aufruf. Dies stellt sicher, dass Ihre Funktionsaufrufe, Streaming-Antworten und JSON-Modusanfragen an unsere unzensierte Infrastruktur gerichtet werden. Sie können weiterhin vertraute Methoden wie chat.completions.create mit voller Kompatibilität.
import OpenAI from "openai";
const client = new OpenAI({ baseURL: "https://api.openrouterabliteratedmodels.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 mit SSE
Erhalten Sie Echtzeit-Textgenerierung durch Aktivieren des Streaming-Modus, der Tokens bereitstellt, sobald sie verfügbar sind, über Server-Sent Events.
Legen Sie den Parameter stream auf true in Ihrer Anfrage fest. Die API gibt eine Reihe von Chunks zurück, sodass Sie Text inkrementell in Ihrer Benutzeroberfläche rendern können. Statistiken zur Token-Nutzung sind im letzten Chunk enthalten, sodass Sie den Verbrauch genau verfolgen können, ohne auf das Ende der gesamten Generierung warten zu müssen.
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)JSON-Modus und Funktionsaufruf
Erzwingen Sie strukturierte Ausgaben oder aktivieren Sie Tool-Nutzung, indem Sie das Anfrageformat und Tool-Definitionen im Payload konfigurieren.
Verwenden response_format gesetzt auf json_object um sicherzustellen, dass das Modell gültiges JSON ohne Markdown-Umhüllungen zurückgibt. Für Funktionsaufrufe definieren Sie Ihre Tools im Anfragekörper und lassen Sie das Modell entscheiden, wann es sie aufrufen soll. Dies unterstützt komplexe Workflows, bei denen das unzensierte Modell strukturierte Daten für die nachgelagerte Verarbeitung zurückgeben muss.
