Documentazione API

Avvio rapido per la tua prima richiesta

Inizia a generare testo immediatamente puntando il tuo client verso il nostro URL base e autenticandoti con una chiave API generata. L'interfaccia segue le convenzioni standard, quindi puoi utilizzare SDK esistenti senza imparare un nuovo protocollo. Invierai prompt al uncensored model e ricevi risposte testuali che non applicano i tipici filtri di contenuto per l'uso adulto lecito.

Configura l'URL di base e la chiave

Imposta le tue variabili d'ambiente per instradare le richieste verso il nostro endpoint specifico. Sostituisci la chiave segnaposto con quella generata durante la registrazione. Questo garantisce che tutte le chiamate successive utilizzino l'istanza corretta del modello uncensored.

• Base URL: https://api.nsfwlocalllm.com/v1
• Intestazione Auth: Authorization: Bearer YOUR_API_KEY

Puoi verificare che la tua chiave funzioni controllando l'endpoint dei modelli. Una chiave valida restituisce immediatamente l'ID del modello disponibile.

Invia una richiesta di completamento della chat

Invia un payload standard di chat completion per generare testo. Il sistema elabora il tuo input e restituisce la risposta del modello. Usa il uncensored ID del modello per assicurarti di raggiungere l'istanza senza filtri.

La risposta include il testo generato e le statistiche sull'utilizzo dei token. Puoi analizzarlo direttamente nella logica della tua applicazione.

Copycurl https://api.nsfwlocalllm.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Send me the server uptime stats"}]
  }'

Verifica i codici di stato HTTP standard per gestire i casi di successo o fallimento.

Abilita lo streaming per output in tempo reale

Trasmetti le risposte per ridurre la latenza percepita per i tuoi utenti. Abilita lo streaming impostando stream: true nel corpo della richiesta. L'API restituisce una serie di Server-Sent Events (SSE) contenenti token parziali.

Aggrega questi token lato client per ricostruire il messaggio completo. Questo approccio è ideale per le interfacce chat dove il feedback immediato è importante. L'ultimo evento SSE contiene l'utilizzo totale dei token per la richiesta.

Copyfrom openai import OpenAI

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

Gestisci gli errori di connessione in modo elegante per garantire un'esperienza utente fluida.

Usa la modalità JSON per dati strutturati

Forza il modello a restituire JSON validi per il consumo programmatico. Imposta response_format a {"type": "json_object"} nella tua richiesta. Questo riduce gli errori di analisi e garantisce strutture dati coerenti.

Usa questo per generare prompt strutturati, estrarre entità o costruire contenuti dinamici. Il modello aderisce ai vincoli di formato forniti nelle tue istruzioni di sistema. Questo è cruciale per un'integrazione affidabile con altri servizi.

Copyimport OpenAI from "openai";

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

Convalida l'output JSON dal tuo lato per catturare eventuali casi limite.

Implementa la chiamata di funzioni

Definisci gli strumenti per estendere le capacità del modello. Passa un tools array con definizioni di funzione alla richiesta. Il modello può scegliere di chiamare queste funzioni in base al contesto.

Questo abilita flussi di lavoro complessi in cui l'LLM decide quando recuperare dati o eseguire azioni. Ricevi gli argomenti della funzione nella risposta ed eseguili dal tuo lato. Passa i risultati al modello per ulteriori ragionamenti.

Imposta tool_choice a auto per il processo decisionale flessibile. Questa funzione supporta scenari avanzati di roleplay che richiedono l'accesso a dati esterni.

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)