Τεκμηρίωση API για προγραμματιστές

Πιστοποίηση και ρύθμιση base URL

Ξεκινήστε διαμορφώνοντας τον πελάτη σας με τη σωστή βάση URL και το κλειδί. Το API μας βρίσκεται στο HTTPS://api.llamaapikey.com/v1. Αυτή η ρύθμιση λειτουργεί με τα επίσημα OpenAI SDKs και με οπονδήποτε συμβατό πελάτη. Αρκεί να αλλάξετε τη βάση URL και να παρέχετε το κλειδί σας. Δεν χρησιμοποιούμε μοντελοποίηση ή vendor lock-in.

• Base URL: HTTPS://api.llamaapikey.com/v1
• ID Μοντέλου: "uncensored"
• Πιστοποίηση: Header Authorization: Bearer YOUR_API_KEY

Copycurl https://api.llamaapikey.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Generate API key for llama model usage"}]
  }'

Αποστολή αιτημάτων στο /v1/chat/completions

Στείλτε ένα τυπικό POST αίτημα στο endpoint chat completions. Το model ID είναι "uncensored". Χειρίζεται κείμενο εισόδου και εξόδου αποδοτικά. Μπορείτε να προσαρμόσετε παραμέτρους όπως temperature ή top_p. Τα σφάλματα δεν καταναλώνουν credit. Οι απορρίψεις για τυπικό περιεχόμενο είναι δωρεάν.

Copyfrom openai import OpenAI

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

Οι ροές απαντήσεων μέσω SSE

Ενεργοποιήστε streaming ρυθμίζοντας stream: true.Λαμβάνετε Server-Sent Events (SSE) για έξοδο σε πραγματικό χρόνο. Το τελευταίο chunk περιέχει τις λεπτομέρειες χρήσης tokens. Αυτή η προσέγγιση είναι ιδανική για διεπαφές chat. Λαμβάνετε άμεση ανατροφοδότηση χωρίς να περιμένετε την πλήρη απάντηση.

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)

Κλήση συναρτήσεων και χρήση εργαλείων

Χρησιμοποιήστε την τυπική μορφή tools για function calling. Ορίστε τις συναρτήσεις σας στο tools array. Το μοντέλο υποστηρίζει tool_choice για αναγκαστική ή αυτόματη εκτέλεση. Μπορείτε επίσης να επιβάλετε τη λειτουργία JSON με response_format. Αυτό εξασφαλίζει δομημένες εξόδους για τις εφαρμογές σας.

Copyimport OpenAI from "openai";

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

Λειτουργία JSON και μορφοποίηση εξόδου

Εξαναγκάστε το μοντέλο να επιστρέψει έγκυρο JSON. Ρυθμίστε response_format για {"type": "json_object"}. Αυτό αποτρέπει τα κατεστραμμένα responses στον parser σας. Λειτουργεί παράλληλα με την κλήση συναρτήσεων. Έχετε αξιόπλοες δομές δεδομένων για τη λογική του backend σας.

Copycurl https://api.llamaapikey.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Generate API key for llama model usage"}]
  }'

Κατανόηση της χρήσης και της χρέωσης tokens

Πληρώνετε για πραγματική χρήση tokens. Τα σφάλματα και οι απορρίψεις είναι δωρεάν. Το context window είναι 100.000 tokens. Μέγιστο output 16.000 tokens. Rate limit 300 requests ανά λεπτό. Handle 401 για invalid keys. Handle 402 για μη διαθέσιμο credit. Handle 429 για rate limits.

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)