مستندات API برای توسعه‌دهندگان

تنظیم URL پایه احراز هویت

ابتدا کلاینت خود را با URL پایه و کلید صحیح پیکربندی کنید. API ما در HTTPS://api.llamaapikey.com/v1 قرار دارد. این تنظیمات با SDKهای رسمی OpenAI و هر کلاینت سازگار دیگری کار می‌کند. شما فقط نیاز دارید URL پایه را تغییر دهید و کلید خود را ارائه دهید. ما از مسیریابی مدل یا قفل‌شدگی با ارائه‌دهنده استفاده نمی‌کنیم.

• URL پایه: HTTPS://api.llamaapikey.com/v1
• شناسه مدل: "uncensored"
• احراز هویت: هدر 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"}]
  }'

ارسال درخواست‌ها به /v1/chat/completions

یک درخواست POST استاندارد به endpoint تکمیل مکالمه ارسال کنید. شناسه مدل "uncensored" است. ورودی و خروجی متنی را به‌طور کارآمد مدیریت می‌کند. می‌توانید پارامترهایی مانند temperature یا top_p را تنظیم کنید. خطاها اعتبار مصرف نمی‌کنند. امتناع‌ها برای محتوای استاندارد رایگان هستند.

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)

پاسخ‌های استریم‌شده از طریق SSE

استریمینگ را با تنظیم stream: true. رویدادهای سر-ارسال (SSE) برای خروجی بلادرنگ دریافت می‌کنید. قطعه آخر جزئیات استفاده از توکن را شامل می‌شود. این رویکرد برای رابط‌های چت ایده‌آل است. شما بلافاصله بازخورد دریافت می‌کنید بدون اینکه منتظر پاسخ کامل بمانید.

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)

فراخوانی تابع و استفاده از ابزار

از فرمت ابزار استاندارد برای فراخوانی تابع استفاده کنید. توابع خود را در tools آرایه. مدل از tool_choice برای اجرای اجباری یا خودکار. همچنین می‌توانید حالت JSON را با response_format. این امر خروجی‌های ساختاریافته را برای برنامه‌های شما تضمین می‌کند.

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);

حالت JSON و قالب‌بندی پاسخ

مدل را مجبور به خروجی JSON معتبر کنید. تنظیم response_format به {"type": "json_object"}. این از پاسخ‌های نامعتبر در پارسر شما جلوگیری می‌کند. این در کنار فراخوانی تابع کار می‌کند. ساختارهای داده قابل اعتمادی برای منطق بک‌اند خود دریافت می‌کنید.

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"}]
  }'

درک استفاده و صورتحساب توکن

شما به ازای مصرف واقعی توکن پرداخت می‌کنید. خطاها و رد شدن درخواست‌ها رایگان هستند. پنجره زمینه 100,000 توکن است. حداکثر خروجی 16,000 توکن است. محدودیت نرخ 300 درخواست در دقیقه است. برای کلیدهای نامعتبر 401 را مدیریت کنید. برای عدم موجودی 402 را مدیریت کنید. برای محدودیت نرخ 429 را مدیریت کنید.

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)