Dokumentacja API dla programistów

Uwierzytelnianie i konfiguracja URL bazowego

Skonfiguruj najpierw klienta z poprawnym bazowym URL i kluczem. Nasze API znajduje się pod adresem HTTPS://api.llamaapikey.com/v1. Konfiguracja ta działa z oficjalnymi SDK OpenAI oraz dowolnym kompatybilnym klientem. Musisz jedynie zmienić bazowy URL i podać swój klucz. Nie używamy routingu modeli ani blokady dostawcy.

• Bazowy URL: HTTPS://api.llamaapikey.com/v1
• ID modelu: "uncensored"
• Autoryzacja: Nagłówek 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"}]
  }'

Wysyłanie żądań do /v1/chat/completions

Wyślij standardowe żądanie POST do endpointu chat completions. ID modelu to "uncensored". Skutecznie obsługuje wejście i wyjście tekstowe. Możesz dostosować parametry takie jak temperatura lub top_p. Błędy nie zużywają kredytu. Odmowy dla standardowej treści są darmowe.

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)

Odpowiedzi strumieniowe poprzez SSE

Włącz strumieniowanie, ustawiając stream: true. Otrzymujesz Zdarzenia Serwera (SSE) dla wyjścia w czasie rzeczywistym. Ostatni kawałek zawiera szczegóły użycia tokenów. To podejście jest idealne dla interfejsów czatu. Otrzymujesz natychmiastową informację zwrotną bez oczekiwania na pełną odpowiedź.

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)

Wywoływanie funkcji i używanie narzędzi

Użyj standardowego formatu narzędzi do wywoływania funkcji. Zdefiniuj swoje funkcje w tools tablicy. Model obsługuje tool_choice dla wymuszonego lub automatycznego wykonania. Możesz również wymusić tryb JSON z response_format. Zapewnia to uporządkowane dane wyjściowe dla Twoich aplikacji.

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);

tryb JSON i formatowanie odpowiedzi

Wymuszaj na modelu poprawne dane JSON. Ustaw response_format do {"type": "json_object"}To zapobiega niepoprawnym odpowiedziom w Twoim parserze. Działa wraz z wywoływaniem funkcji. Otrzymujesz niezawodne struktury danych dla logiki backendu.

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"}]
  }'

Zrozumienie zużycia tokenów i rozliczeń

Płacisz za rzeczywiste użycie tokenów. Błędy i odrzucenia są darmowe. Okno kontekstu wynosi 100,000 tokenów. Maksymalne wyjście to 16,000 tokenów. Limit szybkości to 300 żądań na minutę. Obsłuż 401 dla nieprawidłowych kluczy. Obsłuż 402 dla braku kredytu. Obsłuż 429 dla limitów szybkości.

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)