Hurtig start: Uncensored API-integration

Base URL og autentificeringsopsætning

Start med at pege din klient mod vores base URL og bruge en Bearer-token. Endpointet er https://api.howmuchisdeepseekapi.com/v1. Du henter din nøgle ved at klikke på 'Hent API-nøgle' på tilmeldingssiden, hvor du kan logge ind med Google eller bruge en e-mail og adgangskode. Intet telefonnummer er påkrævet, og nøglen vises med det samme. Du har kun brug for én aktiv nøgle pr. konto; generering af en ny erstatter den gamle.

Autentificeringen er standard. Send nøglen i Authorization header. Denne opsætning fungerer med de officielle OpenAI Python- eller JS-klienter. Du konfigurerer blot base URL og API-nøgle i dit klientobjekt. Dette sikrer, at din eksisterende kode kører uden større omstrukturering.

Copycurl https://api.howmuchisdeepseekapi.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "What is the current pricing for the deepseek api endpoint"}]
  }'

Chat Completions Endpoint (/v1/chat/completions)

Send dine prompts til chat completion-endepunktet. Her bliver tekst ind til tekst ud. Det model-ID, du skal bruge, er uncensored. Det er en open-weight-model finjusteret til at svare uden afvisninger til lovligt voksenindhold. Det er ikke GPT, Claude eller DeepSeek. Send dine beskeder som en matrix af role- og content-objekter.

API'en forventer standard JSON-strukturer. Du kan inkludere system, user og assistant roller. Svaret vil indeholde modellens svar. Fejl som manglende kredit returnerer en 402 status. Ugyldige keys returnerer 401. Disse standardkoder hjælper dig med at håndtere fejl elegant i din applikationslogik.

Copyfrom openai import OpenAI

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

Slutpunkt til modelopstilling (/v1/models)

Kør forespørgsel på models-endpointet for at bekræfte forbindelsen. Send en GET-anmodning til /v1/models. Svaret opsummerer tilgængelige modeller. Du vil se uncensored model-ID angivet her. Dette bekræfter, at din autentificering fungerer korrekt.

Dette endpoint er nyttigt til fejlsøgning. Hvis du får en 404- eller 500-fejl, er din base URL måske forkert. Brug dette kald til at sikre, at din klient kan nå vores servere, før du sender tunge payloads. Det returnerer en simpel liste over objekt, der indeholder modeldetaljer.

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.howmuchisdeepseekapi.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-svar og tokenforbrug

Aktivér streaming ved at indstille stream: true i din anmodning. API'et returnerer Server-Sent Events (SSE). Hver del indeholder delvis tekst. Den sidste del inkluderer tokenforbrugsstatistikker. Dette giver dig mulighed for at vise tekst til brugere i realtid.

Tokenantal er afgørende for fakturering. Du betaler $0.15 per 1M inputtokens og $0.50 per 1M outputtokens. Fejl er gratis. Forbrugsdataene i den sidste chunk hjælper dig med at spore omkostninger præcist. Du kan også indstille max_tokens for at begrænse output. Hvis ikke angivet, er max 2.048 tokens.

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)

Function Calling og JSON-tilstand

Brug funktionssamtale til strukturerede output. Definer værktøjer i din anmodningskrop. Modellen vil svare med funktionskald, når det er passende. Du kan også håndhæve JSON-tilstand ved at indstille response_format til {"type": "json_object"}. Dette sikrer, at outputtet er gyldig JSON.

Parameters like temperature og top_p styr tilfældighed. Brug stop sekvenser til at afslutte genereringen. Du kan også indstille presence_penalty og frequency_penalty for at reducere gentagelse. Disse værktøjer giver dig finjusteret kontrol over modellens adfærd.

Parametre: Temperatur, Top-p og Stop-sekvenser

Juster temperature til kreativitet. Højere værdier producerer mere varierede output. Indstil top_p til at kontrollere nucleus-sampling. Brug stop sekvenser til at afslutte generering ved specifikke strenge. Disse parametre hjælper dig med at tilpasse modellen til dit specifikke brugstilfælde.

Du kan også indstille en seed til deterministiske output. Dette er nyttigt til debugging. Kontekstvinduet er 100.000 tokens for prompt og completion tilsammen. Maks output er 16.000 tokens pr. anmodning. Dette tillader lange samtaler uden at miste kontekst.