Schnellstart: Unzensierte API Integration

Basis-URL- und Authentifizierungseinrichtung

Richten Sie Ihren Client zunächst auf unsere Base-URL und verwenden Sie ein Bearer-Token. Der Endpunkt ist https://api.howmuchisdeepseekapi.com/v1. Sie rufen Ihren Schlüssel ab, indem Sie auf 'API-Schlüssel erhalten' auf der Anmeldeseite klicken, wo Sie sich mit Google anmelden oder eine E-Mail und ein Passwort verwenden können. Keine Telefonnummer ist erforderlich, und der Schlüssel erscheint sofort. Sie benötigen nur einen aktiven Schlüssel pro Konto; das Generieren eines neuen ersetzt den alten.

Die Authentifizierung ist Standard. Übergeben Sie den Schlüssel im Authorization header. Dieses Setup funktioniert mit den offiziellen OpenAI Python- oder JS-Clients. Konfigurieren Sie einfach die Basis-URL und den API-Schlüssel in Ihrem Client-Objekt. Dies stellt sicher, dass Ihr bestehender Code ohne größere Refaktorierung läuft.

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-Vervollständigungs-Endpunkt (/v1/chat/completions)

Senden Sie Ihre Prompts an den Chat-Vervollständigungs-Endpunkt. Hier wird Text in Text umgewandelt. Die Modell-ID, die Sie verwenden müssen, ist uncensored. Es ist ein Open-Weight-Modell, das darauf ausgelegt ist, ohne Ablehnungen für legale Erwachseneninhalte zu antworten. Es ist kein GPT, Claude oder DeepSeek. Senden Sie Ihre Nachrichten als Array von Rolle- und Inhaltsobjekten.

Die API erwartet standardmäßige JSON-Strukturen. Sie können System-, Benutzer- und Assistentenrollen angeben. Die Antwort enthält die Antwort des Modells. Fehler wie fehlendes Guthaben geben einen 402-Status zurück. Ungültige Schlüssel geben 401 zurück. Diese Standardcodes helfen Ihnen, Ausfälle in Ihrer Anwendungslogik graceful zu behandeln.

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)

Modell-Auflistungs-Endpunkt (/v1/models)

Fragen an den Models-Endpunkt stellen, um die Konnektivität zu überprüfen. Senden Sie eine GET-Anfrage an /v1/models. Die Antwort listet verfügbare Modelle auf. Sie sehen das uncensored Modell-ID, die hier aufgeführt ist. Dies bestätigt, dass Ihre Authentifizierung korrekt funktioniert.

Dieser Endpunkt ist nützlich zum Debuggen. Wenn Sie einen 404- oder 500-Fehler erhalten, ist Ihre Basis-URL möglicherweise falsch. Nutzen Sie diesen Aufruf, um sicherzustellen, dass Ihr Client unsere Server erreichen kann, bevor er schwere Payloads sendet. Er gibt ein einfaches Listenobjekt zurück, das die Modell-Details enthält.

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-Antworten und Token-Nutzung

Aktivieren Sie Streaming, indem Sie stream: true in Ihrer Anfrage. Die API gibt Server-Sent Events (SSE) zurück. Jeder Chunk enthält partiellen Text. Der letzte Chunk enthält die Token-Nutzungsstatistiken. Dies ermöglicht es Ihnen, Text in Echtzeit an Nutzer anzuzeigen.

Token-Anzahlen sind entscheidend für die Abrechnung. Sie zahlen $0.15 pro 1M Input-Tokens und $0.50 pro 1M Output-Tokens. Fehler sind kostenlos. Die Nutzungsdaten im letzten Chunk helfen Ihnen, die Kosten genau zu verfolgen. Sie können auch max_tokens die Ausgabe zu begrenzen. Falls nicht gesetzt, beträgt das Maximum 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 und JSON-Modus

Nutze Function Calling für strukturierte Ausgaben. Definiere Tools im Anfragekörper. Das Modell antwortet bei Bedarf mit Funktionsaufrufen. Du kannst den JSON-Modus auch erzwingen, indem du response_format zu {"type": "json_object"}. Dies stellt sicher, dass die Ausgabe gültiges JSON ist.

Parameter wie temperature und top_p Steuerung der Zufälligkeit. Verwenden stop Sequenzen, um die Generierung zu stoppen. Sie können auch presence_penalty und frequency_penalty um Wiederholungen zu reduzieren. Diese Tools geben Ihnen eine feine Kontrolle über das Verhalten des Modells.

Parameter: Temperatur, Top-p und Stop-Sequenzen

Anpassen temperature für Kreativität. Höhere Werte erzeugen vielfältigere Ausgaben. Legen Sie top_p Nukleus-Sampling zu steuern. Verwenden Sie stop Sequenzen, um die Generierung bei bestimmten Strings zu beenden. Diese Parameter helfen Ihnen, das Modell für Ihren spezifischen Anwendungsfall anzupassen.

Sie können auch ein seed für deterministische Ausgaben. Dies ist hilfreich zur Fehlersuche. Das Kontextfenster beträgt 100.000 Token für Prompt und Completion zusammen. Maximal 16.000 Token pro Anfrage. Dies ermöglicht lange Gespräche ohne Kontextverlust.