Inicio rápido: Integración de API sin censura

Configuración de URL Base y Autenticación

Empieza apuntando tu cliente a nuestra URL base y usando un token Bearer. El endpoint es https://api.howmuchisdeepseekapi.com/v1. Recuperas tu clave haciendo clic en 'Obtener clave API' en la página de registro, donde puedes iniciar sesión con Google o usar un correo electrónico y contraseña. No se requiere número de teléfono, y la clave aparece inmediatamente. Solo necesitas una clave activa por cuenta; generar una nueva reemplaza a la anterior.

La autenticación es estándar. Pasa la clave en el Authorization header. Esta configuración funciona con los clientes oficiales de Python o JS de OpenAI. Simplemente configura la URL base y la clave API en tu objeto cliente. Esto asegura que tu código existente se ejecute sin una refactorización importante.

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"}]
  }'

Endpoint Chat Completions (/v1/chat/completions)

Envía tus prompts al endpoint de finalización de chat. Aquí es donde el texto de entrada se convierte en texto de salida. El ID del modelo que debes usar es uncensored. Es un modelo de pesos abiertos ajustado para responder sin rechazos para uso adulto lícito. No es GPT, Claude ni DeepSeek. Envía tus mensajes como un array de objetos con role y content.

La API espera estructuras JSON estándar. Puedes incluir roles de sistema, usuario y asistente. La respuesta contendrá la respuesta del modelo. Errores como créditos insuficientes devuelven un estado 402. Las claves inválidas devuelven 401. Estos códigos estándar te ayudan a manejar las fallaciones de forma elegante en la lógica de tu aplicación.

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)

Endpoint de Listado de Modelos (/v1/models)

Consulta el endpoint de modelos para verificar la conectividad. Envía una solicitud GET a /v1/models. La respuesta enumera los modelos disponibles. Verás el uncensored ID del modelo que aparece aquí. Esto confirma que tu autenticación está funcionando correctamente.

Este extremo es útil para depurar. Si obtienes un error 404 o 500, tu URL base podría ser incorrecta. Utiliza esta llamada para asegurar que tu cliente pueda llegar a nuestros servidores antes de enviar cargas pesadas. Devuelve un objeto de lista simple que contiene los detalles del modelo.

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);

Respuestas en streaming y uso de tokens

Habilita la transmisión estableciendo stream: true en tu solicitud. La API devuelve Eventos Enviados por el Servidor (SSE). Cada fragmento contiene texto parcial. El último fragmento incluye las estadísticas de uso de tokens. Esto te permite mostrar texto a los usuarios en tiempo real.

Los conteos de tokens son cruciales para la facturación. Pagas $0.15 por cada 1M de tokens de entrada y $0.50 por cada 1M de tokens de salida. Los errores son gratuitos. Los datos de uso en el último fragmento te ayudan a rastrear los costos con precisión. También puedes configurar max_tokens para limitar la salida. Si no se establece, el máximo es de 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)

Llamada de Función y Modo JSON

Usa la llamada a funciones para salidas estructuradas. Define las herramientas en el cuerpo de tu solicitud. El modelo responderá con llamadas a funciones cuando sea apropiado. También puedes imponer el modo JSON estableciendo response_format para {"type": "json_object"}. Esto garantiza que la salida sea JSON válido.

Parámetros como temperature y top_p controla la aleatoriedad. Usa stop secuencias para detener la generación. También puedes establecer presence_penalty y frequency_penalty para reducir la repetición. Estas herramientas te dan un control fino sobre el comportamiento del modelo.

Parámetros: Temperatura, Top-p y secuencias de parada

Ajustar temperature para la creatividad. Valores más altos producen salidas más diversas. Establece top_p para controlar el muestreo de núcleo. Usa stop secuencias para terminar la generación en cadenas específicas. Estos parámetros te ayudan a ajustar el modelo para tu caso de uso específico.

También puedes establecer un seed para salidas deterministas. Esto es útil para la depuración. La ventana de contexto es de 100.000 tokens para prompt y finalización combinados. La salida máxima es de 16.000 tokens por solicitud. Esto permite conversaciones largas sin perder el contexto.