Avvio rapido: Integrazione API senza filtri

Configurazione URL Base e Autenticazione

Inizia puntando il tuo client al nostro URL base e utilizzando un token Bearer. L'endpoint è https://api.howmuchisdeepseekapi.com/v1. Recupera la tua chiave facendo clic su 'Ottieni chiave API' nella pagina di registrazione, dove puoi accedere con Google o usare email e password. Non è richiesto un numero di telefono e la chiave appare immediatamente. Hai bisogno di una sola chiave attiva per account; generarne una nuova sostituisce quella vecchia.

L'autenticazione è standard. Invia la chiave nell' Authorization header. Questa configurazione funziona con i client Python o JS ufficiali di OpenAI. Devi semplicemente configurare l'URL di base e la chiave API nel tuo oggetto client. Questo assicura che il tuo codice esistente venga eseguito senza una refactoring maggiore.

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)

Invia i tuoi prompt all'endpoint di completamento chat. Qui il testo in diventa testo out. L'ID del modello che devi usare è uncensored. È un modello open-weight ottimizzato per rispondere senza rifiuti per uso adulto legale. Non è GPT, Claude né DeepSeek. Invia i tuoi messaggi come array di oggetti role e content.

L'API si aspetta strutture JSON standard. Puoi includere ruoli system, user e assistant. La risposta conterrà la risposta del modello. Errori come crediti mancanti restituiscono un codice 402. Chiavi non valide restituiscono 401. Questi codici standard ti aiutano a gestire i guasti in modo elegante nella logica della tua applicazione.

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 di elenco modelli (/v1/models)

Interroga l'endpoint dei modelli per verificare la connettività. Invia una richiesta GET a /v1/models. La risposta elenca i modelli disponibili. Vedrai il uncensored ID del modello elencato qui. Questo conferma che la tua autenticazione sta funzionando correttamente.

Questo endpoint è utile per il debug. Se ricevi un errore 404 o 500, il tuo URL base potrebbe essere errato. Usa questa chiamata per assicurarti che il tuo client possa raggiungere i nostri server prima di inviare payload pesanti. Restituisce un semplice oggetto elenco contenente i dettagli del modello.

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);

Risposte in streaming e utilizzo dei token

Abilita lo streaming impostando stream: true nella tua richiesta. L'API restituisce Server-Sent Events (SSE). Ogni chunk contiene testo parziale. L'ultimo chunk include le statistiche sull'utilizzo dei token. Questo ti permette di visualizzare il testo agli utenti in tempo reale.

I conteggi dei token sono cruciali per la fatturazione. Paghi $0.15 per 1M di token di input e $0.50 per 1M di token di output. Gli errori sono gratuiti. I dati di utilizzo nell'ultimo chunk ti aiutano a tracciare i costi con precisione. Puoi anche impostare max_tokens per limitare l'output. Se non impostato, il massimo è di 2.048 token.

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 e modalità JSON

Utilizza il function calling per output strutturati. Definisce gli strumenti nel corpo della tua richiesta. Il modello risponderà con chiamate a funzione quando appropriato. Puoi anche imporre la modalità JSON impostando response_format a {"type": "json_object"}. Questo garantisce che l'output sia JSON valido.

Parametri come temperature e top_p controlla la casualità. Usa stop sequenze per interrompere la generazione. Puoi anche impostare presence_penalty e frequency_penalty per ridurre le ripetizioni. Questi strumenti ti danno un controllo fine sul comportamento del modello.

Parametri: Temperatura, Top-p e sequenze di stop

Regola temperature per la creatività. Valori più alti producono output più diversificati. Imposta top_p per controllare il campionamento del nucleo. Usa stop sequenze per terminare la generazione a specifiche stringhe. Questi parametri ti aiutano a ottimizzare il modello per il tuo caso d'uso specifico.

Puoi anche impostare un seed per output deterministici. Questo è utile per il debug. La finestra di contesto è di 100.000 token per prompt e completamento combinati. L'output massimo è di 16.000 token per richiesta. Questo consente conversazioni lunghe senza perdere il contesto.