Szybki start: Integracja API bez cenzury

Konfiguracja bazowego URL i autoryzacji

Zacznij od wskazania klienta na nasz adres bazowy i użycia tokenu Bearer. Punkt końcowy to https://api.howmuchisdeepseekapi.com/v1. Pobierasz swój klucz, klikając 'Pobierz klucz API' na stronie rejestracji, gdzie możesz zalogować się za pomocą Google lub użyć adresu e-mail i hasła. Nie jest wymagany numer telefonu, a klucz pojawia się natychmiast. Potrzebujesz tylko jednego aktywnego klucza na konto; wygenerowanie nowego zastępuje stary.

Uwierzytelnianie jest standardowe. Przekaż klucz w Authorization Nagłówek. To rozwiązanie działa z oficjalnymi klientami OpenAI Python lub JS. Po prostu skonfiguruj adres bazowy i klucz API w obiekcie klienta. Zapewnia to działanie Twojego istniejącego kodu bez większych zmian.

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"}]
  }'

Punkt końcowy Uzupełnień Czat (/v1/chat/completions)

Wyślij swoje prompty do endpointu chat completions. To jest miejsce, gdzie tekst w staje się tekstem out. Identyfikator modelu, którego musisz użyć, to uncensored. Jest to model o otwartych wagach, dostrojony do odpowiadania bez odrzucania treści dla prawnego użytku dorosłych. Nie jest to GPT, Claude ani DeepSeek. Wysyłaj swoje wiadomości jako tablicę obiektów zawierających role i treść.

API oczekuje standardowych struktur JSON. Możesz dołączyć role systemową, użytkownika i asystenta. Odpowiedź będzie zawierać odpowiedź modelu. Błędy, takie jak brak środków, zwracają status 402. Nieprawidłowe klucze zwracają 401. Te standardowe kody pomagają Ci elegancko obsługiwać awarie w logice aplikacji.

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)

Punkt końcowy listy modeli (/v1/models)

Wywołaj endpoint modeli, aby potwierdzić łączność. Wyślij żądanie GET do /v1/models. Odpowiedź wylicza dostępne modele. Zobaczysz uncensored ID modelu wymienione tutaj. Potwierdza to, że uwierzytelnianie działa poprawnie.

Ten punkt końcowy jest przydatny do debugowania. Jeśli otrzymasz błąd 404 lub 500, Twój adres bazowy może być niepoprawny. Użyj tego wywołania, aby upewnić się, że klient może dotrzeć do naszych serwerów przed wysłaniem dużych ładunków. Zwraca prostą listę obiektów zawierającą szczegóły modelu.

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);

Odpowiedzi strumieniowe i zużycie tokenów

Włącz strumieniowanie, ustawiając stream: true w Twoim żądaniu. API zwraca zdarzenia wysyłane serwerowo (SSE). Każdy fragment zawiera częściowy tekst. Ostatni fragment zawiera statystyki użycia tokenów. Pozwala to na wyświetlanie tekstu użytkownikom w czasie rzeczywistym.

Liczby tokenów są kluczowe dla rozliczeń. Płacisz $0.15 za 1M tokenów wejściowych i $0.50 za 1M tokenów wyjściowych. Błędy są darmowe. Dane o użyciu w ostatnim kawałku pomagają dokładnie śledzić koszty. Możesz również ustawić max_tokens ograniczenie outputu. Jeśli nie zostanie ustawione, maksymalna wartość to 2,048 tokenów.

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 tryb JSON

Używaj wywoływania funkcji do wyników ustrukturyzowanych. Zdefiniuj narzędzia w ciele żądania. Model odpowie wywołaniami funkcji, gdy będzie to odpowiednie. Możesz również wymusić tryb JSON, ustawiając response_format do {"type": "json_object"}. Zapewnia to, że wyjście jest poprawnym JSON-em.

Parametry takie jak temperature i top_p kontrola losowości. Użyj stop sekwencje do zatrzymywania generowania. Możesz również ustawić presence_penalty i frequency_penalty zmniejszenia powtórzeń. Te narzędzia dają Ci drobnokontrolę nad zachowaniem modelu.

Parametry: Temperatura, Top-p, Sekwencje Stop

Dostosuj temperature do kreatywności. Wyższe wartości generują bardziej zróżnicowane wyniki. Ustaw top_p kontrolować próbkowanie jądra. Użyj stop sekwencji, aby zakończyć generowanie po określonych ciągach znaków. Parametry te pozwalają dostosować model do Twojego konkretnego przypadku użycia.

Możesz również ustawić seed do deterministycznych wyników. Jest to przydatne przy debugowaniu. Okno kontekstowe wynosi 100,000 tokenów dla promptu i uzupełnienia łącznie. Maksymalna ilość wyjścia to 16,000 tokenów na żądanie. Pozwala to na długie rozmowy bez utraty kontekstu.