Início rápido: Integração da API sem censura

Configuração da URL Base e Autenticação

Come apontando seu cliente para nossa URL base e usando um token Bearer. O endpoint é https://api.howmuchisdeepseekapi.com/v1. Você recupera sua chave clicando em 'Obter chave de API' na página de cadastro, onde você pode fazer login com Google ou usar um e-mail e senha. Nenhum número de telefone é necessário, e a chave aparece imediatamente. Você precisa apenas de uma chave ativa por conta; gerar uma nova substitui a anterior.

A autenticação é padrão. Passe a chave no Authorization cabeçalho. Esta configuração funciona com os clientes oficiais Python ou JS do OpenAI. Basta configurar a URL base e a chave de API no objeto do seu cliente. Isso garante que seu código existente funcione sem grandes refatorações.

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)

Envie seus prompts para o endpoint de conclusões de chat. É aqui que o texto de entrada se torna saída de texto. O ID do modelo que você deve usar é uncensored. É um modelo de pesos abertos ajustado para responder sem recusas para uso adulto legal. Não é GPT, Claude ou DeepSeek. Envie suas mensagens como uma matriz de objetos de papel e conteúdo.

A API espera estruturas JSON padrão. Você pode incluir funções system, user e assistant. A resposta conterá a resposta do modelo. Erros como créditos insuficientes retornam o status 402. Chaves inválidas retornam 401. Esses códigos padrão ajudam você a lidar com falhas de forma elegante na lógica do seu aplicativo.

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 Listagem de Modelos (/v1/models)

Consulte o endpoint de modelos para verificar a conectividade. Envie uma solicitação GET para /v1/models. A resposta lista os modelos disponíveis. Você verá o uncensored ID do modelo listado aqui. Isso confirma que sua autenticação está funcionando corretamente.

Este endpoint é útil para depuração. Se você receber um erro 404 ou 500, sua URL base pode estar incorreta. Use esta chamada para garantir que seu cliente possa alcançar nossos servidores antes de enviar cargas pesadas. Ele retorna um objeto de lista simples contendo os detalhes do 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);

Respostas em Streaming e Uso de Tokens

Ative o streaming definindo stream: true na sua solicitação. A API retorna Server-Sent Events (SSE). Cada fragmento contém texto parcial. O último fragmento inclui as estatísticas de uso de tokens. Isso permite que você exiba texto para os usuários em tempo real.

As contagens de tokens são cruciais para a faturação. Você paga $0.15 por 1M de tokens de entrada e $0.50 por 1M de tokens de saída. Erros são gratuitos. Os dados de uso no último chunk ajudam você a rastrear os custos com precisão. Você também pode definir max_tokens limitar a saída. Se não definido, o máximo é 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)

Chamada de Função e Modo JSON

Use chamadas de função para saídas estruturadas. Defina ferramentas no corpo da sua solicitação. O modelo responderá com chamadas de função quando apropriado. Você também pode impor o modo JSON definindo response_format para {"type": "json_object"}. Isso garante que a saída seja JSON válido.

Parâmetros como temperature e top_p controle a aleatoriedade. Use stop sequências para interromper a geração. Você também pode definir presence_penalty e frequency_penalty para reduzir a repetição. Essas ferramentas dão a você controle fino sobre o comportamento do modelo.

Parâmetros: Temperatura, Top-p e Sequências de Parada

Ajustar temperature para criatividade. Valores mais altos produzem saídas mais diversas. Defina top_p para controlar a amostragem de núcleo. Use stop sequências para encerrar a geração em strings específicas. Esses parâmetros ajudam a ajustar o modelo para o seu caso de uso específico.

Você também pode definir um seed para saídas determinísticas. Isso é útil para depuração. A janela de contexto é de 100.000 tokens para prompt e conclusão combinados. A saída máxima é de 16.000 tokens por solicitação. Isso permite conversas longas sem perder o contexto.