快速入门：无审查 API 集成

基础 URL 和认证设置

首先将客户端指向我们的基础 URL，并使用 Bearer 令牌。端点位于 https://api.howmuchisdeepseekapi.com/v1. 您可以通过点击注册页面上的“获取 API 密钥”来检索您的密钥，您可以在那里使用 Google 登录或使用电子邮件和密码登录。不需要电话号码，密钥会立即出现。每个账户只需要一个活跃密钥；生成新密钥将替换旧密钥。

认证是标准的。将密钥传递到 Authorization 头部。此设置兼容官方 OpenAI Python 或 JS 客户端。您只需在客户端对象中配置基础 URL 和 API 密钥。这确保您的现有代码无需大规模重构即可运行。

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"}]
  }'

聊天完成端点 (/v1/chat/completions)

向聊天补全端点发送提示。这是文本输入变为文本输出的地方。您必须使用的模型 ID 是 uncensored. 它是一个开放权重模型，专为不进行内容审查而提供答案，适用于合法的成人用途。它不是 GPT、Claude 或 DeepSeek。将您的消息作为角色和内容对象的数组发送。

API 期望标准的 JSON 结构。您可以包括 system、user 和 assistant 角色。响应将包含模型的回复。缺少余额等错误返回 402 状态。无效密钥返回 401。这些标准代码有助于您在应用程序逻辑中优雅地处理故障。

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)

模型列表端点 (/v1/models)

查询模型端点以验证连接。发送 GET 请求至 /v1/models. 响应列出可用模型。您将看到 uncensored 此处列出的模型 ID。这将确认您的身份验证正常工作。

该端点可用于调试。如果您收到 404 或 500 错误，可能是基础 URL 错误。使用此调用确保客户端能够到达我们的服务器，然后再发送大量负载。它返回一个包含模型详情的简单列表对象。

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);

流式响应与 Token 用量

通过将 stream: true 在您的请求中。API 返回服务器发送事件（SSE）。每个块包含部分文本。最后一个块包含令牌使用统计信息。这使您可以实时向用户显示文本。

Token 计数对于计费至关重要。您每 1M 输入 Token 支付 $0.15，每 1M 输出 Token 支付 $0.50。错误免费。最后一个块中的使用数据可帮助您准确跟踪成本。您还可以设置 max_tokens 限制输出。如果未设置，最大值为 2,048 个令牌。

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)

函数调用与 JSON 模式

使用函数调用进行结构化输出。在请求正文中定义工具。在适当时，模型将响应函数调用。你还可以通过设置 response_format 到 {"type": "json_object"}. 这确保输出是有效的 JSON。

诸如 temperature 和 top_p 控制随机性。使用 stop 序列以终止生成。您还可以设置 presence_penalty 和 frequency_penalty 减少重复。这些工具让你对模型行为进行细粒度控制。

参数：温度、Top-p 和停止序列

调整 temperature 用于创造力。较高的值会产生更多样化的输出。设置 top_p 控制核采样。使用 stop 序列以在特定字符串处终止生成。这些参数可帮助您针对特定用例调整模型。

您还可以设置一个 seed 用于确定性输出。这有助于调试。提示和补全的上下文窗口总计为 100,000 个 token。每次请求的最大输出为 16,000 个 token。这允许在不丢失上下文的情况下进行长对话。