五分鐘內第一個請求

身份驗證與基礎 URL

我們的 API 設計為現有 OpenAI 客戶端的即插即用替代品。你只需在設定中更改兩件事：base URL 和 API 金鑰。此服務的 base URL 為 https://api.uncensoredgpt.top/v1。你可以在儀表板透過 Google 或電子郵件註冊後立即產生 API 金鑰。無需提供手機號碼，且金鑰在建立時僅顯示一次。

請確保安全儲存您的金鑰。如果您遺失了它，您可以從儀表板產生一個新的金鑰，這將使先前的金鑰無效。這種簡單的設定允許您使用標準函式庫連接我們的無審查 ai api，無需自訂適配器。

聊天補全端點

核心功能透過標準 POST /v1/chat/completions 端點提供。此端點接受文字輸入並返回文字輸出，支援同步和非同步請求。您無需擔心模型路由或聚合；我們提供單一的高效能無審查大型語言模型，針對無限制內容進行調校。

發出請求時，您必須將模型 ID 指定為 uncensored。該模型是開放權重模型，託管在我們自己的伺服器上，與 GPT、Claude 或其他供應商模型不同。它設計用於在法律允許的成人用途下無內容拒絕地回答，非常適合 NSFW 或有爭議的主題。

要開始使用，您可以使用簡單的 cURL 命令測試端點。將 YOUR_API_KEY 替換為您的實際金鑰。

Copycurl https://api.uncensoredgpt.top/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Write a blunt product review of a cheap VPN."}]
  }'

串流回應 (SSE)

對於即時應用程式，API 支援 SSE。串流輸出可讓您在 token 產生時接收它們，為聊天介面提供更好的使用者體驗。當您在請求中設定 stream: true 時，API 會回傳區塊串流，而非單一完整回應。

每個區塊包含部分文字，最後一個區塊包含用於計費目的的 token 使用統計數據。此功能對於需要即時回饋的應用程式特別有用。您可以使用適當的 SDK 在您偏好的語言中處理串流。

以下是如何使用 cURL 啟動串流請求的範例：

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)

函式呼叫與工具

API 支援函式呼叫，允許你的應用程式與外部工具和服務互動。你可以在 tools 參數中定義函式列表，若適當，模型將回應函式呼叫。這對於需要執行特定動作的代理程式或應用程式很有用。

您可以使用 tool_choice 控制模型的行為，它可以設定為 auto、none 或特定的函式 ID。模型將在回應中返回函式名稱和參數，然後您可以在應用程式中執行它們。

以下是使用與 OpenAI 相容的 SDK 示範如何使用函式呼叫功能的 Python 範例：

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.uncensoredgpt.top/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)

JSON 模式設定

如果您需要結構化輸出，您可以透過將 response_format 參數設定為 {"type": "json_object"} 來啟用 JSON 模式。這指示模型生成符合有效 JSON 語法的輸出。這對於需要程式化解析回應的應用程式特別有用。

使用 JSON 模式時，模型將避免在 JSON 物件周圍添加 markdown 程式碼區塊或額外文字。這確保您的解析器可以直接消耗回應，無需額外的清理步驟。這是從 LLM 獲取結構化數據的可靠方法。

以下是顯示如何為 JSON 模式設定客戶端的 Node.js 範例：

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.uncensoredgpt.top/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);

參數：溫度與 Top P

你可以使用temperature和top_p等參數來控制模型的隨機性和創造力。temperature參數調整採樣溫度，較低的值使輸出更具決定性，較高的值則更具創造力。top_p參數控制核心採樣，限制模型僅考慮前p個 token 的機率總和。

其他支援的參數包括 stop 序列、用於可重複性的 seed，以及 presence_penalty 和 frequency_penalty 的懲罰。這些參數允許您微調模型的行為以適應您的特定用例。

了解這些參數對於優化生成文字的品質至關重要。嘗試不同的值以找到適合您應用程式的正確平衡。