五分钟发起首个请求

身份验证与基础 URL

我们的 API 旨在作为现有 OpenAI 客户端的即插即用替代品。你只需在配置中更改两项内容：基础 URL 和 API 密钥。此服务的基础 URL 为 https://api.uncensoredgpt.top/v1。你可以通过仪表板使用 Google 或电子邮件注册后立即生成 API 密钥。无需电话号码，密钥在创建时显示一次。

请确保妥善保管你的密钥。如果丢失，你可以从仪表板生成新密钥，这将使旧密钥失效。这种简单的设置允许你使用标准库连接我们的无审查 AI API，无需自定义适配器。

Chat Completions 接口

核心功能通过标准 POST /v1/chat/completions 接口提供服务。该接口接受文本输入并返回文本输出，支持同步和异步请求。你无需担心模型路由或聚合；我们提供单一的高性能无审查大语言模型，专为无限制内容调整。

发起请求时，你必须将模型 ID 指定为 uncensored。该模型为开放权重模型，托管在我们自己的服务器上，与 GPT、Claude 或其他厂商模型不同。它专为合法成人用途设计，可在无内容审查的情况下回答，非常适合 NSFW 或争议性话题。

要开始使用，你可以使用简单的 cURL 命令测试接口。将 YOUR_API_KEY 替换为你的实际密钥。

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."}]
  }'

流式响应 (SSE)

对于实时应用，API 支持服务器发送事件（SSE）。流式输出允许你接收生成的 token，为聊天界面提供更好的用户体验。当你在请求中设置 stream: true 时，API 将返回数据块流，而非单个完整响应。

每个数据块包含部分文本，最后一个数据块包含用于计费的 token 使用统计。此功能对于需要即时反馈的应用特别有用。你可以使用适当的 SDK 在你首选的语言中处理流。

以下是使用 cURL 发起流式请求的示例：

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)

函数调用与工具

API 支持函数调用，允许你的应用程序与外部工具和服务交互。你可以在 tools 参数中定义函数列表，如果合适，模型将返回函数调用。这对于构建需要执行特定操作的应用程序或智能体非常有用。

你可以使用 tool_choice 控制模型的行为，它可以设置为 auto、none 或特定的函数 ID。模型将在响应中返回函数名称和参数，然后你可以在应用中执行这些函数。

以下是使用 OpenAI 兼容 SDK 进行函数调用演示的 Python 示例：

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 模式配置

如果你需要结构化输出，可以通过将 response_format 参数设置为 {"type": "json_object"} 来启用 JSON 模式。这指示模型生成符合有效 JSON 语法的输出。这对于需要以编程方式解析响应的应用程序特别有用。

使用 JSON 模式时，模型将避免在 JSON 对象周围添加 markdown 代码块或额外文本。这确保您的解析器可以直接消费响应，而无需额外的清理步骤。这是从 LLM 获取结构化数据的可靠方法。

以下是显示如何为 JSON 模式配置客户端的 Node.js 示例：

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);

参数：Temperature 与 Top P

您可以使用 temperature 和 top_p 等参数控制模型响应的随机性和创造性。temperature 参数调整采样温度，较低的值使输出更具确定性，较高的值使其更具创造性。top_p 参数控制核采样，限制模型仅考虑前 p 概率质量的 token。

其他支持的参数包括 stop 序列、用于可重复性的 seed，以及 presence_penalty 和 frequency_penalty 的惩罚。这些参数允许您微调模型的行为以适应您的特定用例。

理解这些参数对于优化生成文本的质量至关重要。尝试不同的值，为你的应用找到合适的平衡点。