如何在應用程式中整合無審查 AI

什麼是無審查 AI？

無審查 AI 指的是經過調整或設定為不會基於僵化的企業政策拒絕成人內容、爭議或利基主題的大型語言模型 (LLM)。與標準商業模型不同，後者在偵測到特定模式時可能會返回 400 錯誤或通用文字，無審查模型會精確返回你所要求的內容，只要它是合法的。

此功能對於創意、研究應用或模型言論自由優先的環境至關重要。這並不意味著模型「愚蠢」或缺乏智慧；它只是移除了有時會阻擋有效回應的表面審查層。對開發者而言，這簡化了錯誤處理邏輯，因為你不需要預測哪些內容會被外部過濾器拒絕。

• 可預測性： 你獲得完整的文字，沒有任意中斷。
• 控制權： 由你決定顯示哪些內容，而非 API。
• 效率： 因錯誤審查而導致的 API 呼叫失敗較少。

SDK 初始設定

要整合我們的無審查 AI，我們將使用 OpenAI 標準 SDK，因為我們的端點 100% 相容於其協議。這讓你可以使用你已熟悉的函式庫，例如 Python 中的 openai 或 Node.js 中的 openai。你只需調整基礎 URL 並提供 API 金鑰即可。

此方法的好處在於可移植性。如果未來你決定更換也提供相容端點的供應商，程式碼的變更將微乎其微。以下是使用 Python 將客戶端指向我們服務的設定方式：

Copiarfrom openai import OpenAI

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

請記住，相容性意味著我們使用相同的請求和回應 JSON 格式，這使得從其他平台遷移或使用標準模擬進行單元測試變得更容易。

API 金鑰身份驗證

我們 API 的安全性透過每個帳戶唯一的 API 金鑰來管理。此金鑰在註冊後立即產生，且僅顯示一次。重要的是要理解，預設情況下沒有多個金鑰；你的帳戶有一個主要識別碼用於你的請求。

如果你需要撤銷存取權或為安全起見產生新的 token，你可以在帳戶設定中重新產生金鑰。請注意，這會立即使舊金鑰失效。這不是增加速率限制的方法，而是為了只保留一個活動控制點的安全措施。將金鑰保存在環境變數中，如果你的應用程式是公開的，切勿在客戶端程式碼中暴露它。

• 產生： 註冊時顯示。
• 重新產生： 使舊金鑰失效。
• 使用： 在標頭 Authorization: Bearer YOUR_KEY 中發送。

發送第一個請求

基本操作是向 /v1/chat/completions 發送 POST 請求。你必須將模型指定為 uncensored，如有必要請定義系統提示詞以建立語氣，並提供對話歷史或用戶的簡單查詢。模型將處理輸入並以 JSON 格式返回完整回應。

這是驗證整合是否正常運作的最簡單流程。確保你的應用程式正確處理模型回應，其中包含生成的內容和使用元數據，例如消耗的 token 數量。

Copiarcurl https://api.llmsincensura.com/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."}]
  }'

此請求是任何聊天、內容生成或文字分析應用的基礎。如果模型正確回應，則你的網路和身份驗證設定正確。

處理串流輸出

對於聊天機器人等互動式應用程式，使用串流輸出至關重要。這允許 token 在生成時立即發送給客戶端，改善延遲感知。我們的 API 支援 Server-Sent Events (SSE) 以實現此目的。

在 SDK 中啟用串流輸出後，你將收到多個部分事件。你必須將這些片段連接起來以構建完整回應。當模型生成長文本時，這特別有用，因為用戶幾乎可以立即開始看到文字。

Copiarstream = 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)

串流輸出消耗的 token 數量與非串流請求相同；它只改變數據的傳輸方式。這是任何依賴 AI 的現代使用者介面的推薦做法。

管理 100k 上下文

LLM 開發中最大的挑戰之一是上下文限制。我們的 API 提供 100,000 token 的上下文視窗。這足以在一次請求中載入長文件、漫長的對話歷史或大型知識庫。

為了有效利用這一點，你必須在應用程式中管理滑動視窗。隨著對話增長，你可以從發送給模型的歷史記錄中刪除較舊的訊息，以保持在限制範圍內。上下文包括輸入 token (提示詞) 和輸出 token (補全)。

• 容量：總計 100k token。
• 策略：為訊息實作環形緩衝區。
• 成本：token 按使用量計費，因此請優化不必要的上下文發送。

工具呼叫使用

函式呼叫（tool calling）讓模型能與你的外部程式碼互動。你可以將函式定義為 get_weather 或 search_database，模型會回傳結構化引數來呼叫它們。這對於需要即時資料或特定動作的應用程式至關重要。

我們的無審查 AI 支援與 OpenAI 標準相同的 tool calling。你在 tools 參數中定義工具，模型會回傳呼叫 ID。你的程式碼執行該函式，然後將結果回傳給模型，讓模型根據該資料生成最終回應。

Copiarimport OpenAI from "openai";

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

此方法將被動語言模型轉化為主動代理，使其能在你的應用程式中執行複雜任務。

限制與配額

為確保服務穩定性，我們的 API 設有速率和大小限制。每個 API 金鑰限制為每分鐘 300 次請求。這足以滿足大多數中等使用量的應用程式，但若你的應用程式有流量尖峰，你應考慮在客戶端實作請求佇列。

此外，請求主體不得超過 8 MB。這限制了你在單一請求中可發送的純文字或 JSON 檔案的大小。若你需要發送更多資料，請考慮將其分割為多個請求，或在發送前進行摘要。

資源	限制
速率	300 req/min
請求大小	8 MB
模型	無審查

計費與儲值

計費模式為隨用隨付，無強制月度訂閱。按百萬 token 計費。輸入 token 的成本為每 1M token $0.25，輸出 token 為每 1M token $1.00。此結構透明且可預測。

你可以使用加密貨幣（USDT 或 USDC）以最低 $10 的金額為帳戶儲值。若儲值金額較高，你將獲得贈額：儲值 $50 或以上獲得額外 5%，儲值 $100 或以上獲得額外 10%。預付額度永不過期，因此你可隨時使用，無時間壓力。

• 輸入價格： $0.25 / 1M token。
• 輸出價格： $1.00 / 1M token。
• 獎金： $50 以上 +5%，$100 以上 +10%。