مستندات API LLM بدون سانسور Dolphin

احراز هویت و URL پایه

کلید API شما هر درخواستی را به زیرساخت میزبانی شده ما احراز هویت می‌کند. این کلید را در صفحه Get API key پس از ورود با گوگل یا رمز عبور ایمیل پیدا می‌کنید. این رشته را مخزن نگه دارید زیرا دسترسی کامل به اعتبارات پیش‌پرداخت شما را فراهم می‌کند.

مشتری SDK یا HTTP خود را به URL پایه ما پیکربندی کنید. شما نقطه پایانی پیش‌فرض OpenAI را با این آدرس جایگزین می‌کنید تا مطمئن شوید تماس‌های شما به مدل بدون سانسور ما هدایت می‌شوند.

https://api.dolphinuncensoredllm.com/v1

اندپوینت chat.completions

پرامپت خود را به نقطه پایانی تکمیل چت ارسال کنید تا خروجی متنی دریافت کنید. این نقطه پایانی استاندارد دستورالعمل‌های سیستم و پیام‌های کاربر شما را می‌پذیرد. باید شناسه مدل را در هر درخواست به عنوان uncensored مشخص کنید.

در اینجا یک درخواست پایه با استفاده از دستور curl آورده شده است:

curl -X POST https://api.dolphinuncensoredllm.com/v1/chat/completions \ -H "Authorization: Bearer YOUR_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "uncensored", "messages": [{"role": "user", "content": "Tell me a dark story."}], "max_tokens": 500 }'

یکپارچه‌سازی SDK Python

از کتابخانه رسمی پایتون OpenAI برای ارتباط با API ما استفاده کنید. کلاینت را با آدرس پایه و کلید API خود راه‌اندازی کنید. این کار به شما اجازه می‌دهد از روش‌های آشنا مانند chat.completions.create استفاده کنید.

کد زیر یک درخواست ساده تولید متن را نشان می‌دهد:

import openai client = openai.OpenAI( base_url="https://api.dolphinuncensoredllm.com/v1", api_key="YOUR_API_KEY" ) response = client.chat.completions.create( model="uncensored", messages=[{"role": "user", "content": "Explain quantum computing."}], max_tokens=1024 )

راه‌اندازی کلاینت Node.js

پکیج npm OpenAI را نصب کنید و آن را طوری پیکربندی کنید که از URL پایه ما استفاده کند. این تضمین می‌کند که برنامه Node.js شما درخواست‌ها را به مدل uncensored صحیح ارسال می‌کند.

کلاینت را با اعتبارنامه‌های خود مقداردهی اولیه کنید و یک پیام ارسال کنید:

import OpenAI from 'openai'; const client = new OpenAI({ baseURL: 'https://api.dolphinuncensoredllm.com/v1', apiKey: 'YOUR_API_KEY' }); const response = await client.chat.completions.create({ model: 'uncensored', messages: [{ role: 'user', content: 'Write code for a scraper.' }] });

پاسخ‌های استریم و تعداد توکن‌ها

با تنظیم پارامتر stream روی true، قابلیت جریان‌یابی را فعال کنید. این کار توکن‌ها را به صورت تدریجی برمی‌گرداند و تأخیر ادراک‌شده را برای خروجی‌های طولانی بهبود می‌بخشد. آخرین قطعه در جریان، آمار کامل مصرف توکن را شامل می‌شود.

این رویکرد برای رابط‌های کاربری بلادرنگ ایده‌آل است:

const stream = await client.chat.completions.create({ model: 'uncensored', messages: [{ role: 'user', content: 'Write a long poem.' }], stream: true }); for await (const chunk of stream) { process.stdout.write(chunk.choices[0]?.delta?.content || ''); }

کدهای خطا و محدودیت نرخ

وقتی چیزی اشتباه پیش برود، با کدهای وضعیت HTTP خاصی مواجه می‌شوید. خطای 401 یعنی کلید API شما نامعتبر یا ناموجود است. خطای 402 نشان می‌دهد که موجودی اعتبار پیش‌پرداخت شما برای درخواست کافی نیست.

حد نرخ‌ها از زیرساخت محافظت می‌کند. شما مجاز به ارسال ۳۰۰ درخواست در دقیقه به ازای هر کلید هستید. اگر از این حد تجاوز کنید، خطای 429 Too Many Requests دریافت می‌کنید. همچنین می‌توانید ۸ درخواست را به صورت همزمان ارسال کنید. پنجره متن شما ۱۰۰,۰۰۰ توکن است که مجموعاً برای متن ورودی و خروجی در نظر گرفته می‌شود.

cURL

Copycurl https://api.dolphinuncensoredllm.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Summit the meeting notes to bullet points"}]
  }'

پایتون

Copyfrom openai import OpenAI

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

Node.js

Copyimport OpenAI from "openai";

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

جریان‌سازی

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)