LLM API 快速入门：OpenAI 兼容接口

认证和基础 URL

要开始使用 llm api 提供商 服务，你需要一个 API 密钥。在 获取 API 密钥 页面注册，只需电子邮件和密码即可。密钥会立即显示。试用额度无需电话号码或信用卡。请妥善保管密钥；你可以随时重新生成它，这将使之前的密钥失效。

配置客户端以指向我们的基础 URL。这确保所有请求都路由到我们的无审查模型。接口结构与标准的 OpenAI 聊天补全接口一致。

• 基础 URL：https://api.comparellmapi.com/v1
• 标头：Authorization: Bearer YOUR_API_KEY

此设置适用于任何 OpenAI 兼容的 SDK。你只需调整基础 URL 并注入密钥即可。

你的第一个请求

发送一个简单的文本补全请求以测试连接。这将确认你的 API 密钥有效且额度可用。使用模型 ID uncensored 访问原始模型。该接口接受包含消息的 JSON 正文的 POST 请求。

确保请求正文不超过 8 MB。如果超出此限制，服务器将拒绝请求。对于大多数基于文本的应用程序，单次对话或简短对话完全符合此限制。

Copycurl https://api.comparellmapi.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."}]
  }'

如果成功，你将收到包含生成文本的 JSON 响应。这确认了 LLM API 定价结构适用于你的使用情况。每个 token 都会计入你的预付额度。

Python SDK 集成

使用官方 OpenAI Python 库可实现最简单的集成。通过 pip 安装软件包，然后使用我们的基础 URL 配置客户端。这允许你使用熟悉的方法，如 chat.completions.create()。

将模型设置为 uncensored。以标准格式传递消息。SDK 会自动处理序列化和错误解析。

Copyfrom openai import OpenAI

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

这种方法非常适合后端服务或脚本。该库管理重试和基本的错误处理。记得检查响应内容以获取生成的文本。你还可以访问 token 使用数据以实现计费透明。

Node.js SDK 设置

对于 JavaScript 或 TypeScript 环境，OpenAI Node SDK 可以无缝工作。安装软件包并使用我们的基础 URL 初始化客户端。这保持了对标准 API 接口的兼容性。

定义你的系统消息和用户消息。模型 ID 仍为 uncensored。SDK 返回包含补全结果的 Promise。适当处理错误以管理 API 限制或额度不足。

Copyimport OpenAI from "openai";

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

此方法适用于 Web 服务器或 Node.js 应用程序。代码结构与 Python 示例一致，确保跨语言的一致性。你可以轻松将其集成到 Express 路由或无服务器函数中。

流式响应 (SSE)

对于实时应用程序，通过将 stream 参数设置为 true 来启用流式输出。服务器发送一系列服务器发送事件 (SSE)。每个事件包含响应的部分块。

这降低了用户的感知延迟。客户端接收生成的 token。这对于聊天界面或实时文本生成非常有用。

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)

解析 SSE 流以提取每个 token。累积文本以形成完整响应。ChatGPT API 费用和其他提供商在流式输出时通常收取类似费用，但我们的无审查模型提供原始输出，此模式不收取额外费用。监控流结束事件以完成响应。

限制、错误和上下文

了解操作限制以确保顺利集成。每个 API 密钥允许每分钟 300 个请求。如果超出此限制，你将收到 429 速率限制错误。等待后重试。

常见错误包括密钥无效的 401 错误和额度不足的 402 错误。确保你的预付余额充足。上下文窗口支持最多 100,000 个 token 的提示词加补全。仔细管理 token 使用以避免截断。

有关详细的 llm api 定价，请参阅定价页面。每个 token 根据输入和输出费率收费。无隐藏费用。这种透明度有助于你准确为应用程序预算。