快速上手：整合 LLM API 路由器

設定：基礎 URL 和 API 金鑰

將您的客戶端設定為使用官方基礎 URL 和您的唯一金鑰。將您的 OpenAI 相容 SDK 指向 HTTPS://api.llmapirouter.com/v1，並從您的儀表板獲取金鑰。這項單一變更會將所有請求導向我們的 uncensored 模型，而無需修改應用程式邏輯。

基本文本完成

發送標準聊天完成請求以生成文本回應。端點接受訊息列表並以 JSON 格式返回模型的輸出。

使用此結構開始您的第一次生成：

Copycurl https://api.llmapirouter.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "list all npm packages"}]
  }'

串流回應 (SSE)

透過將 stream 參數設為 true 來啟用串流。這會回傳伺服器發送事件，讓您可以隨著生成顯示 token，而不必等待完整回應。

在您的 SDK 客戶端中實作 stream 標誌：

Copyfrom openai import OpenAI

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

函式呼叫（工具）

在請求中定義工具以允許模型呼叫外部函式。傳遞工具定義列表並指定 tool_choice 以控制模型何時使用它們。

使用 Node SDK 配置工具：

Copyimport OpenAI from "openai";

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

JSON 模式回應格式

強制模型輸出有效的 JSON，方法是將 response_format 設定為 {type: "json_object"}。這可確保結構化資料輸出，便於您的應用程式進行可靠解析。

在您的串流用戶端中啟用 JSON 模式：

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)

速率限制與限制條件

每個 API 金鑰支援每分鐘 300 次請求及 8 個並行請求。請求主體必須低於 8 MB，且您可以指定最多 100,000 個 token 用於提示與補全的合計。錯誤會返回標準 HTTP 代碼：401 表示金鑰無效，402 表示信用額度耗盡，429 表示超出速率限制。