為何選擇無審查 API
標準 LLM 通常會套用內容過濾器，拒絕合法的成人主題、具爭議性的政治觀點或特定的安全研究情境。無限制的 API移除了這些任意限制，讓模型僅根據提示詞的上下文與品質來生成回應。對於創意寫作、成人娛樂平台或無偏見的數據分析等應用而言，這至關重要，因為語氣調整過濾器可能會扭曲結果。
與經過多個供應商路由的通用代理不同，我們的服務在專屬 GPU 伺服器上運行單一開放權重模型。這確保了一致的效能，並防止路由層套用自身審核邏輯時產生的「過濾器漂移」。該模型經過特別調校，可無內容拒絕地回答問題，使其成為 NSFW 或邊緣內容生成的穩定基礎。
然而，「無審查」並不意味著「無限制」。我們維持一項始終適用的硬性內容限制：涉及未成年人的性內容。包含此特定類別的請求將一律被封鎖，無論提示詞的細微差別為何。對於所有其他合法的成人、虛構或爭議性主題，API 會提供原始、無過濾的文字輸出。
了解 Token 限制與上下文
上下文視窗大小是 LLM 整合的主要限制。我們的 API 提供 100,000-token 的上下文視窗，涵蓋提示詞（輸入）與補全（輸出）。這遠大於許多舊版模型中常見的 4k 或 8k 限制，允許深度文件分析、長篇故事生成或維持廣泛的對話歷史。
設計應用程式時，你必須將系統提示詞、使用者歷史記錄和生成回應的 token 計數納入考量。如果你的累計輸入超過可用空間，API 會根據你的客戶端實作方式，截斷較舊的訊息或拒絕請求。請隨時監控 token 用量，以最佳化成本與效能。
- 輸入 Tokens： 從您的系統提示詞、使用者訊息和工具定義計算。
- 輸出 Tokens： 從模型產生的回應計算。
- 總成本： 計算方式為 (輸入 Tokens / 1,000,000) * $0.25 + (輸出 Tokens / 1,000,000) * $1.00。
這種透明度確保你清楚知道所付費用，「推理」或「高品質」層級沒有隱藏費用。
配置 API 客戶端
整合非常簡單，因為該 API 完全與 OpenAI 相容。你可以使用 Python、Node.js 或任何其他支援 OpenAI 協議的語言的官方 OpenAI SDK。Base URL 為 https://api.unrestrictedaiapi.com/v1，你只需更改 Base URL 並在標準 Authorization 標頭中提供 API 金鑰。
模型識別碼為 uncensored。您無需選擇特定版本或變體；API 提供單一且一致的模型，針對無審查輸出進行微調。這消除了模型路由的複雜性，並確保呼叫行為的可預測性。
以下是你在 Python 中配置客戶端的方式：
from openai import OpenAI
client = OpenAI(base_url="https://api.unrestrictedaiapi.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)金鑰管理很簡單：一個帳戶等於一個 API 金鑰。你可以隨時從儀表板重新生成金鑰，這會立即使舊金鑰失效。這提供了強大的安全性，對於大多數用例而言，無需複雜的權限範圍或基於角色的存取控制 (RBAC)。
處理串流回應
對於聊天介面或即時應用程式，串流回應可降低感知延遲。該 API 支援伺服器發送事件 (SSE) 進行串流。你無需等待整個回應生成完畢，而是會收到隨產生而來的文字區塊。這允許你的 UI 逐步顯示文字，顯著改善使用者體驗。
要啟用串流輸出，請在請求主體中將 stream 參數設為 true。API 將傳回一系列 JSON 物件，每個物件包含回應的部分增量。您的客戶端程式碼應累積這些增量以重建完整訊息。
串流輸出對於長篇內容生成特別有用，其中 100k 上下文可能會產生長回應。它也允許使用者在輸出偏離其意圖時提前停止生成，節省時間與 API 額度。請注意，只有在串流完成或中斷後，Token 計數才會最終確定。
實作工具呼叫
工具呼叫（函式呼叫）允許 LLM 與外部系統互動。你定義可用函式的架構，模型可以返回一個 JSON 物件，要求呼叫特定函式並帶入參數。這對於構建可以執行動作、獲取數據或執行程式碼的代理至關重要。
該 API 支援標準 OpenAI 風格的工具定義。你在 tools 陣列中提供函式架構，模型將以 tool_calls 欄位回應，而非直接的文字訊息。你的應用程式執行該函式，然後在後續訊息中將結果發送回模型。
工具定義結構範例：
type: 'function'function.name：函式的名稱function.description：函式功能的描述function.parameters: 定義必要參數的 JSON 架構
此功能與無審查模型無縫整合，允許其在成人或具爭議的情境中呼叫工具，且不過濾工具引數本身。
管理 API 金鑰與安全性
安全性始於你的 API 金鑰。由於每個帳戶只有一個金鑰，你應將其視為機密憑證。不要將其暴露在客戶端程式碼或公開儲存庫中。如果你懷疑有洩漏，請定期重新生成金鑰；舊金鑰會立即失效。
速率限制設為每支金鑰每分鐘 300 次請求。這足以滿足大多數應用，但在高吞吐量情境下可能需要分批處理。如果你超過限制，API 會回傳 429 錯誤。請在客戶端實作指數退避機制，以優雅地處理這些錯誤。
請求主體大小限制為 8 MB。這對於大多數基於文字的互動（包括大型文件或廣泛的對話歷史）已足夠。若接近此限制，請確保你的客戶端壓縮或分頁請求以避免錯誤。
隱私很簡單：提示詞不會用於訓練。您的資料屬於您，帳戶只需電子郵件和密碼。試用層級不需要手機號碼或信用卡。
針對 NSFW 內容進行最佳化
雖然模型為無審查狀態，但最佳結果通常取決於提示詞工程。由於模型不會拒絕成人主題，你可以直接表達。然而，提供清晰的上下文有助於模型在長對話中保持一致性。
對於 NSFW 內容生成，避免使用不必要的安全指示過度限制模型。讓模型的內在調校來處理拒絕邏輯。你也可以使用系統提示詞來設定語氣、風格或內容邊界，而不觸發人工過濾器。
常見用途包括：
- 色情小說： 產生詳細的描述性敘事，無語氣調整過濾器。
- 成人聊天機器人： 提供具有回應性的無審查陪伴。
- 內容審核測試： 測試其他系統如何處理成人內容。
請記住硬性限制：涉及未成年人的性內容一律會被封鎖。如果你正在處理大量數據集，請確保你的輸入數據和提示詞不會意外觸發此封鎖。
常見的整合錯誤
開發人員在從標準 LLM 切換到無審查 API 時，經常會犯錯。以下是常見的陷阱：
- 假設模型路由： 此 API 提供單一模型。不要期望在 'uncensored'、'turbo' 或 'pro' 變體之間切換。模型是固定的。
- 忽略 Token 計數： 擁有 100k 上下文視窗，很容易超過限制。請務必在日誌中追蹤 Token 使用情況。
- 未正確處理串流輸出： 如果您啟用串流輸出，請確保您的客戶端正確處理部分 JSON 物件。某些解析器無法處理不完整的區塊。
- 過度設計安全性： 你不需要複雜的 RBAC。對於大多數用途而言，每個帳戶一個金鑰就足夠了。如有需要可重新產生金鑰。
另一個錯誤是期望能生成影像或音訊。此 API 僅限文字。如果你需要多模態功能，必須整合獨立服務。
最後，不要假設「無審查」等於「無限制」。速率限制和請求大小限制仍然適用。請規劃你的架構以遵守這些約束，以避免服務中斷。
結論
無限制的 API為需要無審查 LLM 輸出的應用提供了強大且可靠的基礎。我們透過在專屬 GPU 伺服器上運行專屬開放權重模型，確保一致的效能、透明的定價以及無隱藏過濾器。100k 上下文視窗與與 OpenAI 相容的介面讓整合變得輕鬆，而隨用隨付模式則讓成本保持可預測。
無論你正在開發 NSFW 聊天機器人、創意寫作工具還是研究助理，此 API 都能提供你所需的原始、無過濾的回應。立即註冊以獲取 API 金鑰，並開始自由探索任何主題的開發工作。
