Schnellstart für OpenRouter-Nutzer

Installation & Einrichtung

Unsere API ist vollständig mit Standard-OpenAI-SDKs kompatibel. Um von OpenRouter zu wechseln, musst du nur zwei Konfigurationswerte anpassen: die base_url und den api_key. Richte deinen Client auf https://api.openrouterapi.cc/v1 und verwende den Schlüssel, den du in unserem Dashboard generiert hast. Es werden keine benutzerdefinierten Header oder komplexe Routing-Logik benötigt. Die Modell-ID, die du anfordern möchtest, ist uncensored.

Stelle sicher, dass deine SDK-Version den Parameter base_url unterstützt. Wenn du einen reinen HTTP-Client verwendest, aktualisiere einfach die Ziel-URL. Diese Einrichtung stellt sicher, dass dein bestehender Client-Code ohne Änderungen funktioniert, solange du nur Text-Vervollständigungsanfragen sendest.

Authentifizierung

Die Authentifizierung erfolgt über den Standard-Authorization-Header. Übergebe deinen API-Schlüssel als Bearer-Token. Wenn der Schlüssel ungültig oder abgelaufen ist, gibt die API einen 401-Fehler zurück. Im Gegensatz zu einigen Anbietern berechnen wir keine Kosten für fehlgeschlagene Anfragen; Fehler und Ablehnungen sind kostenlos, sodass du die Authentifizierung testen kannst, ohne Guthaben zu verbrauchen.

Jedes Konto unterstützt jeweils nur einen aktiven Schlüssel. Das Generieren eines neuen Schlüssels macht den vorherigen sofort ungültig. Bewahre deinen Schlüssel sicher auf und rotiere ihn, wenn du einen Verlust vermutest. Der Schlüssel wird sofort nach der Anmeldung angezeigt, also kopiere ihn, bevor du die Seite verlässt.

Einfache Chat-Vervollständigung

Die Kernfunktionalität ist der POST /v1/chat/completions-Endpunkt. Sende deinen Prompt als Liste von Nachrichten und erhalte eine Textantwort. Das Modell ist darauf abgestimmt, ohne Inhaltsablehnungen zu antworten, was es für die legale Nutzung durch Erwachsene, kreative, kontroverse oder sicherheitsrelevante Themen geeignet macht.

Lege das Feld model auf uncensored fest. Du kannst das Verhalten mit Parametern wie temperature, top_p und stop steuern. Die API unterstützt den JSON-Modus über response_format und Function Calling über tools. Alle Anfragen werden asynchron verarbeitet, und du erhältst die vollständige Vervollständigung, sobald das Modell fertig ist.

Streaming-Antworten

Aktiviere das Streaming, indem du stream: true in deiner Anfrage festlegst. Die API gibt Server-Sent Events (SSE) mit Teilantworten zurück. Du erhältst Textabschnitte, sobald sie generiert werden, was eine Echtzeitanzeige in deiner Anwendung ermöglicht.

Informationen zur Token-Nutzung werden im letzten Chunk des Streams bereitgestellt. Dies ermöglicht dir, die Kosten genau zu verfolgen, ohne jeden einzelnen Token analysieren zu müssen. Streaming ist ideal für Chat-Schnittstellen, bei denen Latenz eine Rolle spielt. Stelle sicher, dass dein Client SSE korrekt verarbeitet und die Verbindung schließt, wenn der Stream endet.

Function Calling

Die API unterstützt Function Calling über den Parameter tools. Definiere deine Funktionen im tools-Array und setze tool_choice auf auto oder einen bestimmten Funktionsnamen. Das Modell gibt strukturierte JSON-Argumente zurück, wenn eine Funktion ausgelöst wird.

Diese Funktion ist nützlich für die Integration der LLM mit externen APIs oder Datenbanken. Stelle sicher, dass deine Funktionsdefinitionen genau sind, da das Modell auf ihnen basiert, um gültige Argumente zu generieren. Die API führt die Funktionen nicht aus; du musst die Ausführungslogik in deinem Anwendungscode verarbeiten.

JSON-Modus

Zwingt das Modell für strukturierte Ausgaben, response_format: {"type": "json_object"} zu verwenden. Dies zwingt das Modell, gültiges JSON zurückzugeben, was für das Parsen von Daten in nachgelagerten Anwendungen unerlässlich ist. Der JSON-Modus ist bei einfachen Datenextraktionsaufgaben oft zuverlässiger als Function Calling.

Stelle sicher, dass deine Prompts das Modell klar anweisen, JSON zurückzugeben. Ungültige JSON-Antworten können auftreten, wenn der Prompt mehrdeutig ist. Der JSON-Modus wird sowohl im Standard- als auch im Streaming-Modus unterstützt. Verwende ihn, wenn du vorhersagbare, maschinenlesbare Ausgaben benötigst.

Grenzwerte, Fehler und Kontext

Das Kontextfenster umfasst 100.000 Token für Prompt und Vervollständigung zusammen. Die maximale Ausgabe beträgt 32.000 Token pro Anfrage (2.048, wenn max_tokens nicht festgelegt ist). Die Ratenlimits betragen 300 Anfragen pro Minute und 8 parallele Anfragen pro Schlüssel. Anforderungstexte sind auf 8 MB begrenzt.

Fehler geben Standard-HTTP-Codes zurück: 401 für ungültige Schlüssel, 402 für unzureichendes Guthaben und 429 für Ratenlimits. Das Guthaben ist Prepaid, daher bedeutet ein 402-Fehler, dass du dein Guthaben aufladen musst. Fehler und Inhaltsablehnungen sind kostenlos, sodass du ohne Kosten erneut versuchen kannst. Die harte Inhaltsbeschränkung blockiert sexuelle Inhalte, die Minderjährige betreffen.

cURL

Copycurl https://api.openrouterapi.cc/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."}]
  }'

Python

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.openrouterapi.cc/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.openrouterapi.cc/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);

Streaming

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)