ES ▾
URL base https://api.uncensoredaiapis.com/v1Modelo uncensored
Obtener clave de API
Uncensored AIGuía de migración

Migra de OpenAI o OpenRouter a una API de IA sin censura

Inicia una migración cambiando la URL base, la clave de API y el ID del modelo en un cliente de prueba pequeño. Ejecuta un conjunto guardado de tus propias preguntas antes de cambiar el tráfico de producción: un formato de solicitud compatible no implica respuestas idénticas. Esta guía cubre la configuración, el streaming, las llamadas a herramientas y las comprobaciones que debes repetir en LangChain o LlamaIndex.

Migra de OpenAI o OpenRouter a una API de IA sin censura

Actualizado

Puntos clave

  • Cambia solo tres valores: URL base https://api.uncensoredaiapis.com/v1, tu nueva clave y modelo "uncensored".
  • Los completados de chat, el streaming y las llamadas a funciones funcionan en formato OpenAI; las incrustaciones, imágenes, audio y ajuste fino no existen.
  • Coloca la URL base, la clave y el modelo en variables de entorno para que los backends antiguos y nuevos se ejecuten lado a lado y la reversión sea un cambio de archivo.
  • Establece max_tokens explícitamente y planifica la ventana de contexto de 100.000 tokens antes de hacer el cambio.

Qué cambia al hacer un cambio

Si tu aplicación ya se comunica con la API de completaciones de chat de OpenAI o OpenRouter, pasar a esta API de IA sin censura es un cambio de configuración, no una reescritura. Cambian tres valores y todo lo demás en tu código de solicitud permanece igual: la URL base, la clave de API y el nombre del modelo.

AjusteAntesDespués
URL baseLa URL de OpenAI o OpenRouterhttps://api.uncensoredaiapis.com/v1
AutenticaciónClave de tu servicio actualClave de tu cuenta aquí, enviada como Authorization: Bearer <key>
ModeloUn ID de modelo como un nombre de modelo GPT o enrutadouncensored
Endpoint/chat/completionsIgual: POST /v1/chat/completions

Hay exactamente un modelo, así que no hay catálogo de modelos para elegir. GET /v1/models existe y lo lista, lo que mantiene funcionando los helpers de SDK y las comprobaciones de salud que lo llaman. Los mensajes, streaming y llamadas a funciones usan los mismos formatos de OpenAI que ya envías. Esta página es una guía práctica; si quieres la comparación de costos, latencia y privacidad con OpenRouter, lee el artículo Modelos uncensored de OpenRouter en su lugar.

Aquí tienes la diferencia mínima en Python. Nada más en la llamada cambia.

import os
from openai import OpenAI

# before
# client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])
# model = "gpt-4o"

# after
client = OpenAI(
    base_url="https://api.uncensoredaiapis.com/v1",
    api_key=os.environ["API_KEY"],
)
model = "uncensored"

resp = client.chat.completions.create(
    model=model,
    messages=[{"role": "user", "content": "Say hello in five words."}],
    max_tokens=50,
)
print(resp.choices[0].message.content)

Para usuarios de OpenRouter, aplica lo mismo: reemplaza la URL base y la clave de OpenRouter, y elimina cualquier extra específico de enrutamiento que hayas pasado en headers o en el cuerpo de la solicitud (consulta la tabla de compatibilidad a continuación).

Compatibilidad de parámetros y funciones

La superficie que importa para una aplicación de chat está cubierta. La tabla separa lo que está documentado como compatible, lo que debes confirmar con una llamada de prueba antes de depender de ello, y lo que no existe en absoluto. Ante la duda, envía la petición en un entorno de staging y compara la respuesta, en lugar de asumir la paridad con otro servicio.

ElementoCódigoNotas
modelAdmitidoUsa uncensored. Solo un modelo.
messages (roles system, user, assistant, tool)AdmitidoFormato de mensaje estándar de OpenAI. El contexto es de 100.000 tokens para prompt más completion.
max_tokensAdmitidoHasta el final de la ventana de 100,000 tokens.
stream: trueAdmitidoEventos enviados por el servidor. Se añade automáticamente un último chunk de uso.
tools, tool_choice, mensajes de rol toolAdmitidoFormato de llamadas a funciones de OpenAI.
Opciones de muestreo y parada (temperature, top_p, stop, y similares)AdmitidoCampos estándar de OpenAI, pasados tal como se envían. Retunea temperature después de cambiar: el mismo valor puede sentirse diferente en un nuevo modelo.
Extras de enrutamiento: listas de modelos de respaldo, preferencias de enrutamiento, headers de atribución de appNo disponibleHay un solo modelo, así que no hay nada entre lo que enrutar. Elimina estos de las solicitudes y la configuración.
EmbeddingsNo disponibleMantén una fuente de embeddings separada para pipelines de RAG.
Generación de imágenes, visión, audio, videoNo disponibleLa API es solo de texto.
Fine-tuningNo disponibleSin endpoints de fine-tuning. Moldea el comportamiento con system prompts.

La consecuencia práctica es que un pipeline que usa embeddings para recuperación necesita dos clientes: uno para tu servicio de embeddings existente y uno para la generación aquí. Eso es una división normal, y el enfoque de variable de entorno en la siguiente sección lo mantiene ordenado.

Ejecuta ambos lado a lado con variables de entorno

La migración más segura mantiene ambos backends activos y elige uno en tiempo de ejecución. Coloca los tres valores que difieren en variables de entorno y léelos en un solo lugar. Así puedes enrutar un entorno de desarrollo, un porcentaje del tráfico o una función específica a la nueva API sin bifurcar el código de tus peticiones.

# .env.openai
LLM_BASE_URL=your-current-base-url
LLM_API_KEY=paste-your-existing-key
LLM_MODEL=gpt-4o

# .env.uncensored
LLM_BASE_URL=https://api.uncensoredaiapis.com/v1
LLM_API_KEY=paste-your-key-here
LLM_MODEL=uncensored

Luego, una fábrica única construye el cliente:

import os
from openai import OpenAI

def make_client() -> tuple[OpenAI, str]:
    client = OpenAI(
        base_url=os.environ["LLM_BASE_URL"],
        api_key=os.environ["LLM_API_KEY"],
    )
    return client, os.environ["LLM_MODEL"]

client, model = make_client()
resp = client.chat.completions.create(
    model=model,
    messages=[{"role": "user", "content": "Reply with the single word: ready"}],
    max_tokens=10,
)
print(model, "->", resp.choices[0].message.content)

El mismo patrón en Node.js:

import OpenAI from "openai";

export function makeClient() {
  const client = new OpenAI({
    baseURL: process.env.LLM_BASE_URL,
    apiKey: process.env.LLM_API_KEY,
  });
  return { client, model: process.env.LLM_MODEL };
}

const { client, model } = makeClient();
const resp = await client.chat.completions.create({
  model,
  messages: [{ role: "user", content: "Reply with the single word: ready" }],
  max_tokens: 10,
});
console.log(model, "->", resp.choices[0].message.content);

Para comparar el comportamiento, ejecuta el mismo conjunto de prompts contra ambas configuraciones, por ejemplo con set -a; source .env.uncensored; set +a antes de tu comando de prueba. Como los nombres de las variables son genéricos, no necesitas cambiar el código cuando finalmente retires el backend antiguo, y revertir es solo intercambiar un archivo.

LangChain, LlamaIndex y otros clientes compatibles con OpenAI

Cualquier framework que te permita sobrescribir la URL base de OpenAI funcionará con esta API, porque el contrato HTTP es el mismo. Pasas la URL base, la clave y el nombre del modelo; el framework se encarga del resto. Para LangChain, el paquete langchain_openai expone ChatOpenAI:

import os
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    base_url="https://api.uncensoredaiapis.com/v1",
    api_key=os.environ["API_KEY"],
    model="uncensored",
    max_tokens=500,
)

print(llm.invoke("Give me a one-line pitch for a noir detective game.").content)

Para LlamaIndex, usa la clase LLM compatible con OpenAI del paquete llama-index-llms-openai-like, que está pensado para servidores que implementan el formato de chat completions pero no son OpenAI:

import os
from llama_index.llms.openai_like import OpenAILike

llm = OpenAILike(
    api_base="https://api.uncensoredaiapis.com/v1",
    api_key=os.environ["API_KEY"],
    model="uncensored",
    is_chat_model=True,
)

print(llm.complete("Give me a one-line pitch for a noir detective game."))

Dos cosas que recordar en las configuraciones de frameworks. Primero, las funciones de recuperación que llaman a un modelo de embeddings seguirán necesitando una fuente de embeddings diferente, ya que esta API no tiene ninguna. Segundo, los frameworks a veces asumen un nombre de modelo de una lista interna para decidir el tamaño del contexto o el soporte de herramientas; si ves una advertencia sobre un modelo desconocido, eso es cosmético, pero verifica que la ventana de contexto que asume tu framework no supere los 100,000 tokens. Los nombres de los parámetros difieren ligeramente entre bibliotecas (base_url, api_base, baseURL), así que verifica cuál usa tu biblioteca. Otras herramientas que aceptan una URL base de OpenAI personalizada, como complementos de editores y interfaces de chat, siguen el mismo patrón de tres valores.

Lista de verificación de pruebas antes de cambiar

Recorre esta lista en staging. Cada elemento es rápido y juntos capturan la mayoría de las sorpresas de migración.

  1. Autenticación y enrutamiento. Llama a GET /v1/models con tu clave. Un 401 significa que la clave o el encabezado están mal; un 404 significa que la ruta lo está.
  2. Completado básico. Envía un prompt de una línea con max_tokens configurado y confirma que choices[0].message.content y usage están presentes.
  3. Streaming. Ejecuta tu ruta de UI real con stream: true. Asegúrate de que tu analizador tolere el último chunk de uso con una lista choices vacía.
  4. Llamadas a funciones. Ejecuta un ciclo completo: petición, tool_calls, role tool respuesta, respuesta final. Verifica que tu código maneje respuestas sin llamada a función.
  5. Prompts largos. Envía un prompt cercano a tu máximo real. Prompt más max_tokens superior a 100,000 devuelve 400.
  6. Manejo de errores. Simula una clave incorrecta (401). Confirma que tu aplicación lee el JSON error.code y maneja 402 no_credit, 403 content_blocked, 429 y 503 upstream_busy de manera adecuada.
  7. Calidad y tono de salida. Reproduce una muestra de prompts reales y compara las respuestas con tu modelo actual. Los prompts que fueron ajustados en torno a las negativas o reservas de otro modelo pueden necesitar simplificarse.
  8. Seguimiento de costos. Registra usage. La entrada es $0.15 por millón de tokens y la salida $0.50 por millón, así que tus estimaciones basadas en recuentos de tokens existentes son fáciles de recalcular.

Para versiones ejecutables de los pasos de streaming, llamadas a funciones y reintento, consulta la página de ejemplos de código.

Errores comunes

Dejar el nombre del modelo antiguo en su lugar. El fallo más frecuente es una petición que aún indica otro id de modelo. Lee el modelo desde la configuración, como en el ejemplo de variables de entorno, para que se mueva junto con la URL base.

Enviar la clave antigua. Una clave de otro servicio devuelve 401. Las claves aquí están vinculadas a una cuenta, una por cuenta, y regenerar una revoca la clave anterior inmediatamente, así que actualiza cada despliegue después de regenerar.

Falta /v1 en la URL base. La URL base debe terminar en /v1. Los SDKs añaden /chat/completions ellos mismos; una URL base sin el sufijo produce errores 404.

Confiar en una función que no existe. Las llamadas de embeddings, imágenes, audio y ajuste fino fallarán. Audita tu base de código por ellas antes de cambiar, no después.

Ignorar el límite de salida. Si no estableces max_tokens, la respuesta puede extenderse hasta el final de la ventana. Si otro servicio te daba respuestas más largas por defecto, establece el valor explícitamente, ya que un límite pequeño puede finalizar las respuestas antes con finish_reason: length.

Desbordamiento de contexto. Si tu modelo actual tenía una ventana más grande, historiales largos pueden superar los 100.000 tokens de prompt más completado y devolver 400. Añade recorte o resumen antes del cambio.

Reintentar todo. Reintenta solo 429 y 503. Un 402 significa que el saldo se ha agotado o la prueba ha caducado, y reintentar no ayudará. Recarga y continúa, como se describe en la página de precios.

Reglas de contenido. El contenido adulto lícito y la ficción no se rechazan, pero el contenido sexual que involucra a menores siempre se bloquea con un 403, incluyendo en ficción y roleplay. El servicio es para adultos y uso lícito, así que asegúrate de que tu propio producto aplique el control de edad donde corresponda.

Preguntas y respuestas

¿Tengo que reescribir mi código para cambiar de OpenAI?

Normalmente no. Cambia base_url, api_key y el nombre del modelo a uncensored en la configuración de tu cliente. El formato de mensajes, streaming y llamadas a funciones siguen el mismo formato de OpenAI.

¿Puedo seguir usando OpenRouter junto con esta API?

Sí. Lee la URL base, la clave y el modelo de variables de entorno y apunta cada entorno o función al backend que desees. Ambos pueden ejecutarse en paralelo durante una migración gradual.

¿Qué pasa con mis llamadas de embeddings o imágenes?

No funcionarán aquí. La API es solo de texto, sin embeddings, imágenes, audio, video ni ajuste fino, así que mantén una fuente separada para eso.

¿Funciona LangChain con esta API de IA sin censura?

Sí. Usa ChatOpenAI de langchain_openai con base_url configurado a https://api.uncensoredaiapis.com/v1, tu clave y model="uncensored". Cualquier cliente que acepte una URL base de OpenAI personalizada sigue el mismo patrón.

Tu clave está a un formulario de distancia

Crea una cuenta, copia la clave, cambia la URL base. Esa es toda la configuración.