Passa da OpenAI o OpenRouter a un'API AI senza censura
Avvia una migrazione modificando l'URL di base, la chiave API e l'ID del modello in un piccolo client di test. Esegui un set salvato dei tuoi prompt prima di spostare il traffico di produzione: un formato di richiesta compatibile non implica risposte identiche. Questa guida copre la configurazione, lo streaming, le chiamate di strumenti e i controlli da ripetere in LangChain o LlamaIndex.

Punti chiave
- Modifica solo tre valori: l'URL di base https://api.uncensoredaiapis.com/v1, la tua nuova chiave e il modello "uncensored".
- Chat completions, streaming e tool calling funzionano nel formato OpenAI; embeddings, immagini, audio e fine-tuning non esistono.
- Metti l'URL di base, la chiave e il modello nelle variabili d'ambiente in modo che vecchi e nuovi backend girino fianco a fianco e il rollback sia uno scambio di file.
- Imposta esplicitamente max_tokens e pianifica il contesto da 100.000 token prima del passaggio.
Cosa cambia quando passi
Se la tua app comunica già con l'API chat completions di OpenAI o OpenRouter, passare a questa API AI senza censura è una modifica di configurazione, non una riscrittura. Tre valori cambiano e tutto il resto del codice di richiesta rimane così com'è: l'URL di base, la chiave API e il nome del modello.
| Impostazione | Prima | Dopo |
|---|---|---|
| URL di base | L'URL di OpenAI o OpenRouter | https://api.uncensoredaiapis.com/v1 |
| Autenticazione | Chiave dal tuo servizio attuale | Chiave dal tuo account qui, inviata come Authorization: Bearer <key> |
| Modello | Un ID modello come un nome modello GPT o routed | uncensored |
| Endpoint | /chat/completions | Uguale: POST /v1/chat/completions |
C'è esattamente un modello, quindi non c'è un catalogo di modelli tra cui scegliere. GET /v1/models esiste e lo elenca, il che mantiene funzionanti gli helper SDK e i controlli di salute che lo chiamano. Messaggi, streaming e tool calling usano gli stessi formati OpenAI che invii già. Questa pagina è una guida pratica; se vuoi il confronto su costi, latenza e privacy con OpenRouter, leggi l'articolo OpenRouter uncensored models invece.
Ecco il diff Python minimo. Nient'altro nella chiamata 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)Per gli utenti di OpenRouter, vale lo stesso: sostituisci il base URL e la chiave di OpenRouter e rimuovi gli extra specifici di routing che hai passato negli header o nel corpo della richiesta (vedi la tabella di compatibilità sotto).
Compatibilità di parametri e funzionalità
La superficie che conta per un'app chat è coperta. La tabella separa ciò che è documentato come supportato, ciò che dovresti confermare con una chiamata di test prima di dipenderne e ciò che non esiste affatto. In caso di dubbio, invia la richiesta in un ambiente di staging e confronta la risposta, piuttosto che assumere la parità con un altro servizio.
| Voce | Codice | Note |
|---|---|---|
model | Supportato | Usa uncensored. Un solo modello. |
messages (ruoli system, user, assistant, tool) | Supportato | Formato messaggio standard OpenAI. Il contesto è di 100.000 token per prompt più completamento. |
max_tokens | Supportato | Fino alla fine della finestra da 100,000 token. |
stream: true | Supportato | Server-sent events. Un blocco di utilizzo finale viene aggiunto automaticamente. |
tools, tool_choice, messaggi role tool | Supportato | Formato function calling OpenAI. |
Opzioni di campionamento e stop (temperature, top_p, stop e simili) | Supportato | Campi OpenAI standard, passati come inviati. Ricalibra temperature dopo il passaggio: lo stesso valore può sembrare diverso su un nuovo modello. |
| Extra di routing: liste di modelli di fallback, preferenze di routing, header di attribuzione app | Non disponibile | C'è un modello, quindi non c'è nulla da instradare tra. Rimuovi questi dalle richieste e dalla configurazione. |
| Embedding | Non disponibile | Mantieni una fonte di embedding separata per le pipeline RAG. |
| Generazione immagini, visione, audio, video | Non disponibile | L'API è solo per testo. |
| Fine-tuning | Non disponibile | Nessun endpoint di fine-tuning. Modella il comportamento con i prompt di sistema. |
La conseguenza pratica è che una pipeline che usa embedding per il recupero necessita di due client: uno per il tuo servizio di embedding esistente e uno per la generazione qui. È una suddivisione normale e l'approccio env-var nella sezione successiva lo mantiene ordinato.
Esegui entrambi fianco a fianco con variabili d'ambiente
La migrazione più sicura mantiene entrambi i backend attivi e seleziona uno dei due a runtime. Inserisci i tre valori che differiscono in variabili d'ambiente e leggili in un unico punto. In questo modo puoi instradare un ambiente di sviluppo, una percentuale di traffico o una singola funzionalità verso la nuova API senza dover modificare il codice delle richieste.
# .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=uncensoredPoi un singolo factory costruisce il client:
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)Lo stesso pattern in 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);Per confrontare il comportamento, esegui lo stesso set di prompt su entrambe le configurazioni, ad esempio con set -a; source .env.uncensored; set +a prima del comando di test. Poiché i nomi delle variabili sono generici, non è necessaria alcuna modifica al codice quando alla fine ritiri il vecchio backend, e il rollback è uno scambio di file.
Client compatibili con OpenAI come LangChain e LlamaIndex
Qualsiasi framework che ti permetta di sovrascrivere il base URL di OpenAI funzionerà con questa API, poiché il contratto HTTP è identico. Passi il base URL, la chiave e il nome del modello; il framework fa il resto. Per LangChain, il pacchetto langchain_openai espone 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)Per LlamaIndex, usa la classe LLM compatibile con OpenAI dal pacchetto llama-index-llms-openai-like, pensato per server che implementano il formato delle chat completions ma non sono 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."))Due cose da ricordare nelle configurazioni del framework. Primo, le funzionalità di retrieval che chiamano un modello embeddings avranno ancora bisogno di una fonte embeddings diversa, poiché questa API non ne ha. Secondo, i framework a volte assumono un nome modello da un elenco interno per decidere la dimensione del contesto o il supporto agli strumenti; se vedi un avviso su un modello sconosciuto, è estetico, ma controlla che la finestra di contesto che il framework assume non superi 100.000 token. I nomi dei parametri differiscono leggermente tra le librerie (base_url, api_base, baseURL), quindi controlla quella che usa la tua libreria. Altri strumenti che accettano un URL di base OpenAI personalizzato, come i plugin dell'editor e le interfacce chat, seguono lo stesso schema.
Checklist di test prima del passaggio
Segui questa lista in staging. Ogni elemento è rapido e insieme catturano la maggior parte delle sorprese durante la migrazione.
- Autenticazione e routing. Chiama
GET /v1/modelscon la tua chiave. Un 401 indica che la chiave o l'header sono errati; un 404 indica che il percorso è sbagliato. - Completamento di base. Invia un prompt di una riga con
max_tokensimpostato e conferma chechoices[0].message.contenteusagesiano presenti. - Streaming. Esegui il tuo percorso UI reale con
stream: true. Assicurati che il tuo parser tolleri il chunk finale di utilizzo con una listachoicesvuota. - Chiamate di strumenti. Esegui un ciclo completo: richiesta,
tool_calls, risposta con ruolotool, risposta finale. Verifica che il tuo codice gestisca le risposte senza chiamate a strumenti. - Prompt lunghi. Invia un prompt vicino al tuo massimo reale. Prompt più
max_tokenssuperiori a 100.000 restituiscono 400. - Gestione degli errori. Simula una chiave errata (401). Conferma che la tua app legga il JSON
error.codee gestisca in modo appropriato 402no_credit, 403content_blocked, 429 e 503upstream_busy. - Qualità e tono dell'output. Riproduci un campione di prompt reali e confronta le risposte con il tuo modello corrente. I prompt che sono stati ottimizzati attorno ai rifiuti o alle cautele di un altro modello potrebbero aver bisogno di essere semplificati.
- Monitoraggio dei costi. Registra
usage. L'input è $0,15 per milione di token e l'output $0,50 per milione, quindi i tuoi stimi dai conteggi dei token esistenti sono facili da ricomputare.
Per versioni eseguibili dei passaggi di streaming, strumenti e retry, consulta la pagina code examples.
Errori comuni
Lasciare il vecchio nome del modello. Il fallimento più frequente è una richiesta che indica ancora un altro ID del modello. Leggi il modello dalla configurazione, come nell'esempio della variabile d'ambiente, in modo che venga modificato insieme al base URL.
Invio della vecchia chiave. Una chiave di un altro servizio restituisce 401. Le chiavi qui sono legate a un account, una per account, e rigenerarne una revoca immediatamente la chiave precedente, quindi aggiorna ogni ambiente di produzione dopo averla rigenerata.
Mancanza di /v1 nell'URL di base. L'URL di base deve terminare con /v1. Gli SDK aggiungono /chat/completions da soli; un URL di base senza il suffisso produce errori 404.
Affidarsi a una funzionalità non presente. Le chiamate per embeddings, immagini, audio e fine-tuning falliranno. Effettua un audit del tuo codicebase per queste funzionalità prima del passaggio, non dopo.
Ignorare il limite di output. Se non imposti max_tokens, la risposta può estendersi fino alla fine della finestra di contesto. Se un altro servizio ti forniva risposte più lunghe per impostazione predefinita, imposta il valore esplicitamente, poiché un limite inferiore può terminare anticipatamente le risposte con finish_reason: length.
Overflow del contesto. Se il tuo modello corrente aveva una finestra più grande, le cronologie lunghe possono superare i 100.000 token di prompt più completamento e restituire 400. Aggiungi riduzione o riassunto prima del passaggio.
Ritento tutto. Ritenta solo 429 e 503. Un 402 significa che il saldo è esaurito o la prova è scaduta, e ritentare non aiuterà. Ricarica e continua, come descritto nella pagina dei prezzi.
Regole sui contenuti. I contenuti adulti legali e la narrativa non sono rifiutati, ma i contenuti sessuali che coinvolgono minori sono sempre bloccati con un 403, incluso in narrativa e roleplay. Il servizio è per adulti e uso legale, quindi assicurati che il tuo prodotto applichi il controllo dell'età dove rilevante.
Altre guide
Domande e risposte
Devo riscrivere il mio codice per passare da OpenAI?
Di solito no. Modifica base_url, api_key e il nome del modello in uncensored nella configurazione del tuo client. Formato del messaggio, streaming e tool calling seguono lo stesso formato OpenAI.
Posso continuare a usare OpenRouter insieme a questa API?
Sì. Leggi l'URL di base, la chiave e il modello dalle variabili d'ambiente e punta ogni ambiente o funzionalità al backend che vuoi. Entrambi possono girare in parallelo durante una migrazione graduale.
Cosa succede alle mie chiamate per embeddings o immagini?
Non funzioneranno qui. L'API è solo per testo, senza embeddings, immagini, audio, video o fine-tuning, quindi mantieni una fonte separata per quelle funzionalità.
LangChain funziona con questa API AI uncensored?
Sì. Usa ChatOpenAI da langchain_openai con base_url impostato su https://api.uncensoredaiapis.com/v1, la tua chiave e model="uncensored". Qualsiasi client che accetta un URL di base OpenAI personalizzato segue lo stesso schema.
La tua chiave è a un modulo di distanza
Crea un account, copia la chiave, modifica l'URL di base. È tutta la configurazione.