Basis-URL & Authentifizierung
Unsere API folgt dem OpenAI-Kompatibilitätsstandard, sodass du bestehende SDKs mit minimalen Änderungen nutzen kannst. Die Base URL ist https://api.sdxlnsfw.top/v1. Du authentifizierst dich mit einem Bearer-Token im Authorization-Header. Im Gegensatz zu vielen Wettbewerbern benötigen wir keine Telefonnummer für die Anmeldung; du kannst ein Konto über Google oder E-Mail erstellen und deinen Schlüssel sofort erhalten.
Jedes Konto unterstützt zu einem Zeitpunkt nur einen aktiven Schlüssel. Wenn du einen neuen Schlüssel generierst, wird der alte sofort widerrufen. Stelle sicher, dass dein Authorization-Header auf Bearer YOUR_API_KEY gesetzt ist für alle Anfragen. Dieser Endpunkt verarbeitet alle Textaufgaben, von der Prompt-Generierung bis zur Bildunterschrift, ohne deine Bild- oder Audio-Pipelines zu stören.
Sende deine erste Anfrage
Beginne mit einer einfachen Text-Vervollständigungsanfrage, um die Konnektivität zu überprüfen. Die Modell-ID ist uncensored. Dieses Modell ist darauf abgestimmt, ohne Inhaltsfilter für die legale Erwachsenenunterhaltung zu antworten, was es ideal für NSFW-Prompt-Engineering macht. Du kannst bis zu 100,000 Token im Kontextfenster senden, ohne separate Ausgabeobergrenze pro Anfrage.
Unten findest du ein einfaches cURL-Beispiel, um den Endpunkt zu testen. Ersetze YOUR_API_KEY durch deinen Schlüssel. Wenn du eine JSON-Antwort mit Inhalt erhältst, funktioniert deine Integration. Fehler wie 401 deuten auf einen ungültigen Schlüssel hin, während 402 bedeutet, dass du dein Guthaben aufladen musst.
Prompt-Generierung für SDXL NSFW
Nutze die API, um detaillierte Prompts für deine SDXL NSFW-Pipelines zu generieren. Das unzensierte Modell verarbeitet spezifische Tags, Anatomiebeschreibungen und künstlerische Stile ohne Filterung. Du kannst einen System-Prompt übergeben, um die Rolle des Modells zu definieren und so eine konsistente Ausgabe für deinen Workflow zu gewährleisten. Bitte es beispielsweise, ein einfaches Konzept in einen vollständigen Prompt mit Licht- und Kameradetails zu erweitern.
Die API ist textbasiert, daher generiert sie nicht das Bild selbst. Sie stellt die Textinfrastruktur bereit, die deinen Generierungsschritt antreibt. Dies stellt sicher, dass deine Metadaten und Prompts unzensiert bleiben und die genaue Absicht deiner kreativen Richtung bewahren. Verwende den Parameter temperature, um die Kreativität zu steuern; höhere Werte führen zu vielfältigeren Prompts.
Function Calling & Tools
Integriere die Extraktion strukturierter Daten oder Tool-Nutzung in deine Pipeline. Die API unterstützt Function Calling, sodass du Tools definieren kannst, die das Modell aufrufen kann. Dies ist nützlich zum Parsen von unstrukturierten Texten oder zum Auslösen spezifischer Aktionen in deinem Skript. Setze tool_choice, um zu steuern, ob das Modell ein Tool verwenden muss oder frei wählen kann.
Definiere deine Funktionen im tools-Array. Das Modell gibt eine Antwort mit Tool-Aufrufen zurück, wenn dies angemessen ist. Diese Funktion ist für alle Anfragen verfügbar und ermöglicht komplexe Logik in deinen NSFW-Textklassifizierungs- oder Untertitelungs-Workflows. Stelle sicher, dass deine Funktionsdefinitionen gültiges JSON sind, um Parsing-Fehler zu vermeiden.
Streaming-Antworten
Nutze für Echtzeitanwendungen Server-Sent Events (SSE), um Token-für-Token-Antworten zu streamen. Dies reduziert die wahrgenommene Latenz und ermöglicht es dir, Fortschritt anzuzeigen, während das Modell Text generiert. Streaming ist aktiviert, indem du stream: true in deiner Anfrage setzt. Jeder Chunk enthält teilweise Inhalte, und der letzte Chunk enthält Token-Nutzungsstatistiken.
Dies ist besonders nützlich für die Generierung langer Prompts oder das Schreiben von Skripten. Du kannst Token verarbeiten, sobald sie eintreffen, und den endgültigen Text schrittweise aufbauen. Beachte, dass Fehler während des Streamings möglicherweise immer noch einen letzten Chunk mit Fehlerdetails zurückgeben. Verarbeite Netzwerkunterbrechungen angemessen, da Streaming-Verbindungen abbrechen können.
JSON-Modus für strukturierte Daten
Stelle konsistente Ausgaben für automatisierte Pipelines sicher, indem du den JSON-Modus verwendest. Setze response_format auf {"type": "json_object"}, um das Modell zu zwingen, gültiges JSON zurückzugeben. Dies ist entscheidend für das Parsen von Antworten in deinem Code ohne komplexe Regex oder Nachbearbeitung. Das Modell hält sich an die Struktur, die du in deinem System-Prompt oder Few-Shot-Beispielen definierst.
Nutze dies zur Generierung von Metadaten, zum Extrahieren von Tags oder zum Formatieren von Prompts für nachgelagerte Tools. Der JSON-Modus gewährleistet Zuverlässigkeit und reduziert die Wahrscheinlichkeit, dass fehlerhafte Antworten deine Pipeline zum Absturz bringen. Beachte, dass der JSON-Modus die Latenz aufgrund des Validierungsaufwands leicht erhöhen kann. Überprüfe die Ausgabe immer in deinem Code, da das Modell in Randfällen immer noch ungültiges JSON produzieren kann.
cURL
curl https://api.sdxlnsfw.top/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
from openai import OpenAI
client = OpenAI(base_url="https://api.sdxlnsfw.top/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
import OpenAI from "openai";
const client = new OpenAI({ baseURL: "https://api.sdxlnsfw.top/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
stream = 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)