API Codex: راهنمای یکپارچه‌سازی گام به گام

چرا از API کدکس برای تولید بدون سانسور استفاده کنیم؟

LLMهای استاندارد اغلب فیلترهای محتوایی سخت‌گیرانه اعمال می‌کنند که جریان روایت را خراب می‌کنند یا خروجی‌های فنی نیچ را مسدود می‌کنند. API codex یک مدل وزن‌باز اختصاصی و واحد را ارائه می‌دهد که برای حداقل رد درخواست در موضوعات بزرگسالان قانونی، تخیلی و بحث‌برانگیز تنظیم شده است. متن را ارسال می‌کنید، متن دریافت می‌کنید، بدون اینکه مدل تصمیم بگیرد موضوع شما برای تولید خیلی حساس است.

برخلاف دروازه‌های شرکتی که درخواست‌ها را از طریق چندین ارائه‌دهنده مسیریابی می‌کنند، این نقطه پایانی یک مدل را مستقیماً ارائه می‌دهد. پنجره زمینه برای هر دو بخش پرامپت و تکمیل متن 100,000 توکن است. محدودیت‌های خروجی در هر درخواست به 16,000 توکن محدود می‌شود که تضمین‌کننده تأخیر قابل پیش‌بینی است. فراخوانی تابع، حالت JSON و استریمینگ به طور کامل پشتیبانی می‌شوند. شما تنها به ازای توکن‌های استفاده‌شده پرداخت می‌کنید؛ خطاها و رد شدن‌ها هزینه‌ای ندارند. این پیکربندی اصطکاک مذاکره برای دسترسی یا انتظار برای تأیید سهمیه را از بین می‌برد.

مرحله 1: SDK OpenAI را نصب کنید

ابتدا SDK رسمی OpenAI را برای زبان برنامه‌نویسی مورد نظر خود نصب کنید. کتابخانه به‌طور خودکار سریال‌سازی، منطق تلاش مجدد و پروتکل‌های پخش زنده را مدیریت می‌کند. این اطمینان حاصل می‌کند که یکپارچه‌سازی شما با رفتارهای API استاندارد سازگار باقی می‌ماند و در عین حال امکان سفارشی‌سازی کامل پارامترهای اتصال را فراهم می‌کند.

• پایتون: pip install openai
• Node.js: npm install openai
• برو به: go get github.com/openai/openai-go

SDK لایه HTTP را مدیریت می‌کند و به شما اجازه می‌دهد بر ساختار payload تمرکز کنید. نیازی به کلاینت اختصاصی ندارید. کتابخانه‌های استاندارد از هدرهای احراز هویت و تجزیه JSON پشتیبانی می‌کنند. این امر کدهای تکراری را کاهش داده و چرخه‌های توسعه را تسریع می‌کند. نصب خود را با وارد کردن ماژول کلاینت در یک اسکریپت ساده بررسی کنید.

مرحله ۲: URL پایه و کلید API را پیکربندی کنید

نمونه SDK خود را به نقطه پایانی اختصاصی پیکربندی کنید. URL پایه پیش‌فرض را برای هدایت ترافیک به سرور بدون سانسور بازنویسی کنید. کلید API خود را به هدر authorization اختصاص دهید تا دسترسی فوری داشته باشید. این پیکربندی تضمین می‌کند که تمام درخواست‌ها از مسیریابی استاندارد OpenAI عبور کنند.

• URL پایه: https://api.unsupportedcodexauthmethodapikey.com/v1
• شناسه مدل: uncensored
• احراز هویت: توکن Bearer از طریق کلید تولیدشده شما

کلید خود را از داشبورد بازیابی کنید پس از ثبت‌نام با گوگل یا ایمیل. برای تأییدیه به شماره تلفن نیاز نیست. کلید بلافاصله پس از ایجاد نمایش داده می‌شود. نقطه پایانی پیش‌فرض را در کد خود جایگزین کنید. این مرحله ترافیک شما را از زیرساخت عمومی جدا می‌کند. این تضمین می‌کند که رفتار مدل ثابت باشد. اکنون می‌توانید اتصال را با فهرست کردن مدل‌های موجود بررسی کنید.

مرحله ۳: اولین درخواست تکمیل چت خود را ارسال کنید

یک پیکربندی استاندارد تکمیل گفتگو بسازید. مدل، پیام کاربر و پارامترهای اختیاری را تعریف کنید. نقطه پایانی درخواست را پردازش کرده و پاسخ JSON ساختاریافته‌ای برمی‌گرداند. این تأیید می‌کند که یکپارچه‌سازی شما با مدل uncensored به درستی کار می‌کند.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.unsupportedcodexauthmethodapikey.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)

پاسخ شامل متن تولید شده، آمار مصرف توکن و دلیل پایان است. می‌توانید محتوا را مستقیماً در منطق برنامه خود پارس کنید. مقادیر دما و top_p بر خلاقیت تأثیر می‌گذارند. توالی‌های توقف اجازه کنترل دقیق بر طول خروجی را می‌دهند. این ساختار درخواست با فراخوان‌های استاندارد OpenAI یکسان است و قابلیت حمل را تضمین می‌کند. می‌توانید مدل‌ها را بعداً بدون تغییر منطق هسته خود جابجا کنید.

مرحله ۴: مدیریت پاسخ‌های استریمینگ

با تنظیم پارامتر stream روی true، قابلیت جریان‌یابی را فعال کنید. سرور داده‌ها را به صورت افزایشی از طریق رویدادهای ارسالی سرور (SSE) برمی‌گرداند. این به شما امکان می‌دهد توکن‌ها را به صورت بلادرنگ به کاربران نمایش دهید. این کار تأخیر ادراک‌شده را برای خروجی‌های طولانی به طور قابل توجهی کاهش می‌دهد.

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)

هر قطعه شامل محتوای جزئی و داده‌های استفاده است. قطعه نهایی شامل تعداد کل توکن‌ها می‌باشد. می‌توانید متن را هنگام دریافت آن انباشته کنید. این روش از برنامه‌های تعاملی مانند رابط‌های چت پشتیبانی می‌کند. همچنین به شما امکان می‌دهد تولید را زودتر متوقف کنید اگر کاربر مداخله کند. جریان‌دار (streaming) برای تجربه کاربری روان ضروری است. این امر اتصال را تا زمانی که مدل کار خود را تمام کند زنده نگه می‌دارد.

مرحله ۵: مدیریت مصرف توکن و هزینه‌ها

مصرف توکن را برای بهینه‌سازی هزینه‌ها پایش کنید. API 0.15 دلار به ازای هر میلیون توکن ورودی و 0.50 دلار به ازای هر میلیون توکن خروجی دریافت می‌کند. شما فقط بابت مصرف واقعی پرداخت می‌کنید؛ خطاها رایگان هستند. اعتبار پیش‌پرداخت منقضی نمی‌شود، بنابراین می‌توانید از آن در طول زمان استفاده کنید.

• هزینه ورودی: ۰.۱۵ دلار به ازای هر ۱M توکن
• هزینه خروجی: $0.50 / 1M tokens
• شارژ: فقط ارز دیجیتال (USDT TRC20 یا USDC Base)

پاداش‌های اعتباری برای شارژهای بزرگ‌تر اعمال می‌شوند: +۵٪ از مبلغ ۵۰ دلار، +۱۰٪ از مبلغ ۱۰۰ دلار و +۱۵٪ از مبلغ ۲۰۰ دلار. این ساختار کاربران سنگین را پاداش می‌دهد. می‌توانید مصرف را از طریق هدرهای پاسخ ردیابی کنید. محدودیت‌های سخت‌گیرانه‌ای را در کد خود تنظیم کنید تا از هزینه‌های سرسام‌آور جلوگیری کنید. محدودیت ۸ مگابایتی برای بدنه درخواست به کنترل اندازه ورودی کمک می‌کند. این شفافیت تضمین می‌کند که دقیقاً بدانید بابت چه چیزی پرداخت می‌کنید.

مرحله ۶: عیب‌یابی خطاهای رایج

با خطاها در حین یکپارچه‌سازی API مواجه می‌شوید. مشکلات رایج شامل محدودیت نرخ، کلیدهای نامعتبر یا تجاوز از حجم پیکربندی است. API کدهای وضعیت HTTP استاندارد را برای کمک به اشکال‌زدایی برمی‌گرداند. خطای 429 نشان می‌دهد که از محدودیت 300 درخواست در دقیقه تجاوز کرده‌اید. فرکانس درخواست‌ها را کاهش دهید یا از بازگشت نمایی استفاده کنید.

Copycurl https://api.unsupportedcodexauthmethodapikey.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Parse the JSON string in the request body"}]
  }'

خطای 400 معمولاً به این معنی است که پیکربندی JSON شما نادرست است. نحو را بررسی کنید و مطمئن شوید تمام فیلدهای ضروری موجود هستند. خطای 413 نشان می‌دهد که بدنه درخواست شما از ۸ مگابایت تجاوز کرده است. ورودی را کاهش دهید یا آن را به قطعات کوچک‌تر تقسیم کنید. خطای 500 نادر است اما نشان‌دهنده یک مشکل سمت سرور است. درخواست را پس از یک تأخیر کوتاه دوباره امتحان کنید. این خطاها قابل پیش‌بینی و مدیریت با لاگ‌برداری مناسب هستند.

مرحله ۷: پارامترهای پیشرفته برای تنظیم دقیق خروجی

رفتار مدل را با پارامترهای پیشرفته کنترل کنید. temperature تصادفی بودن را تنظیم می‌کند؛ مقادیر بالاتر خلاقیت را افزایش می‌دهند. Top_p توکن‌ها را بر اساس احتمال تجمعی فیلتر می‌کند. از دنباله‌های stop برای توقف تولید در نشانگرهای خاص استفاده کنید. پارامتر seed خروجی‌های قابل تکرار را برای اشکال‌زدایی تضمین می‌کند.

• دمای (Temperature): ۰.۷ (پیش‌فرض) تا ۱.۵ (خلاقانه)
• top_p: 0.9 برای پاسخ‌های متمرکز
• حالت JSON: استفاده از response_format: json_object

فراخوانی تابع به مدل اجازه می‌دهد تا داده‌های ساختاریافته خروجی دهد. ابزارها را در درخواست خود تعریف کنید تا این ویژگی فعال شود. جریمه‌های حضور و تکرار تکرار را کاهش می‌دهند. این پارامترها کنترل دقیقی بر خروجی به شما می‌دهند. آن‌ها را ترکیب کنید تا با مورد استفاده خاص خود مطابقت داشته باشد. مدل دستورالعمل‌های پیچیده را به‌خوبی مدیریت می‌کند وقتی به‌درستی هدایت شود.