快速入門：將無審查 LLM 整合至您的 OCR 應用程式

先決條件：API 金鑰與基礎 URL

在發出任何請求之前，你需要 API 金鑰和正確的 base URL。在 取得 API 金鑰 頁面僅使用電子郵件和密碼註冊。你的金鑰會在註冊後立即顯示，且試用不需要信用卡。

此 API 的 base URL 為 https://api.llmocrapi.com/v1。此端點與標準 OpenAI SDK 相容。你必須將客戶端設定為此 base URL，並在 Authorization 標頭中包含你的 API 金鑰。你將用於所有請求的模型識別碼為 uncensored，它運行在我們自己的 GPU 伺服器上，設計用於處理原始文字提取，不會拒絕合法的成人或爭議性內容。

基本文字提取請求

首先發送一個簡單的聊天完成請求以測試連線。此端點接受文字輸入並返回提取或清理後的文字。使用 POST /v1/chat/completions 端點搭配 uncensored 模型。確保你的請求主體包含訊息內容和模型 ID。

此基本請求可驗證您的 API 金鑰是否運作，以及無審查模型是否按預期回應。這是建構您的 OCR 後處理管線的第一步。

Copycurl https://api.llmocrapi.com/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."}]
  }'

如果你收到包含 choices 且含有文字的回應，表示你的整合已成功。如果收到 401 錯誤，請檢查你的 API 金鑰。如果收到 402 錯誤，你可能需要新增預付額度。

Python SDK 整合

對於 Python 開發者而言，使用官方 OpenAI SDK 是推薦的做法。安裝 openai 套件並將 base URL 設定指向我們的 API。這讓你可以使用熟悉的函式，例如 chat.completions.create()。

將 base_url 參數設定為 https://api.llmocrapi.com/v1 並傳遞您的 API 金鑰。這確保所有請求都正確路由至我們的無審查模型。然後您可以將 OCR 提取的文字作為使用者訊息發送，並定義系統提示詞以指示模型如何清理或摘要資料。

Copyfrom openai import OpenAI

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

此方法適合不需要串流的批次處理文件。它提供了一種將 LLM 整合至現有 Python OCR 腳本的簡便方式。

Node SDK 整合

Node.js 開發者也可以使用 OpenAI SDK 來與 API 互動。為 Node 安裝 openai 套件，並類似 Python 設定來設定 base URL。這讓你可以利用相同的 chat.completions 端點，使用熟悉的 JavaScript 語法。

使用你的 API 金鑰和 base URL https://api.llmocrapi.com/v1 設定客戶端。這確保與你現有的 Node.js 應用程式相容。接著你可以發送請求，從你的 OCR 管線中提取或摘要文字。

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.llmocrapi.com/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);

此方法適合 Node 環境中的伺服器端處理，讓您可以高效處理 OCR 輸出，而無需離開您的 Node 生態系統。

大型文件的串流回應

處理大型文件時，串流輸出可以透過在生成時以區塊方式傳送文字來改善使用者體驗。在請求中使用 stream: true 參數以啟用伺服器發送事件 (SSE)。這讓你可以即時處理文字，對於長期的 OCR 輸出或向使用者顯示進度時非常有用。

串流有助於管理記憶體使用量，因為不需要在處理之前將整個回應保留在記憶體中。對於可能導致延遲問題的具有大量文字的文件特別有用。

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)

確保您的客戶端正確處理 SSE 事件以解析增量文字區塊。此方法適合需要在 OCR 後處理階段獲得即時回饋的應用程式。

速率限制、錯誤與上下文視窗

請留意 API 限制以避免服務中斷。每個 API 金鑰每分鐘限制為 300 次請求。每個請求主體不得超過 8 MB。如果你超過速率限制，會收到 429 錯誤。確保你的應用程式實作指數退避以優雅地處理這些錯誤。

上下文視窗為 100,000 token，提示詞與補全合計。如果你的 OCR 輸出超過此限制，你可能需要分割文件或截斷較早的部分。常見錯誤包括：無效金鑰的 401、額度不足的 402 以及速率限制的 429。監控你的使用情況並按需新增預付額度，以維持無中斷的服務。