快速入门：将无审查 LLM 集成到你的 OCR 应用中

前提条件：API 密钥和基础 URL

在发起任何请求之前，你需要 API 密钥和正确的基础 URL。只需邮箱和密码即可在获取 API 密钥页面注册。注册后立即显示密钥，试用无需信用卡。

此 API 的基础 URL 为https://api.llmocrapi.com/v1。该接口兼容标准 OpenAI SDK。你必须将客户端配置为使用此基础 URL，并在Authorization标头中包含 API 密钥。所有请求使用的模型标识符为uncensored，它在自有 GPU 服务器上运行，专为处理原始文本提取而设计，不会拒绝合法的成人或争议性内容。

基本文本提取请求

首先发送一个简单的聊天补全请求以测试连接。此接口接受文本输入并返回提取或清理后的文本。使用POST /v1/chat/completions接口和uncensored模型。确保请求正文包含消息内容和模型 ID。

此基本请求验证 API 密钥是否有效，以及无审查模型是否按预期响应。这是构建 OCR 后处理管道的第一步。

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."}]
  }'

如果收到包含choices且带有文本的响应，则集成成功。如果收到 401 错误，请检查 API 密钥。如果收到 402 错误，可能需要添加预付额度。

Python SDK 集成

对于 Python 开发者，推荐使用官方 OpenAI SDK。安装openai包并将基础 URL 配置指向我们的 API。这允许你使用熟悉的方法如chat.completions.create()。

将base_url参数设置为https://api.llmocrapi.com/v1并传入 API 密钥。这确保所有请求正确路由到我们的无审查模型。然后你可以将 OCR 提取的文本作为用户消息发送，并定义系统提示词以指导模型如何清理或摘要数据。

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)

此方法非常适合不需要流式处理的文档批处理。它为将 LLM 集成到现有 Python OCR 脚本提供了一种直接方式。

Node SDK 集成

Node.js 开发者也可以使用 OpenAI SDK 与 API 交互。为 Node 安装openai包，并像 Python 设置一样配置基础 URL。这允许你利用相同的chat.completions接口，使用熟悉的 JavaScript 语法。

使用 API 密钥和基础 URLhttps://api.llmocrapi.com/v1配置客户端。这确保与你现有的 Node.js 应用兼容。然后你可以发送请求，从 OCR 管道中提取或摘要文本。

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);

此方法适合 Node 环境中的服务器端处理，允许你在不离开 Node 生态系统的情况下高效处理 OCR 输出。

大文档的流式响应

处理大文档时，流式响应可以通过分块生成文本来改善用户体验。在请求中使用stream: true参数启用服务器发送事件 (SSE)。这允许你实时处理文本，适用于长 OCR 输出或向用户显示进度。

流式处理有助于管理内存使用，因为不需要在处理前将整个响应保留在内存中。这对于包含大量文本的文档特别有用，否则可能导致延迟问题。

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)

确保客户端正确处理 SSE 事件以解析增量文本块。此方法非常适合需要在 OCR 后处理阶段获得实时反馈的应用。

速率限制、错误和上下文窗口

注意 API 限制以避免服务中断。每个 API 密钥每分钟限制 300 次请求。每个请求正文不得超过 8 MB。如果超出速率限制，将收到 429 错误。确保应用实现指数退避以优雅处理这些错误。

上下文窗口为 100,000 token，提示词和补全合计。如果 OCR 输出超过此限制，可能需要拆分文档或截断较早部分。常见错误包括：401 表示密钥无效，402 表示额度不足，429 表示速率限制。监控使用情况并根据需要添加预付额度以保持服务不间断。