Claude Preis: Schnellstart und API-Referenz

Installation und Umgebungseinrichtung

Installieren Sie zunächst die offizielle Client-Bibliothek für Ihre Sprache. Unser Dienst befindet sich hinter dem Standard /v1 Pfad, sodass Sie nur die Basis-URL und den API-Schlüssel aktualisieren müssen. Die Basis-URL auf dieser Website ist HTTPS://api.claudeprecio.com/v1. Die Authentifizierung basiert auf einem aktiven Schlüssel pro Konto. Sie können diesen Schlüssel sofort über Google oder E-Mail auf der Seite "API-Schlüssel erhalten" generieren. Keine Telefonnummer ist erforderlich. Der Schlüssel wird einmal angezeigt, kopieren Sie ihn daher sicher.

Ihre erste Anfrage mit Python erstellen

Sende eine Vervollständigungsanfrage unter Verwendung des Standard-Python-SDK. Richte den Client auf unsere Basis-URL und setze das Modell auf "uncensored". Dieses Open-Weight-Modell läuft auf unseren eigenen Servern und ist darauf abgestimmt, ohne Inhaltsablehnungen zu antworten. Du kannst Parameter wie temperature oder top_p genau wie bei jedem anderen OpenAI-kompatiblen Dienst. Die Anfragestruktur bleibt identisch mit dem Standardformat.

Copyfrom openai import OpenAI

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

Überprüfen Sie, ob die Antwort den generierten Text enthält. Wenn Sie einen 401-Fehler erhalten, ist Ihr Schlüssel ungültig. Ein 402-Fehler zeigt unzureichendes Prepaid-Guthaben an. Fehler während der Generierung verbrauchen keine Tokens, also zahlen Sie nur für erfolgreiche Ausgaben.

Streaming-Antworten und Nutzungsverfolgung

Aktivieren Sie Streaming, indem Sie stream=True in Ihrer Client-Konfiguration. Die API gibt Server-Sent Events (SSE) für jedes generierte Token zurück. Dies ermöglicht es Ihnen, Text in Echtzeit anzuzeigen, während Sie auf die vollständige Antwort warten. Nutzungsdaten, einschließlich der Token-Anzahlen für Input und Output, sind im letzten Chunk des Streams enthalten. Dieser Ansatz reduziert die wahrgenommene Latenz bei langen Ausgaben. Er funktioniert nahtlos mit den Standard-SDKs.

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)

Behandeln Sie Streaming-Unterbrechungen ordnungsgemäß. Netzwerkausfälle können zu teilweisen Antworten führen. Prüfen Sie immer den letzten Chunk für genaue Token-Nutzungsstatistiken. Dies stellt sicher, dass Ihr Abrechnungsdashboard dem tatsächlichen Verbrauch entspricht.

Parameter: Temperatur, Top-p und Seed

Kreativität und Reproduzierbarkeit mit Standard-Generierungsparametern steuern. Die temperature Wert passt die Zufälligkeit an, wobei niedrigere Werte deterministischere Ausgaben erzeugen. Verwenden top_p die Abtastung auf die wahrscheinlichsten Token-Massenanteile zu beschränken. Legen Sie seed um den Zufallszustand für reproduzierbare Ergebnisse über mehrere Aufrufe hinweg festzulegen. Diese Parameter funktionieren identisch zum OpenAI-Standard. Passen Sie sie basierend auf Ihrem Anwendungsfall an, sei es beim Coden oder beim kreativen Schreiben.

Copyimport OpenAI from "openai";

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

Kombinieren Sie diese Einstellungen für präzise Kontrolle. Eine niedrige Temperatur mit einem festen Seed gewährleistet beispielsweise konsistente Ausgaben für Tests. Das Modell unterstützt alle Standardparameter wie stop Sequenzen und presence_penalty. Experimentiere, um das richtige Gleichgewicht für dein spezifisches Projekt zu finden.

Function Calling und JSON-Modus

Nutze Function Calling, um die API in deine Anwendungen zu integrieren. Definiere Tools im Anfragekörper, und das Modell gibt strukturiertes JSON mit Funktionsargumenten zurück. Aktiviere den JSON-Modus, indem du response_format zu {"type": "json_object"}. Dies stellt sicher, dass die Ausgabe immer gültiges JSON ist, was das Parsen vereinfacht. Verwenden Sie dies für die Datenextraktion oder strukturierte Antworten. Das Modell verarbeitet komplexe Tool-Definitionen effizient.

Copycurl https://api.claudeprecio.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Calculate total cost for 10 million input tokens and 3 million output tokens"}]
  }'

Teste Function Calling mit einer einfachen Tool-Definition. Überprüfe, ob das Modell das Tool-Schema einhält. Der JSON-Modus ist besonders nützlich, wenn du vorhersagbare Ausgabestrukturen benötigst. Kombiniere ihn mit Streaming für die Echtzeit-Datenverarbeitung. Dieses Feature macht die API für produktionsreife Anwendungen geeignet.

Limits, Fehler und Kontextfenster

Das Context-Window unterstützt 100.000 Tokens für kombinierten Prompt und Completion. Die maximale Ausgabe pro Anfrage beträgt 16.000 Tokens. Wenn max_tokens ist nicht festgelegt, beträgt die Standardgrenze 2.048. Sie dürfen 300 Anfragen pro Minute pro Schlüssel stellen. Die Parallelität ist auf 8 gleichzeitige Anfragen pro Schlüssel begrenzt. Der Anforderungstext darf 8 MB nicht überschreiten. Fehler wie 401, 402 und 429 werden über standardmäßige HTTP-Statuscodes behandelt. Die Token-Nutzung wird genau abgerechnet, Fehler sind kostenlos.