Unlimitierte KI-API-Anwendungsfälle: Sechs Nutzungsszenarien vom Rollenspiel bis zum Agent-Backend

Zunächst die Voraussetzung: Nur für Erwachsene und legale Nutzung

Dieses API richtet sich an Nutzer ab 18 Jahren und dient ausschließlich legalen Zwecken. Legale Erwachseneninhalte, fiktive Kreationen und kontroverse Themen werden nicht abgelehnt. Sexuelle Inhalte mit Minderjährigen werden jedoch immer blockiert und geben 403 mit dem Fehlercode content_blocked zurück. Wenn du Produkte für Endnutzer baust, musst du die Altersprüfung, die Meldung von Inhalten und das Account-Management in deiner eigenen Anwendung übernehmen; diese Verantwortung liegt beim Produktanbieter, das Interface übernimmt dies nicht für dich.

Im Folgenden werden sechs typische Anwendungsfälle behandelt. Für jeden Fall wird beschrieben, was er wirklich benötigt, ein direkt anpassbarer System-Prompt bereitgestellt und die Kosten anhand der Preise berechnet. Die Preise betragen $0,25 pro Million Input-Token und $1,00 pro Million Output-Token, Prepaid, ohne monatliche Gebühren. Die Token-Anzahlen sind typische Werte, die ich für die Schätzung angenommen habe. Dein tatsächlicher Verbrauch richtet sich nach der usage-Angabe in der Antwort. Die Schätzung dient nur der Einschätzung der Größenordnung. Zur Aufrufweise siehe Code-Beispiele.

Ein weiterer allgemeiner Rat: Der system-Prompt sollte in jedem Szenario präzise formuliert sein. Das unzensierte Modell lehnt dich nicht ab, errät aber auch nicht, was du willst. Je klarer Rolle, Ton, Länge und Tabus definiert sind, desto stabiler ist die Ausgabe.

Rollenspiel- und Begleit-Apps (nur für Erwachsene)

Dies ist die Kategorie mit dem höchsten Bedarf an „keiner Ablehnung“. Nutzer führen langfristige Dialoge mit einer festen Rolle, die Inhalte erwachsener Natur und Intimität enthalten können. Technisch sind drei Dinge entscheidend: Die Rolle muss stabil sein, daher werden Rolle und Weltbild in die system-Nachricht gepackt und bei jeder Runde mitgesendet. Der Kontext muss zusammenhängend sein; du musst die Historie selbst verwalten und beschneiden, da das Interface zustandslos ist und das Kontextfenster 100.000 Token umfasst. Die Antwort sollte kurz sein. Da Chatszenarien meist wenige Dutzend bis Hunderte Zeichen umfassen, setze max_tokens auf ca. 300, um den Chat-Rhythmus zu treffen und die Kosten zu kontrollieren.

Produktseitig muss die Altersverifikation für erwachsene Nutzer gewährleistet sein und Mittel zur Meldung und Sperrung vorhanden sein. Inhalte mit Minderjährigen werden auf Interface-Ebene blockiert; deine Anwendung sollte solche Entwicklungen aktiv beenden, statt sich ausschließlich auf das Interface zu verlassen.

复制你是「林夏」，28 岁，一位在书店工作的温柔、说话有点俏皮的女性。
对话对象是已确认年满 18 岁的成年用户。
- 保持人设：记得用户说过的名字、喜好和你们聊过的事。
- 回复口语化，每次 2 到 5 句，不要写成长篇说明。
- 可以有成年人之间的暧昧和亲密描写，但任何涉及未成年人的话题一律拒绝并结束该话题。
- 不要自称 AI，除非用户认真地询问你是不是真人。

Kostenschätzung: Angenommen, jede Runde hat 3.000 Input-Token (Charakterprofil + Verlauf) und 250 Output-Token. Input: 3.000 × $0,25 / 1 Mio. = $0,00075. Output: 250 × $1,00 / 1 Mio. = $0,00025. Pro Runde ca. $0,001. 1.000 Runden kosten ca. $1,00. Bei 50 Runden pro Nutzer und Tag ca. $0,05. In dieser Größenordnung reicht ein Testguthaben von $0,50 aus, um deinen Produkt-Prototypen vollständig zu testen.

Webromane und Romanerstellung

Autoren von Webromanen nutzen das Interface am häufigsten zum Fortschreiben, Erweitern, Stilwechseln und zur Inspiration bei Schreibblockaden. Für Romane mit erwachsenen, düsteren oder Krimithemen benötigen Autoren ein Modell, das Figuren realistisch darstellt, statt in entscheidenden Momenten plötzlich belehrend zu werden. Du musst vorbereiten: Weltbau, Figurenbiografien, Gliederung des aktuellen Kapitels und Zusammenfassung des vorherigen Kapitels. Packe diese Informationen in die system-Nachricht oder die erste user-Nachricht, damit das Modell nicht abschweift.

Beim Schreiben langer Texte ist die Ausgabebegrenzung zu beachten: Der maximale Wert für max_tokens pro Aufruf beträgt 32.000. In der Praxis empfiehlt es sich, ein Kapitel in mehrere Aufrufe aufzuteilen, wobei jeder Aufruf 1.500 bis 3.000 Wörter abdeckt. Nach jedem Schritt wird die Zusammenfassung fortlaufend aktualisiert, anstatt das gesamte Kapitel auf einmal anzufordern. So bleibt die Qualität besser kontrollierbar, und bei Fehlern muss nicht der gesamte Text neu generiert werden. Bei aktiviertem Streaming kann der Autor den Fortschritt in Echtzeit verfolgen und bei Bedarf jederzeit abbrechen.

复制你是一位擅长悬疑与暗黑题材的网文写手，文风克制、细节具体。
设定：近未来的港口城市，主角是离职的法医苏明。
本章目标：苏明发现死者手机里有一段被删除的录音。
要求：
- 第三人称，过去时，约 1500 字。
- 对话自然，不要解释性旁白。
- 可以有暴力和阴暗情节的描写，但不要写成教程。
- 结尾留一个悬念，不要总结。

Kostenschätzung: Wir gehen von 6.000 Input-Token pro Anfrage (Rollen, Gliederung, Zusammenfassung) und 4.000 Output-Token (ca. 3.000 Wörter, da das Verhältnis von Zeichen zu Token je nach Text variiert, schätzen wir hier konservativ mit etwas mehr als 1 Token pro Wort). Input kostet $0,0015, Output $0,004, eine Anfrage also ca. $0,0055. 100 Anfragen kosten etwa $0,55. Für einen Roman mit einer Million Wörter (bei 3.000 Wörtern pro Anfrage) sind über 330 Anfragen nötig, insgesamt weniger als $2.

Spiel-NPCs und Handlungsgenerierung

NPC-Dialoge in Spielen zeichnen sich durch zwei Merkmale aus: hohes Volumen und kurze Einzeltexte. Die Anforderungen sind eine ausgeprägte Persönlichkeit und die Einhaltung der Handlungsvorgaben (z. B. was der NPC weiß und was nicht). In Spielen mit erwachsenen Inhalten, düsterem Stil oder Schimpfwörtern würde ein Modell mit Ablehnungslogik die Figur in entscheidenden Momenten aus der Rolle fallen lassen, was das Spielerlebnis beeinträchtigt. Der Wert des unzensierten Modells liegt hier darin, dass der Stil nicht unterbrochen wird.

In der Implementierung empfehlen wir, den Wissensbereich des NPCs und den aktuellen Aufgabenstatus in den System-Prompt zu übernehmen, die Spieleräußerungen in die User-Nachricht. Setze max_tokens auf 100 bis 150. Für Events wie Türen öffnen, Handel oder Kämpfe kannst du Function Calling nutzen, damit das Modell strukturierte Aktionen zurückgibt, anstatt sie im Text zu parsen. Den vollständigen Workflow für Function Calling findest du auf der Code-Beispiel-Seite. Beachte: Pro Schlüssel sind 300 Anfragen pro Minute erlaubt. Für hochparallele Multiplayer-Spiele solltest du auf Serverseite Warteschlangen und Caching einrichten und auf 429-Fehler mit Backoff reagieren.

复制你是边境酒馆的老板「老鲍勃」，粗声粗气，爱讲脏话，但对熟客讲义气。
你知道：镇上最近丢了三批货；你怀疑是北门守卫干的，但没有证据。
你不知道：地下仓库的位置。玩家问到时，要装作不知道。
规则：只用一到三句话回答，保持角色，不要提到游戏、玩家或系统。

Kostenschätzung: Angenommen, jede Konversation hat 800 Input-Token und 120 Output-Token. Input: $0,0002. Output: $0,00012. Ein Aufruf kostet ca. $0,00032. 10.000 NPC-Dialogzeilen kosten ca. $3,20. Für ein Spiel mit Dutzenden NPCs liegen die Kosten für Entwicklung und Tests typischerweise im einstelligen Dollarbereich.

Content-Moderation und Red-Teaming: Eigene Testdaten generieren

Teams, die Inhaltsmoderation betreiben, stehen vor einem unlösbaren Problem: Um Moderationsmodelle oder -regeln zu testen, braucht man viele «Verstöße»-Proben, echte Proben sind aber schwer zu bekommen und manuell zu erstellen zu langsam. Modelle, die ablehnen, helfen nicht, weil sie selbst keine Testproben generieren wollen. Mit dieser API kannst du Testdaten für dein eigenes Moderationssystem kategorienweise in großen Mengen generieren, z. B. verschiedene Varianten von Beleidigungen, Spam, Betrugsmaschen und zweideutigen Formulierungen, um die Recall-Rate zu bewerten, Schwellenwerte anzupassen und Regressionstests durchzuführen.

Die Herangehensweise beim Red-Teaming ist ähnlich: Für ein eigenes Chat-Produkt werden massenhaft knifflige Benutzereingaben generiert, um zu prüfen, ob die eigenen Schutzmechanismen durchbrochen werden können. Hier ist eine Abgrenzung wichtig: Die generierten Daten dienen ausschließlich dem eigenen Testumfeld und werden nicht zur Belästigung oder zum Betrug echter Personen verwendet. Sexuelle Inhalte mit Minderjährigen werden unabhängig vom Verwendungszweck nicht generiert; das Interface gibt direkt 403 zurück.

Ingenieurtechnisch empfiehlt es sich, das Modell JSON ausgeben zu lassen, jede Probe mit Kategorien- und Intensitätslabeln zu versehen und pro Anfrage ca. 20 Proben zu generieren, die lokal dedupliziert werden. Nutze verschiedene Prompt-Varianten, um die Abdeckung zu gewährleisten.

复制你在为一个社区论坛的内容审核系统生成测试数据，数据只用于内部评估。
任务：生成 20 条「辱骂类」评论，覆盖从轻微讽刺到明显人身攻击四个强度等级。
输出 JSON 数组，每项形如：{"text": "...", "level": 1}
要求：
- 语言为简体中文，口吻像真实论坛用户，长短不一。
- 不要包含真实人名、电话号码或真实地址。
- 只输出 JSON，不要任何解释。

Kostenschätzung: Pro Request: 500 Input-Tokens, 2.000 Output-Tokens (20 Samples). Kosten: Input $0,000125, Output $0,002, ca. $0,0021. 10.000 Samples (500 Requests): ca. $1,06.

Forschung zu sensiblen Themen

Forscher aus den Sozialwissenschaften, Journalismus, Recht und öffentlicher Politik müssen häufig mit kontroversen Materialien umgehen: extreme Äußerungen, Kriminalfälle, historische Gewalttaten, politische und soziale Streitthemen. Generische Modelle lehnen solche Materialien oft ab, weichen aus oder geben standardisierte Antworten wie „Es gibt Argumente für beide Seiten“. Für Forschungsszenarien ist ein Modell erforderlich, das bereit ist, realistisch zu synthetisieren, zu vergleichen und zu strukturieren, anstatt Werturteile für den Forscher zu treffen.

Diese Aufgaben zeichnen sich durch lange Inputs und kurze Outputs aus: Ein Dokument oder eine Textmenge wird eingespeist, und es wird eine strukturierte Zusammenfassung oder Annotation benötigt. Der Prompt sollte den Analyserahmen klar definieren, z. B. welche Dimensionen extrahiert werden sollen, ob Originalzitate erforderlich sind und ob zwischen Fakten und Meinungen unterschieden werden soll. Das Kontextfenster von 100.000 Token reicht aus, um einen langen Bericht aufzunehmen. Wichtig: Analyse bedeutet keine Befürwortung. Die Ergebnisse müssen vom Forscher selbst verifiziert werden, insbesondere bei Fakten und Daten.

复制你是一位社会科学研究助理。下面是一份关于争议性议题的原始文本。
请完成：
1. 用不超过 150 字概括文本的核心主张。
2. 列出文本使用的三种主要论证手法，并各引用一句原文。
3. 区分「事实性陈述」和「观点或价值判断」，分两栏列出。
4. 指出文本中缺乏证据支持的断言。
保持中立，只分析，不评价立场对错，不补充文本之外的事实。

Kostenschätzung: Angenommen, jedes Dokument hat 20.000 Input-Token und 1.500 Output-Token. Input: $0,005. Output: $0,0015. Ein Dokument kostet ca. $0,0065. Die Analyse von 200 Dokumenten kostet ca. $1,30. Längere Inputs verschieben die Kosten zugunsten der Input-Seite, aber da der Input-Preis niedrig ist, bleibt die Massenverarbeitung kostengünstig.

Agent-Backend: Automatisierte Abläufe ohne Unterbrechungen durch Ablehnungen

Agenten-Anwendungen wie automatisierte Recherche, Datenbereinigung oder mehrstufige Aufgaben sind besonders anfällig dafür, dass die Pipeline abbricht, wenn das Modell in Schritt fünf plötzlich ablehnt. Solche Anwendungen benötigen Stabilität, Vorhersagbarkeit und Function Calling. Hier werden OpenAI-kompatible tools und tool_choice unterstützt. Daher können gängige Agenten-Frameworks, die eine benutzerdefinierte Base-URL unterstützen, direkt angebunden werden.

Bei der Agent-Entwicklung sind folgende Punkte zu beachten: Erstens die Begrenzung der Schleifenanzahl durch ein Maximum an Schritten, um Endlosschleifen bei der Tool-Nutzung zu verhindern. Zweitens die Validierung der Tool-Parameter in jedem Schritt; vertraue den Modellausgaben nicht blind. Drittens Retry-Logik für 429 und 503 sowie Warnungen bei 402, da ein Guthabenmangel während langer Aufgaben zum Scheitern führt. Viertens: Da nur ein Modell vorhanden ist, übernehmen Planung, Ausführung und Zusammenfassung dasselbe Modell, unterschieden werden die Rollen lediglich durch verschiedene system-Prompts.

复制你是一个任务执行 Agent。你可以调用提供的工具完成用户目标。
规则：
- 每一步先用一句话说明要做什么，再调用工具。
- 最多执行 8 步；如果 8 步内无法完成，汇报目前进度和卡住的原因。
- 工具返回错误时，换一种方式重试一次，仍失败就如实报告。
- 不要编造工具没有返回的数据。
- 完成后用简短的要点总结结果。

Kostenschätzung: Wir gehen von einer durchschnittlichen Aufgabe mit 6 Runden aus, jede Runde mit 8.000 Input-Token (historische Daten inkl. Tool-Ergebnisse) und 400 Output-Token. Die Input-Gesamtmenge beträgt 48.000 Token (ca. $0,012), die Output-Gesamtmenge 2.400 Token (ca. $0,0024). Eine Aufgabe kostet also etwa $0,0144. 1.000 Aufgaben kosten etwa $14,40. Die Kosten für Agenten entstehen hauptsächlich durch die wiederholte Übermittlung der Historie in jeder Runde. Die direkteste Möglichkeit, Geld zu sparen, besteht darin, die Tool-Ergebnisse zu komprimieren, bevor sie in den Kontext zurückgeschrieben werden. Weitere Preisinformationen findest du auf der Preisseite.