Przykład trybu unhinged Grok: prompty i wywołania API

Co oznacza etykieta „unhinged” i czym to się różni

„Unhinged” stało się potocznym określeniem stylu rozmowy w produkcie czatowym Grok od xAI: beztroski, sarkastyczny, skłonny do przekleństw, niechętny do wykładów przed odpowiedzią. Jeśli szukasz przykładu trybu unhinged Grok dla swojej aplikacji, kluczowe pytanie brzmi, które elementy tego stylu możesz odtworzyć przez API.

Wszystko, w praktyce, bo styl to głównie instrukcja. Ta strona obsługuje jeden model o otwartych wagach, hostowany przez niezależnego dostawcę i nastawiony na odpowiadanie bez odrzucania treści dla użytkowników pełnoletnich. To nie jest API Grok i nie jest powiązane z xAI. Otrzymujesz brak odrzuceń plus swobodę ustawiania tonu własnym promptem systemowym.

Uwaga o uczciwości: poniższe przykłady pokazują zapytania dokładnie tak, jak je wyślesz, i opisują rodzaj odpowiedzi, jakiej możesz oczekiwać. Wygenerowany tekst różni się przy każdym uruchomieniu, więc nie wklejam pojedynczego przykładu i nie nazywam go typowym. Uruchom każdy z nich swoim własnym kluczem i przeczytaj wynik. Kredyt próbny to pokryje.

Każdy przykład wymaga tych samych trzech elementów konfiguracji: base URL https://api.unhingedgrok.com/v1, klucza bearer w nagłówku Authorization i model ID uncensored. Jeśli wyślesz jedno, wyślesz wszystkie pięć, a każdy klient kompatybilny z OpenAI zaakceptuje te same wartości. Wybierz język, w którym już pracujesz, i pomiń pozostałe.

Przykład 1: brutalna persona recenzenta

Najprostszy test to prompt systemowy zmieniający nastawienie, nic więcej. Zapytanie prosi o opinię o funkcji, a persona ma być bezpośrednia, a nie grubiańska dla samej grubiaństwa.

Copycurl https://api.unhingedgrok.com/v1/chat/completions \
  -H "Authorization: Bearer YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "temperature": 0.9,
    "messages": [
      {"role": "system", "content": "You are a grumpy senior engineer. Say what is wrong in plain words, no compliments, no hedging, at most 120 words."},
      {"role": "user", "content": "Review: def avg(xs): return sum(xs)/len(xs)"}
    ]
  }'

Oczekuj krótkiej, opiniotwórczej odpowiedzi wskazującej na dzielenie przez pustą listę i prawdopodobnie narzekającej na brak hintów typów. Bez promptu systemowego to samo pytanie zwykle zwraca zrównoważoną, uprzejmą recenzję. Ta luka między dwiema odpowiedziami to cały „tryb”.

Przykład 2: scena mrocznej fikcji

Tu odrzucenia bolą najbardziej w innych usługach. Pisarz thrillerów potrzebuje groźnego antagonisty, a scena z zagrożeniem powinna brzmieć jak zagrożenie. Trzymaj się dorosłych postaci i legalnej fikcji.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.unhingedgrok.com/v1", api_key="YOUR_KEY")

resp = client.chat.completions.create(
    model="uncensored",
    temperature=0.95,
    frequency_penalty=0.4,
    seed=42,
    messages=[
        {"role": "system", "content": "You write adult crime fiction in a cold, precise voice. No disclaimers, no moralising. All characters are adults."},
        {"role": "user", "content": "Scene: a loan shark visits a bakery owner who is three weeks late. Under 300 words, ending on the owner's decision."},
    ],
)
print(resp.choices[0].message.content)

Na co zwracać uwagę: napięcie przenoszone przez dialogi i detale, brak akapitu na końcu wyjaśniającego, że zastraszanie jest złe, oraz zakończenie szanujące Twój krótki opis. Jeśli głos jest zbyt płaski, zwiększ temperaturę o jeden stopień. Jeśli powtarza frazy, zwiększ frequency_penalty. Ustawienie seed pozwala ponowić dokładnie to samo zapytanie i porównać wyniki po edycji jednej linii promptu.

Przykład 3: tryb JSON dla postaci i danych gry

Mniej filtrowane nie oznacza mniej ustrukturyzowane. Tryb JSON działa na tym samym modelu, co jest wygodne przy generowaniu NPC, haczyków questów lub drzew dialogowych do parsowania przez kod gry.

Copycurl https://api.unhingedgrok.com/v1/chat/completions \
  -H "Authorization: Bearer YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "response_format": {"type": "json_object"},
    "messages": [
      {"role": "system", "content": "Return only JSON with keys name, age, secret, catchphrase. Characters are adults."},
      {"role": "user", "content": "Create a corrupt harbour inspector for a noir game."}
    ]
  }'

Wspomnij o słowie JSON i kluczach w promptcie, jak wyżej; to niezawodny sposób na uzyskanie pożądanej struktury. W każdym razie sparsuj wynik w bloku try. Ucięta odpowiedź to zwykle przyczyna błędu parsowania, więc sprawdź finish_reason zanim obwinisz model.

Przykład 4: wywoływanie funkcji dla mistrza gry

Narrator RPG, który wymyśla wyniki rzutów kostką, jest łatwy do złapania na oszustwie. Daj mu narzędzie i pozwól swojemu kodowi rzucać. Wywoływanie funkcji (tool calling) podąża za formatem OpenAI: tools, tool_choice, a wyniki zwracane są jako wiadomości z rolą tool.

Copyimport json, random
from openai import OpenAI

client = OpenAI(base_url="https://api.unhingedgrok.com/v1", api_key="YOUR_KEY")

tools = [{
    "type": "function",
    "function": {
        "name": "roll_dice",
        "description": "Roll a die with the given number of sides",
        "parameters": {
            "type": "object",
            "properties": {"sides": {"type": "integer"}},
            "required": ["sides"],
        },
    },
}]

messages = [
    {"role": "system", "content": "You are a ruthless game master. Use roll_dice for any risky action and narrate the result."},
    {"role": "user", "content": "I try to pick the lock on the warlord's strongbox."},
]

first = client.chat.completions.create(model="uncensored", messages=messages, tools=tools)
call = first.choices[0].message.tool_calls[0]
sides = json.loads(call.function.arguments)["sides"]

messages.append(first.choices[0].message)
messages.append({"role": "tool", "tool_call_id": call.id, "content": str(random.randint(1, sides))})

final = client.chat.completions.create(model="uncensored", messages=messages, tools=tools)
print(final.choices[0].message.content)

W produkcji sprawdź, czy tool_calls jest obecny przed zindeksowaniem go. Model może uznać, że wyłamanie zamka nie wymaga rzutu, zwłaszcza przy niskiej temperaturze.

Przykład 5: strumieniowanie odpowiedzi w miarę jej pisania

Aplikacje czatowe działają lepiej, gdy tekst pojawia się słowo po słowie. Ustaw stream na true i czytaj fragmenty SSE; zużycie zasobów pojawia się na końcu.

Copyimport OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api.unhingedgrok.com/v1",
  apiKey: process.env.API_KEY,
});

const stream = await client.chat.completions.create({
  model: "uncensored",
  stream: true,
  messages: [
    { role: "system", content: "You are a deadpan late-night host. Two paragraphs, dry humour." },
    { role: "user", content: "Roast my plan to rewrite the whole app over a weekend." },
  ],
});

for await (const chunk of stream) {
  process.stdout.write(chunk.choices[0]?.delta?.content ?? "");
}

Strumieniowane zapytanie zajmuje slot równoległości do końca strumienia. Na kluczu próbnym z limitem 2 równoległych zapytań dwa otwarte strumienie oznaczają, że trzecie wywołanie zwróci 429 z kodem concurrency. Zamykaj strumienie, których już nie czytasz.

Dopasowanie tonu, gdy podstawy działają

Po pierwszym uruchomieniu większość wysiłku idzie na drobne korekty. Te same pięć zapytań można popchnąć w bardzo różnych kierunkach bez zmiany modelu lub endpointu.

Uruchom test A/B na promptcie systemowym

Wyślij jedną wiadomość użytkownika dwa razy z tym samym seed, raz bez wiadomości systemowej, a raz ze swoją personą. Ponieważ seed jest stały, różnica między dwiema odpowiedziami wynika z wiadomości systemowej, a nie z szczęścia przy próbkowaniu. Zrób to przed napisaniem długiego promptu i ponownie po każdej edycji. Jeśli zdanie w Twoim promptzie nie zmienia wyniku, usuń je i zaoszczędź tokeny wejściowe.

Opisz nastawienie, nie etykietę

Słowo „unhinged” mówi modelowi bardzo mało. Linia typu „najpierw odpowiedz na pytanie, potem dodaj jedną szczerą, lekko grubiańską obserwację” daje mu coś do wykonania. To samo dotyczy sarkazmu: nazwij cel (plan, kod, sytuacja), żeby żarty trafiały w coś innego niż użytkownik.

Zachowaj tryb zwykły obok luzackiego

Większość aplikacji potrzebuje obu. Funkcja czatu może chcieć beztroskiego głosu, podczas gdy część generująca podsumowania zamówień lub komunikaty o błędach potrzebuje neutralnego tonu. Trzymaj dwa prompty systemowe w kodzie i wybieraj jeden na każde wywołanie. Model ID i endpoint pozostają te same, więc przełączanie nic nie kosztuje.

Pilnuj długości

Luzackie persony gadają. W promptcie określ zakres słów, np. "poniżej 150 słów", a zobaczysz krótsze, zwięzłe odpowiedzi i mniejszy rachunek za wyjście. Tokeny wyjściowe kosztują więcej niż tokeny wejściowe: $0,50 za 1 mln wobec $0,15, więc skracanie odpowiedzi to najtańsza oszczędność.

Uruchamianie przykładów tanio i co jest wyłączone

Każdy przykład jest mały. Załóżmy, że jedno uruchomienie wysyła 400 tokenów wejściowych i otrzymuje 600 na wyjściu. Wejście kosztuje 400 x $0,15 / 1 000 000 = $0,00006, wyjście kosztuje 600 x $0,50 / 1 000 000 = $0,0003, więc uruchomienie kosztuje $0,00036. Kredyt próbny $0,50 pokryje znacznie ponad tysiąc takich uruchomień, choć okno 7 dni i limit 2 równoległych zapytań to prawdziwe ograniczenia. Pełne szczegóły znajdziesz na stronie z cenami.

Aby zacząć, utwórz swój klucz i postępuj zgodnie z quickstart dotyczącym konfiguracji klienta. Płatność za większe doładowania to tylko kryptowaluty, USDT na TRC20 lub USDC na Base.

Do każdego przykładu stosują się dwie granice. Model jest tylko tekstowy, więc brak obrazów, audio ani embeddingów. A seksualna treść z udziałem nieletnich jest zawsze zabroniona. Wszystko inne tutaj dotyczy literatury dla dorosłych i legalnego użytkowania, a tam właśnie model bez odrzuceń się sprawdza.

Więcej przewodników

• Prompt Grok unhinged: Systemowe prompty, które działają
• API LLM bez cenzury: alternatywa dla Grok API