Grok 放飛模式範例：提示詞與 API 呼叫

「放飛」標籤的含義，以及此處的不同之處

"放飛"成為 xAI Grok 聊天產品的對話風格暱稱：不拘小節、諷刺、容易爆粗口、在回答前不愛說教。如果你想在自家應用程式中複製 Grok 放飛模式的範例，關鍵問題在於你能透過 API 重現該風格的哪些部分。

實務上全部都可以，因為風格主要取決於指令。本站運行單一開放權重模型，由獨立業者託管，並調整為在法律允許的成人用途下不進行內容審查。這不是 Grok API，也與 xAI 無隸屬關係。你得到的是沒有審查拒絕，以及透過系統提示詞自行設定語氣的自由。

誠實說明：以下範例會完整展示你會發送的請求，並描述預期回應的類型。每次執行的生成文字都會不同，因此我不貼上單一範例並稱其為典型。請使用你自己的金鑰執行每一項並閱讀結果。試用額度足以涵蓋這些執行成本。

每個範例都使用相同的三個設定：Base URL https://api.unhingedgrok.com/v1、Authorization 標頭中的 Bearer 金鑰，以及模型 ID uncensored。如果你能發送其中一個，你就能發送全部五個，且任何 OpenAI 相容的客戶端都會接受相同的值。選擇你已經使用的語言並跳過其他選項。

範例 1：直率的評論者人設

最簡單的測試是僅改變態度的系統提示詞。請求要求對某個函式提供意見，並指示該人格要直接，而非為了粗魯而粗魯。

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)"}
    ]
  }'

預期會得到簡短且具觀點的回答，指出空列表除法問題，並可能會抱怨缺少型別提示。若沒有系統提示詞，同樣的問題通常會返回平衡且友善的評論。這兩則回覆之間的差距就是整個「模式」。

範例 2：黑暗小說場景

在其他服務上，拒絕回應最讓人困擾。驚悚小說作家需要一個令人毛骨悚然的反派，帶有威脅的場景讀起來應該就像威脅。保持關於成人角色和合法小說。

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)

要留意的是：由對話與細節推動的張力、結尾沒有段落解釋為何威嚇是錯的，以及符合你簡報要求的結尾。如果語氣過於平淡，請調高 temperature。如果重複用詞，請調高 frequency_penalty。設定 seed 可讓你重新執行相同的請求，並在修改提示詞的一行後進行比較。

範例 3：用於角色與遊戲資料的 JSON 模式

較少過濾不等於結構較少。JSON 模式使用相同的模型，這使得生成你的遊戲程式碼可解析的 NPC、任務鉤子或對話樹變得非常方便。

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."}
    ]
  }'

在提示詞中提及 JSON 關鍵字與鍵，如上所述；這是獲得預期結構的可靠方法。無論如何，請在 try 區塊內解析結果。截斷的回覆通常是解析錯誤的原因，因此在怪罪模型之前，請檢查 finish_reason。

範例 4：用於遊戲主持人的工具呼叫

會捏造骰子結果的敘事者很容易被抓到作弊。給它一個工具，讓你的程式碼來投擲。工具呼叫遵循 OpenAI 格式：tools、tool_choice，以及以 role 為 tool 的訊息形式回傳結果。

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)

在生產環境中，請在進行索引存取前檢查 tool_calls 是否存在。模型可能會認為撬鎖不需要投擲，特別是在低 temperature 下。

範例 5：串流輸出正在撰寫的回覆

當文字逐字出現時，聊天應用程式的體驗會更好。將 stream 設為 true 並讀取 SSE 區塊；用量資訊會在最後到達。

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 ?? "");
}

串流請求會佔用並行槽位直到串流結束。在具有 2 個並行請求的試用金鑰上，兩個開啟的串流意味著第三個呼叫會回傳 429 錯誤，代碼為 concurrency。關閉你不再讀取的串流。

在基礎運作後調整語氣

第一次執行後，大部分精力都花在微小的調整上。相同的五個請求可以在不改變模型或端點的情況下推向截然不同的方向。

對系統提示詞進行 A/B 測試

使用相同的 seed 發送兩次使用者訊息，一次沒有系統提示詞，一次帶有你的人設。由於 seed 是固定的，兩則回覆之間的差異來自系統提示詞，而非採樣過程的隨機性。在撰寫長提示詞之前執行此操作，並在每次編輯後再次執行。如果提示詞中的某個句子沒有改變輸出，請刪除它並節省輸入 token。

描述態度，而非標籤

"脫序"這個詞對模型來說意義不大。像「你先回答問題，然後加上一個誠實且略帶粗魯的觀察」這樣的行，能給它具體的執行內容。諷刺也是如此：指定目標（計畫、程式碼、情況），讓笑話落在具體事物上，而不是使用者身上。

在鬆散模式旁邊保留普通模式

大多數應用程式都需要兩者。聊天功能可能想要戲謔的語氣，而負責撰寫訂單摘要或錯誤訊息的部分需要中性語氣。在程式碼中保留兩套系統提示詞，並為每次呼叫選擇一個。模型 ID 和端點保持不變，因此切換成本為零。

注意長度

鬆散的人設會漫談。在提示詞中設定字數範圍，例如「150 字以內」，你會看到更短、更精闢的回覆以及較小的輸出帳單。輸出 token 的費用高於輸入 token，每 100 萬個輸出 token 為 $0.50，而輸入為 $0.15，因此縮短回覆是最便宜的節省方式。

以低成本執行範例，以及哪些內容受限

每個範例都很小。假設一次執行發送 400 個輸入 token 並回傳 600 個。輸入費用為 400 x $0.15 / 1,000,000 = $0.00006，輸出費用為 600 x $0.50 / 1,000,000 = $0.0003，因此該次執行費用為 $0.00036。$0.50 的免費試用額度足以涵蓋超過一千次此類執行，不過 7 天期限和並行請求上限為 2 才是真正的限制。完整詳情請見 定價頁面。

首先，建立你的金鑰 並遵循 快速入門 進行客戶端設定。較大儲值的付款僅接受加密貨幣，TRC20 上的 USDT 或 Base 上的 USDC。

每個範例都適用兩個限制。模型僅限文字，因此沒有影像、音訊或嵌入。且涉及未成年人的性內容永遠不被允許。此處的其他內容都關於成人小說與合法用途，這也是無審查模型發揮作用的地方。

更多指南

• 放飛 Grok 提示詞：有效的系統提示詞
• 無審查 LLM API：Grok API 替代方案