登录火山引擎方舟平台获取模型接口

使用豆包扫码登录火山引擎方舟平台,创建API-Key
在这里插入图片描述
创建模型推理接入点
在这里插入图片描述
选择一个大模型,例如豆包2.1;学习测试足够用
在这里插入图片描述

使用Python调用火山的模型引擎

import requests
from requests import RequestException

# ========== 必须替换成你自己的配置 ==========
API_KEY = "ark-xxxx"          # 比如 ak-xxxxxx 火山方舟页面获取
MODEL_ENDPOINT = "ep-xxxxx"  # 比如 ep-xxxxxx 火山方舟页面获取
# =========================================

BASE_URL = "https://ark.cn-beijing.volces.com/api/v3/chat/completions"


def chat_once(user_input):
    """
    单轮对话:调用豆包大模型,输入问题返回回答
    :param user_input: 用户提问内容
    :return: 模型回答文本
    """
    # 请求头:鉴权 + 内容格式
    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {API_KEY}"
    }

    # 请求体:标准大模型对话格式
    payload = {
        "model": MODEL_ENDPOINT,
        "temperature": 0.6,
        "messages": [
            # system:全局规则,给模型定人设、输出要求
            {"role": "system", "content": "你是简洁的技术助手。"},
            # user:用户提问
            {"role": "user", "content": user_input}
        ]
    }

    try:
        # 发送POST请求,json参数自动序列化
        resp = requests.post(BASE_URL, headers=headers, json=payload, timeout=60)
        resp.raise_for_status()  # 状态码非200直接抛异常
        result = resp.json()    # 把响应JSON解析成Python字典

        # 提取回答内容,固定结构:choices[0].message.content
        answer = result["choices"][0]["message"]["content"]
        return answer

    except RequestException as e:
        return f"请求失败:{e}"
    except (KeyError, IndexError):
        return "解析响应格式失败,请打印完整返回体排查"


# ========== 测试运行 ==========
if __name__ == "__main__":
    question = "Agent是什么,通俗解释,一句话。"
    answer = chat_once(question)
    print(f"问:{question}")
    print(f"答:{answer}")

输出

问:Agent是什么,通俗解释,一句话。
答:AI领域的Agent(智能体)是不用你一步步下细指令,能自己规划步骤、调用工具,主动完成指定目标的「AI实干者」。

豆包API返回结果解析

{
  // 回答结果数组,默认返回1条;可通过请求参数 n 控制一次返回多条候选回答
  "choices": [
    {
      // 回答结束原因:stop=正常结束;length=超出最大长度被截断;tool_calls=模型要调用工具
      "finish_reason": "stop",
      // 结果下标,单条结果时固定为0
      "index": 0,
      // Token概率日志,算法调试用,普通业务开发无需关心,默认关闭为None
      "logprobs": None,
      // 模型输出的消息体,对应请求中的 messages 消息格式
      "message": {
        // 最终展示给用户的回答正文,是业务开发最核心的输出字段
        "content": "AI Agent是能自主感知环境、做决策并采取行动完成特定目标的智能程序,好比会自己想办法把事办好的AI小助手。",
        // 深度思考模型特有:模型内部推理/思考过程,相当于思维链,不展示给用户,可用于调试排错
        "reasoning_content": "\n我现在要给用户一个通俗的一句话解释Agent。我正打磨符合要求的通俗一句话解释,目前已梳理出兼顾准确性与易懂性的表述方向,核心要突出其自主感知、决策执行、完成目标的核心属性,用贴近日常的类比让用户快速理解。\n\n最终敲定的通俗一句话解释为:AI Agent是能自主感知环境、做决策并采取行动完成特定目标的智能程序,好比会自己想办法把事办好的AI小助手。\n",
        // 平台安全加密字段,业务开发无需处理,直接忽略即可
        "encrypted_content": "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",
        // 消息角色,固定为 assistant,代表这是模型的回复
        "role": "assistant"
      }
    }
  ],
  // 请求处理的Unix时间戳(秒级)
  "created": 1793692080,
  // 本次请求的唯一标识ID,用于接口排错、日志追踪,出问题可提交给官方排查
  "id": "021793692067984c35f1a31989945a684cc428e09e81c79ce237b",
  // 实际处理请求的模型完整名称
  "model": "doubao-seed-2-1-turbo-260628",
  // 服务等级,默认default,用于降级调度,普通开发无需关心
  "service_tier": "default",
  // 响应对象类型,固定为 chat.completion,代表对话补全接口返回
  "object": "chat.completion",
  // Token消耗统计,是计费、成本控制、上下文管理的核心依据
  "usage": {
    // 输出Token总数:模型生成的所有内容(最终回答+内部思考)的Token量
    "completion_tokens": 612,
    // 输入Token总数:你发送的system、user等所有消息的Token总量
    "prompt_tokens": 49,
    // 本次请求总消耗Token,计费按此值结算,免费额度也按此扣减
    "total_tokens": 661,
    // 输入Token明细
    "prompt_tokens_details": {
      // 缓存命中的Token数,开启上下文缓存后可节省重复提示词的成本
      "cached_tokens": 0
    },
    // 输出Token明细
    "completion_tokens_details": {
      // 内部思考过程消耗的Token,对应 reasoning_content 字段的长度
      "reasoning_tokens": 579
    }
  }
}

Logo

更多推荐