Alibaba Cloud Model Studio:GLM

China (Beijing)

base_url untuk panggilan SDK adalah: https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1

Titik akhir permintaan HTTP: POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1/chat/completions

AS (Virginia)

base_url untuk panggilan SDK adalah: https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/compatible-mode/v1

Titik akhir permintaan HTTP: POST https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions

Jerman (Frankfurt)

base_url untuk panggilan SDK adalah: https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/compatible-mode/v1

Titik akhir permintaan HTTP: POST https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions

China (Hong Kong)

base_url untuk panggilan SDK adalah: https://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com/compatible-mode/v1

Titik akhir permintaan HTTP: POST https://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com/compatible-mode/v1/chat/completions

Singapura

Isi tab

base_url untuk panggilan SDK adalah: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1

Titik akhir permintaan HTTP: POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions

Singapura

base_url untuk panggilan SDK: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1

Titik akhir HTTP: POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/responses

China (Beijing)

base_url untuk panggilan SDK: https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1

Titik akhir HTTP: POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1/responses

China (Beijing)

Titik akhir permintaan HTTP: POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation

base_url untuk panggilan SDK adalah:

dashscope.base_http_api_url = 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1'

import com.alibaba.dashscope.protocol.Protocol;
Generation gen = new Generation(Protocol.HTTP.getValue(), "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1");

import com.alibaba.dashscope.utils.Constants;
Constants.baseHttpApiUrl="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1";

AS (Virginia)

Titik akhir permintaan HTTP: POST https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation

base_url untuk panggilan SDK adalah:

dashscope.base_http_api_url = 'https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/api/v1'

import com.alibaba.dashscope.protocol.Protocol;
Generation gen = new Generation(Protocol.HTTP.getValue(), "https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/api/v1");

import com.alibaba.dashscope.utils.Constants;
Constants.baseHttpApiUrl="https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/api/v1";

Jerman (Frankfurt)

Titik akhir permintaan HTTP: POST https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation

base_url untuk panggilan SDK adalah:

dashscope.base_http_api_url = 'https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/api/v1'

import com.alibaba.dashscope.protocol.Protocol;
Generation gen = new Generation(Protocol.HTTP.getValue(), "https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/api/v1");

import com.alibaba.dashscope.utils.Constants;
Constants.baseHttpApiUrl="https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/api/v1";

China (Hong Kong)

Titik akhir permintaan HTTP: POST https://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation

base_url untuk panggilan SDK adalah:

dashscope.base_http_api_url = 'https://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com/api/v1'

import com.alibaba.dashscope.protocol.Protocol;
Generation gen = new Generation(Protocol.HTTP.getValue(), "https://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com/api/v1");

import com.alibaba.dashscope.utils.Constants;
Constants.baseHttpApiUrl="https://{WorkspaceId}.cn-hongkong.maas.aliyuncs.com/api/v1";

Singapura

Isi konten

Titik akhir permintaan HTTP: POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation

base_url untuk panggilan SDK adalah: dashscope.base_http_api_url = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1"

Python

Kode contoh

from openai import OpenAI
import os

# Inisialisasi klien OpenAI
client = OpenAI(
    # Jika variabel lingkungan belum dikonfigurasi, ganti nilai berikut dengan Kunci API Studio Model Anda: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # Saat melakukan panggilan, ganti {WorkspaceId} dengan ID Ruang Kerja aktual Anda.
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

messages = [{"role": "user", "content": "Siapa kamu?"}]
completion = client.chat.completions.create(
    model="glm-5.2",
    messages=messages,
    # Atur enable_thinking di extra_body untuk mengaktifkan mode berpikir
    extra_body={"enable_thinking": True},
    stream=True,
    stream_options={
        "include_usage": True
    },
)

reasoning_content = ""  # Proses berpikir lengkap
answer_content = ""  # Tanggapan lengkap
is_answering = False  # Menunjukkan apakah fase tanggapan telah dimulai
print("\n" + "=" * 20 + "Proses berpikir" + "=" * 20 + "\n")

for chunk in completion:
    if not chunk.choices:
        print("\n" + "=" * 20 + "Penggunaan token" + "=" * 20 + "\n")
        print(chunk.usage)
        continue

    delta = chunk.choices[0].delta

    # Kumpulkan hanya konten berpikir
    if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None:
        if not is_answering:
            print(delta.reasoning_content, end="", flush=True)
        reasoning_content += delta.reasoning_content

    # Setelah konten diterima, mulai tanggapan
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "Tanggapan lengkap" + "=" * 20 + "\n")
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

Tanggapan

====================Proses berpikir====================

Mari saya pertimbangkan secara hati-hati pertanyaan pengguna. Pertanyaannya tampak sederhana, tetapi sebenarnya memiliki kedalaman.

Dari perspektif linguistik, pengguna menggunakan bahasa Tionghoa, yang berarti saya harus merespons dalam bahasa Tionghoa. Ini adalah pertanyaan perkenalan diri dasar, tetapi mungkin memiliki banyak lapisan makna.

Pertama, saya perlu memastikan bahwa sebagai model bahasa, saya harus menyatakan identitas dan sifat saya secara jujur. Saya bukan manusia, juga tidak memiliki kesadaran emosional nyata. Saya adalah asisten AI yang dilatih dengan teknologi pembelajaran mendalam. Ini adalah fakta paling dasar.

Kedua, mempertimbangkan skenario potensial pengguna, mereka mungkin ingin tahu:
1. Layanan apa saja yang bisa saya berikan?
2. Apa bidang keahlian saya?
3. Apa batasan saya?
4. Bagaimana mereka bisa berinteraksi dengan saya lebih baik?

Dalam jawaban saya, saya harus menunjukkan sikap ramah dan terbuka sekaligus tetap profesional dan akurat. Saya harus menyatakan bidang keahlian utama saya, seperti tanya jawab pengetahuan, bantuan penulisan, dan dukungan kreatif, tetapi juga secara jujur menunjukkan batasan saya, seperti kurangnya pengalaman emosional nyata.

Selain itu, agar jawaban lebih lengkap, saya juga harus mengekspresikan sikap positif yang bersedia membantu pengguna menyelesaikan masalah. Saya dapat secara tepat membimbing pengguna untuk mengajukan pertanyaan yang lebih spesifik guna menunjukkan kemampuan saya dengan lebih baik.

Mengingat ini adalah pembuka percakapan terbuka, jawabannya harus ringkas namun informatif, memberikan pemahaman yang jelas kepada pengguna tentang situasi dasar saya dan meletakkan fondasi yang baik untuk percakapan selanjutnya.

Terakhir, nada harus rendah hati dan profesional, tidak terlalu teknis maupun terlalu santai, agar pengguna merasa nyaman dan alami.
====================Tanggapan lengkap====================

Saya adalah model bahasa besar GLM yang dilatih oleh Zhipu AI, dirancang untuk memberikan informasi dan membantu menyelesaikan masalah. Saya dirancang untuk memahami dan menghasilkan bahasa manusia, serta dapat menjawab pertanyaan, memberikan penjelasan, atau berpartisipasi dalam diskusi tentang berbagai topik.

Saya tidak menyimpan data pribadi Anda, dan percakapan kita bersifat anonim. Apakah ada topik yang bisa saya bantu Anda pahami atau diskusikan?
====================Penggunaan token====================

CompletionUsage(completion_tokens=344, prompt_tokens=7, total_tokens=351, completion_tokens_details=None, prompt_tokens_details=None)

Node.js

Kode contoh

import OpenAI from "openai";
import process from 'process';

// Inisialisasi klien OpenAI
const openai = new OpenAI({
    // Jika variabel lingkungan belum dikonfigurasi, ganti nilai berikut dengan Kunci API Studio Model Anda: apiKey: "sk-xxx"
    apiKey: process.env.DASHSCOPE_API_KEY,
    // Saat melakukan panggilan, ganti {WorkspaceId} dengan ID Ruang Kerja aktual Anda.
    baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1'
});

let reasoningContent = ''; // Proses berpikir lengkap
let answerContent = ''; // Tanggapan lengkap
let isAnswering = false; // Menunjukkan apakah fase tanggapan telah dimulai

async function main() {
    try {
        const messages = [{ role: 'user', content: 'Siapa kamu?' }];

        const stream = await openai.chat.completions.create({
            model: 'glm-5.2',
            messages,
            // Catatan: Di SDK Node.js, parameter non-standar seperti enable_thinking dilewatkan sebagai properti tingkat atas dan tidak perlu ditempatkan di extra_body.
            enable_thinking: true,
            stream: true,
            stream_options: {
                include_usage: true
            },
        });

        console.log('\n' + '='.repeat(20) + 'Proses berpikir' + '='.repeat(20) + '\n');

        for await (const chunk of stream) {
            if (!chunk.choices?.length) {
                console.log('\n' + '='.repeat(20) + 'Penggunaan token' + '='.repeat(20) + '\n');
                console.log(chunk.usage);
                continue;
            }

            const delta = chunk.choices[0].delta;

            // Kumpulkan hanya konten berpikir
            if (delta.reasoning_content !== undefined && delta.reasoning_content !== null) {
                if (!isAnswering) {
                    process.stdout.write(delta.reasoning_content);
                }
                reasoningContent += delta.reasoning_content;
            }

            // Setelah konten diterima, mulai tanggapan
            if (delta.content !== undefined && delta.content) {
                if (!isAnswering) {
                    console.log('\n' + '='.repeat(20) + 'Tanggapan lengkap' + '='.repeat(20) + '\n');
                    isAnswering = true;
                }
                process.stdout.write(delta.content);
                answerContent += delta.content;
            }
        }
    } catch (error) {
        console.error('Error:', error);
    }
}

main();

Tanggapan

====================Proses berpikir====================

Mari saya pikirkan secara hati-hati pertanyaan pengguna, "Siapa kamu?". Ini perlu dianalisis dan dijawab dari berbagai perspektif.

Pertama, ini adalah pertanyaan identitas dasar. Sebagai model bahasa besar GLM, saya perlu menyatakan identitas saya secara akurat. Saya harus dengan jelas menyatakan bahwa saya adalah asisten AI yang dikembangkan oleh Zhipu AI.

Kedua, saya perlu mempertimbangkan niat pengguna yang mungkin ketika mengajukan pertanyaan ini. Mereka mungkin pengguna baru yang ingin memahami fungsi dasar saya, atau mereka mungkin ingin memastikan apakah saya dapat memberikan bantuan tertentu, atau mereka mungkin hanya menguji gaya respons saya. Oleh karena itu, saya perlu memberikan jawaban yang terbuka dan ramah.

Saya juga perlu mempertimbangkan kelengkapan jawaban. Selain memperkenalkan identitas saya, saya juga harus menjelaskan secara singkat fungsi utama saya, seperti tanya jawab, kreasi, dan analisis, sehingga pengguna dapat memahami cara menggunakan asisten ini.

Terakhir, saya perlu memastikan nada yang ramah dan mudah didekati serta mengekspresikan kerelaan saya untuk membantu. Saya dapat menggunakan ungkapan seperti "Saya senang melayani Anda" agar pengguna merasakan kehangatan komunikasi.

Berdasarkan pemikiran ini, saya dapat menyusun jawaban yang ringkas dan jelas, yang tidak hanya menjawab pertanyaan pengguna tetapi juga membimbing komunikasi selanjutnya.
====================Tanggapan lengkap====================

Saya adalah GLM, model bahasa besar yang dilatih oleh Zhipu AI. Saya dilatih pada sejumlah besar data teks untuk memahami dan menghasilkan bahasa manusia, membantu pengguna menjawab pertanyaan, memberikan informasi, dan terlibat dalam percakapan.

Saya akan terus belajar dan meningkatkan diri untuk memberikan layanan yang lebih baik. Saya senang menjawab pertanyaan Anda atau memberikan bantuan! Apa yang bisa saya lakukan untuk Anda?
====================Penggunaan token====================

{ prompt_tokens: 7, completion_tokens: 248, total_tokens: 255 }

HTTP

Kode contoh

# Wilayah Singapura. Ganti {WorkspaceId} dengan ID ruang kerja Bailian Anda. URL bervariasi berdasarkan wilayah.
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "glm-5.2",
    "messages": [
        {
            "role": "user",
            "content": "Siapa kamu?"
        }
    ],
    "stream": true,
    "stream_options": {
        "include_usage": true
    },
    "enable_thinking": true
}'

Python

Kode contoh

import os
from dashscope import Generation

# Inisialisasi parameter permintaan
messages = [{"role": "user", "content": "Siapa kamu?"}]

completion = Generation.call(
    # Jika variabel lingkungan belum dikonfigurasi, ganti nilai berikut dengan Kunci API Studio Model Anda: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="glm-5.2",
    messages=messages,
    result_format="message",  # Atur format hasil menjadi message
    enable_thinking=True,     # Aktifkan mode berpikir
    stream=True,              # Aktifkan keluaran streaming
    incremental_output=True,  # Aktifkan keluaran inkremental
)

reasoning_content = ""  # Proses berpikir lengkap
answer_content = ""     # Tanggapan lengkap
is_answering = False    # Menunjukkan apakah fase tanggapan telah dimulai

print("\n" + "=" * 20 + "Proses berpikir" + "=" * 20 + "\n")

for chunk in completion:
    message = chunk.output.choices[0].message
    # Kumpulkan hanya konten berpikir
    if "reasoning_content" in message:
        if not is_answering:
            print(message.reasoning_content, end="", flush=True)
        reasoning_content += message.reasoning_content

    # Setelah konten diterima, mulai tanggapan
    if message.content:
        if not is_answering:
            print("\n" + "=" * 20 + "Tanggapan lengkap" + "=" * 20 + "\n")
            is_answering = True
        print(message.content, end="", flush=True)
        answer_content += message.content

print("\n" + "=" * 20 + "Penggunaan token" + "=" * 20 + "\n")
print(chunk.usage)

Tanggapan

====================Proses berpikir====================

Mari saya pertimbangkan secara hati-hati pertanyaan pengguna, "Siapa kamu?". Pertama, saya perlu menganalisis maksud pengguna. Ini bisa jadi rasa penasaran dari pengguna baru, atau mereka mungkin ingin memahami fungsi dan kemampuan spesifik saya.

Dari perspektif profesional, saya harus dengan jelas menyatakan identitas saya – sebagai model bahasa besar GLM, saya perlu menjelaskan posisi dasar dan fungsi utama saya. Saya harus menghindari deskripsi yang terlalu teknis dan menggunakan bahasa yang mudah dipahami.

Pada saat yang sama, saya juga harus mempertimbangkan beberapa isu praktis yang mungkin dikhawatirkan pengguna, seperti perlindungan privasi dan keamanan data. Ini adalah poin yang sangat diperhatikan pengguna saat menggunakan layanan AI.

Selain itu, untuk menunjukkan profesionalisme dan keramahan, saya dapat secara proaktif membimbing percakapan setelah perkenalan dan menanyakan apakah pengguna membutuhkan bantuan spesifik. Hal ini tidak hanya akan membantu pengguna memahami saya dengan lebih baik tetapi juga membuka jalan untuk percakapan selanjutnya.

Terakhir, saya perlu memastikan bahwa jawabannya ringkas dan jelas, dengan poin-poin utama disorot, sehingga pengguna dapat dengan cepat memahami identitas dan tujuan saya. Jawaban seperti ini dapat memuaskan rasa penasaran pengguna sekaligus menunjukkan sikap profesional dan berorientasi layanan.
====================Tanggapan lengkap====================

Saya adalah model bahasa besar GLM yang dikembangkan oleh Zhipu AI, dirancang untuk memberikan informasi dan bantuan kepada pengguna melalui teknologi pemrosesan bahasa alami. Saya dilatih pada sejumlah besar data teks dan dapat memahami serta menghasilkan bahasa manusia, menjawab pertanyaan, memberikan dukungan pengetahuan, dan berpartisipasi dalam percakapan.

Tujuan desain saya adalah menjadi asisten AI yang berguna sekaligus memastikan privasi dan keamanan data pengguna. Saya tidak menyimpan informasi pribadi pengguna dan akan terus belajar serta meningkatkan diri untuk memberikan layanan yang lebih baik.

Apakah ada pertanyaan yang bisa saya jawab atau tugas yang bisa saya bantu?
====================Penggunaan token====================

{"input_tokens": 8, "output_tokens": 269, "total_tokens": 277}

Java

Kode contoh

// Versi SDK DashScope harus 2.19.4 atau lebih baru.
import com.alibaba.dashscope.aigc.generation.Generation;
import com.alibaba.dashscope.aigc.generation.GenerationParam;
import com.alibaba.dashscope.aigc.generation.GenerationResult;
import com.alibaba.dashscope.common.Message;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import io.reactivex.Flowable;
import java.lang.System;
import java.util.Arrays;

public class Main {
    private static StringBuilder reasoningContent = new StringBuilder();
    private static StringBuilder finalContent = new StringBuilder();
    private static boolean isFirstPrint = true;
    private static void handleGenerationResult(GenerationResult message) {
        String reasoning = message.getOutput().getChoices().get(0).getMessage().getReasoningContent();
        String content = message.getOutput().getChoices().get(0).getMessage().getContent();
        if (reasoning != null && !reasoning.isEmpty()) {
            reasoningContent.append(reasoning);
            if (isFirstPrint) {
                System.out.println("====================Proses berpikir====================");
                isFirstPrint = false;
            }
            System.out.print(reasoning);
        }
        if (content != null && !content.isEmpty()) {
            finalContent.append(content);
            if (!isFirstPrint) {
                System.out.println("\n====================Tanggapan lengkap====================");
                isFirstPrint = true;
            }
            System.out.print(content);
        }
    }
    private static GenerationParam buildGenerationParam(Message userMsg) {
        return GenerationParam.builder()
                // Jika variabel lingkungan belum dikonfigurasi, ganti baris berikut dengan: .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("glm-5.2")
                .incrementalOutput(true)
                .resultFormat("message")
                .messages(Arrays.asList(userMsg))
                .build();
    }
    public static void streamCallWithMessage(Generation gen, Message userMsg)
            throws NoApiKeyException, ApiException, InputRequiredException {
        GenerationParam param = buildGenerationParam(userMsg);
        Flowable<GenerationResult> result = gen.streamCall(param);
        result.blockingForEach(message -> handleGenerationResult(message));
    }
    public static void main(String[] args) {
        try {
            Generation gen = new Generation();
            Message userMsg = Message.builder().role(Role.USER.getValue()).content("Siapa kamu?").build();
            streamCallWithMessage(gen, userMsg);
        } catch (ApiException | NoApiKeyException | InputRequiredException e) {
            System.err.println("Terjadi pengecualian: " + e.getMessage());
        }
    }
}

Tanggapan

====================Proses berpikir====================
Mari saya pikirkan cara menjawab pertanyaan pengguna. Pertama, ini adalah pertanyaan identitas sederhana yang memerlukan jawaban yang jelas dan langsung.

Sebagai model bahasa besar, saya harus menyatakan informasi identitas dasar saya secara akurat. Ini mencakup:
- Nama: GLM
- Pengembang: Zhipu AI
- Fungsi utama: Pemahaman dan generasi bahasa

Mengingat pertanyaan pengguna mungkin berasal dari interaksi pertama kali, saya perlu memperkenalkan diri dengan cara yang mudah dipahami, menghindari istilah yang terlalu teknis. Pada saat yang sama, saya juga harus menjelaskan secara singkat kemampuan utama saya untuk membantu pengguna memahami cara berinteraksi dengan saya.

Saya juga harus mengekspresikan sikap ramah dan terbuka, menyambut pengguna untuk mengajukan berbagai pertanyaan, yang dapat meletakkan fondasi yang baik untuk percakapan selanjutnya. Namun, perkenalan harus ringkas dan tidak terlalu rinci, untuk menghindari memberikan terlalu banyak informasi kepada pengguna.

Terakhir, untuk mendorong komunikasi lebih lanjut, saya dapat secara proaktif menanyakan apakah pengguna membutuhkan bantuan spesifik, yang dapat lebih baik melayani kebutuhan aktual pengguna.
====================Tanggapan lengkap====================
Saya adalah GLM, model bahasa besar yang dikembangkan oleh Zhipu AI. Saya dilatih pada sejumlah besar data teks dan dapat memahami serta menghasilkan bahasa manusia, menjawab pertanyaan, memberikan informasi, dan terlibat dalam percakapan.

Tujuan desain saya adalah membantu pengguna menyelesaikan masalah, memberikan pengetahuan, dan mendukung berbagai tugas bahasa. Saya akan terus belajar dan memperbarui diri untuk memberikan jawaban yang lebih akurat dan berguna.

Apakah ada pertanyaan yang bisa saya jawab atau diskusikan dengan Anda?

HTTP

Kode contoh

# Wilayah Singapura. Ganti {WorkspaceId} dengan ID ruang kerja Bailian Anda. URL bervariasi berdasarkan wilayah.
curl -X POST "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-SSE: enable" \
-d '{
    "model": "glm-5.2",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": "Siapa kamu?"
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "incremental_output": true,
        "result_format": "message"
    }
}'

Python

Kode contoh

import anthropic
import os

client = anthropic.Anthropic(
    # Jika variabel lingkungan belum dikonfigurasi, ganti nilai berikut dengan Kunci API Studio Model Anda: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # Saat melakukan panggilan, ganti {WorkspaceId} dengan ID Ruang Kerja aktual Anda.
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/apps/anthropic",
)

message = client.messages.create(
    model="glm-5.2",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "Siapa kamu?"}
    ],
    stream=True,
)

for event in message:
    if event.type == "content_block_delta":
        if hasattr(event.delta, "thinking"):
            print(event.delta.thinking, end="", flush=True)
        if hasattr(event.delta, "text"):
            print(event.delta.text, end="", flush=True)

HTTP

Kode contoh

# Wilayah Singapura. Ganti {WorkspaceId} dengan ID ruang kerja Bailian Anda. URL bervariasi berdasarkan wilayah.
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/apps/anthropic/v1/messages \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "anthropic-version: 2023-06-01" \
-d '{
    "model": "glm-5.2",
    "max_tokens": 1024,
    "messages": [
        {
            "role": "user",
            "content": "Siapa kamu?"
        }
    ]
}'

Python

Kode contoh

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # Wilayah Singapura. Ganti {WorkspaceId} dengan ID ruang kerja Bailian Anda. URL bervariasi berdasarkan wilayah.
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Dapatkan informasi cuaca untuk kota tertentu",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "Nama kota"}
                },
                "required": ["city"]
            }
        }
    }
]

messages = [{"role": "user", "content": "Bagaimana cuaca di Beijing?"}]

completion = client.chat.completions.create(
    model="glm-5.2",
    tools=tools,
    messages=messages,
    extra_body={
        "tool_stream": True,
    },
    stream=True,
    stream_options={"include_usage": True},
)

for chunk in completion:
    if chunk.choices:
        delta = chunk.choices[0].delta
        if hasattr(delta, 'content') and delta.content:
            print(f"[content] {delta.content}")
        if hasattr(delta, 'tool_calls') and delta.tool_calls:
            for tc in delta.tool_calls:
                print(f"[tool_call] id={tc.id}, name={tc.function.name}, args={tc.function.arguments}")
        if chunk.choices[0].finish_reason:
            print(f"[finish_reason] {chunk.choices[0].finish_reason}")
    if not chunk.choices and chunk.usage:
        print(f"[usage] {chunk.usage}")

Node.js

Kode contoh

import OpenAI from "openai";
import process from 'process';

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    // Wilayah Singapura. Ganti {WorkspaceId} dengan ID ruang kerja Bailian Anda. URL bervariasi berdasarkan wilayah.
    baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1'
});

const tools = [
    {
        type: "function",
        function: {
            name: "get_weather",
            description: "Dapatkan informasi cuaca untuk kota tertentu",
            parameters: {
                type: "object",
                properties: {
                    city: { type: "string", description: "Nama kota" }
                },
                required: ["city"]
            }
        }
    }
];

async function main() {
    try {
        const stream = await openai.chat.completions.create({
            model: 'glm-5.2',
            messages: [{ role: 'user', content: "Bagaimana cuaca di Beijing?" }],
            tools: tools,
            tool_stream: true,
            stream: true,
            stream_options: {
                include_usage: true
            },
        });

        for await (const chunk of stream) {
            if (!chunk.choices?.length) {
                if (chunk.usage) {
                    console.log(`[usage] ${JSON.stringify(chunk.usage)}`);
                }
                continue;
            }

            const delta = chunk.choices[0].delta;

            if (delta.content) {
                console.log(`[content] ${delta.content}`);
            }

            if (delta.tool_calls) {
                for (const tc of delta.tool_calls) {
                    console.log(`[tool_call] id=${tc.id}, name=${tc.function.name}, args=${tc.function.arguments}`);
                }
            }

            if (chunk.choices[0].finish_reason) {
                console.log(`[finish_reason] ${chunk.choices[0].finish_reason}`);
            }
        }
    } catch (error) {
        console.error('Error:', error);
    }
}

main();

HTTP

Kode contoh

# Wilayah Singapura. Ganti {WorkspaceId} dengan ID ruang kerja Bailian Anda. URL bervariasi berdasarkan wilayah.
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "glm-5.2",
    "messages": [
        {
            "role": "user",
            "content": "Bagaimana cuaca di Beijing?"
        }
    ],
    "tools": [
        {
            "type": "function",
            "function": {
                "name": "get_weather",
                "description": "Dapatkan informasi cuaca untuk kota tertentu",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "city": {"type": "string", "description": "Nama kota"}
                    },
                    "required": ["city"]
                }
            }
        }
    ],
    "stream": true,
    "stream_options": {"include_usage": true},
    "tool_stream": true
}'

Python

Kode contoh

import os
from dashscope import Generation

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Dapatkan informasi cuaca untuk kota tertentu",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "Nama kota"}
                },
                "required": ["city"]
            }
        }
    }
]

messages = [{"role": "user", "content": "Bagaimana cuaca di Beijing?"}]

completion = Generation.call(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="glm-5.2",
    messages=messages,
    tools=tools,
    result_format="message",
    stream=True,
    tool_stream=True,
    incremental_output=True,
)

for chunk in completion:
    msg = chunk.output.choices[0].message
    if msg.content:
        print(f"[content] {msg.content}")
    if "tool_calls" in msg and msg.tool_calls:
        for tc in msg.tool_calls:
            fn = tc.get("function", {})
            print(f"[tool_call] id={tc.get('id','')}, name={fn.get('name','')}, args={fn.get('arguments','')}")
    finish = chunk.output.choices[0].get("finish_reason", "")
    if finish and finish != "null":
        print(f"[finish_reason] {finish}")

HTTP

Kode contoh

# Wilayah Singapura. Ganti {WorkspaceId} dengan ID ruang kerja Bailian Anda. URL bervariasi berdasarkan wilayah.
curl -X POST "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/text-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-SSE: enable" \
-d '{
    "model": "glm-5.2",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": "Bagaimana cuaca di Beijing?"
            }
        ]
    },
    "parameters": {
        "tools": [
            {
                "type": "function",
                "function": {
                    "name": "get_weather",
                    "description": "Dapatkan informasi cuaca untuk kota tertentu",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "city": {"type": "string", "description": "Nama kota"}
                        },
                        "required": ["city"]
                    }
                }
            }
        ],
        "tool_stream": true,
        "incremental_output": true,
        "result_format": "message"
    }
}'