Alibaba Cloud Model Studio:OpenAI-compatible - Responses

Python

import os
from openai import OpenAI

client = OpenAI(
    # 環境変数が設定されていない場合は、ご利用の API キーに置き換えます：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

response = client.responses.create(
    model="qwen3.7-plus",
    input="何ができますか？"
)

# モデルの応答を取得
# print(response.model_dump_json())
print(response.output_text)

Node.js

import OpenAI from "openai";

const openai = new OpenAI({
    // 環境変数が設定されていない場合は、ご利用の API キーに置き換えます：apiKey: "sk-xxx"
    apiKey: process.env.DASHSCOPE_API_KEY,
    baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    const response = await openai.responses.create({
        model: "qwen3.7-plus",
        input: "何ができますか？"
    });

    // モデルの応答を取得
    console.log(response.output_text);
}

main();

Curl

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/responses \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.7-plus",
    "input": "何ができますか？"
}'

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

# 1 回目の対話
response1 = client.responses.create(
    model="qwen3.7-plus",
    input="私の名前は鈴木です。覚えてください。"
)
print(f"First response: {response1.output_text}")

# 2 回目の対話 - previous_response_id を使用してコンテキストをリンク
# 応答 ID は 7 日後に失効します
response2 = client.responses.create(
    model="qwen3.7-plus",
    input="私の名前を覚えていますか？",
    previous_response_id=response1.id
)
print(f"Second response: {response2.output_text}")

Node.js

import OpenAI from "openai";

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    // 1 回目の対話
    const response1 = await openai.responses.create({
        model: "qwen3.7-plus",
        input: "私の名前は鈴木です。覚えてください。"
    });
    console.log(`First response: ${response1.output_text}`);

    // 2 回目の対話 - previous_response_id を使用してコンテキストをリンク
    // 応答 ID は 7 日後に失効します
    const response2 = await openai.responses.create({
        model: "qwen3.7-plus",
        input: "私の名前を覚えていますか？",
        previous_response_id: response1.id
    });
    console.log(`Second response: ${response2.output_text}`);
}

main();

Curl

# 1 回目の対話
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/responses \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.7-plus",
    "input": "私の名前は鈴木です。覚えてください。"
}'

# 2 回目の対話 - 1 回目の応答の ID を previous_response_id として使用
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/responses \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.7-plus",
    "input": "私の名前を覚えていますか？",
    "previous_response_id": "response_id_from_first_round"
}'

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

response = client.responses.create(
    model="qwen3.7-plus",
    input="9.9 と 9.11 ではどちらが大きいですか？",
    reasoning={"effort": "medium"}
)

# 出力を処理
for item in response.output:
    if item.type == "reasoning":
        print("=== 思考プロセス ===")
        for summary in item.summary:
            print(summary.text)
    elif item.type == "message":
        print("\n=== 最終回答 ===")
        print(item.content[0].text)

# 思考トークン数を確認
print(f"\n思考トークン数: {response.usage.output_tokens_details.reasoning_tokens}")

Node.js

import OpenAI from "openai";

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    const response = await openai.responses.create({
        model: "qwen3.7-plus",
        input: "9.9 と 9.11 ではどちらが大きいですか？",
        reasoning: { effort: "medium" }
    });

    for (const item of response.output) {
        if (item.type === "reasoning") {
            console.log("=== 思考プロセス ===");
            for (const summary of item.summary) {
                console.log(summary.text);
            }
        } else if (item.type === "message") {
            console.log("\n=== 最終回答 ===");
            console.log(item.content[0].text);
        }
    }

    // 思考トークン数を確認
    console.log(`\n思考トークン数: ${response.usage.output_tokens_details.reasoning_tokens}`);
}

main();

Curl

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/responses \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.7-plus",
    "input": "9.9 と 9.11 ではどちらが大きいですか？",
    "reasoning": {"effort": "medium"}
}'

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

stream = client.responses.create(
    model="qwen3.7-plus",
    input="人工知能について簡単に紹介してください。",
    stream=True
)

print("ストリーム出力を受信中：")
for event in stream:
    # print(event.model_dump_json())  # 生のイベント応答を確認するにはコメントを解除します
    if event.type == 'response.output_text.delta':
        print(event.delta, end='', flush=True)
    elif event.type == 'response.completed':
        print("\nストリームが完了しました")
        print(f"合計トークン数: {event.response.usage.total_tokens}")

Node.js

import OpenAI from "openai";

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    const stream = await openai.responses.create({
        model: "qwen3.7-plus",
        input: "人工知能について簡単に紹介してください。",
        stream: true
    });

    console.log("ストリーム出力を受信中：");
    for await (const event of stream) {
        // console.log(JSON.stringify(event));  // 生のイベント応答を確認するにはコメントを解除します
        if (event.type === 'response.output_text.delta') {
            process.stdout.write(event.delta);
        } else if (event.type === 'response.completed') {
            console.log("\nストリームが完了しました");
            console.log(`合計トークン数: ${event.response.usage.total_tokens}`);
        }
    }
}

main();

Curl

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/responses \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.7-plus",
    "input": "人工知能について簡単に紹介してください。",
    "stream": true
}'

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

response = client.responses.create(
    model="qwen3.7-plus",
    input="Alibaba Cloud のウェブサイトを見つけて、ホームページから主要な情報を抽出してください",
    # 最良の結果を得るには、すべての組み込みツールを有効にしてください。
    tools=[
        {"type": "web_search"},
        {"type": "code_interpreter"},
        {"type": "web_extractor"}
    ],
    reasoning={"effort": "medium"}
)

# 中間出力を確認するには、次の行のコメントを解除してください。
# print(response.output)
print(response.output_text)

Node.js

import OpenAI from "openai";

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    const response = await openai.responses.create({
        model: "qwen3.7-plus",
        input: "Alibaba Cloud のウェブサイトを見つけて、ホームページから主要な情報を抽出してください",
        tools: [
            { type: "web_search" },
            { type: "code_interpreter" },
            { type: "web_extractor" }
        ],
        reasoning: { effort: "medium" }
    });

    for (const item of response.output) {
        if (item.type === "reasoning") {
            console.log("モデルが思考中です...");
        } else if (item.type === "web_search_call") {
            console.log(`検索クエリ: ${item.action.query}`);
        } else if (item.type === "web_extractor_call") {
            console.log("Web コンテンツを抽出中...");
        } else if (item.type === "message") {
            console.log(`応答: ${item.content[0].text}`);
        }
    }
}

main();

Curl

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/responses \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.7-plus",
    "input": "Alibaba Cloud のウェブサイトを見つけて、ホームページから主要な情報を抽出してください",
    "tools": [
        {
            "type": "web_search"
        },
        {
            "type": "code_interpreter"
        },
        {
            "type": "web_extractor"
        }
    ],
    "reasoning": {"effort": "medium"}
}'

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
    # default_headers を介してセッションキャッシュを有効にする
    default_headers={"x-dashscope-session-cache": "enable"}
)

# 1024 トークンを超える長いテキストを構築して、キャッシュの作成をトリガーします。
# (最初のプロンプトが 1024 トークン未満の場合、合計コンテキストがこのしきい値を超えるとサーバーはキャッシュを作成します。)
long_context = "人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。" * 50

# 最初のリクエスト
response1 = client.responses.create(
    model="qwen3.7-plus",
    input=long_context + "\n\n上記の背景知識に基づいて、機械学習におけるランダムフォレストアルゴリズムについて簡単に紹介してください。",
)
print(f"First response: {response1.output_text}")

# 2 番目のリクエスト：previous_response_id を使用してコンテキストをリンクします。サーバーはキャッシュを自動的に管理します。
response2 = client.responses.create(
    model="qwen3.7-plus",
    input="それと GBDT の主な違いは何ですか？",
    previous_response_id=response1.id,
)
print(f"Second response: {response2.output_text}")

# キャッシュのヒット状況を確認
usage = response2.usage
print(f"入力トークン数: {usage.input_tokens}")
print(f"キャッシュされたトークン数: {usage.input_tokens_details.cached_tokens}")

Node.js

import OpenAI from "openai";

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
    // defaultHeaders を介してセッションキャッシュを有効にする
    defaultHeaders: {"x-dashscope-session-cache": "enable"}
});

// 1024 トークンを超える長いテキストを構築して、キャッシュの作成をトリガーします。
// (最初のプロンプトが 1024 トークン未満の場合、合計コンテキストがこのしきい値を超えるとサーバーはキャッシュを作成します。)
const longContext = "人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。".repeat(50);

async function main() {
    // 最初のリクエスト
    const response1 = await openai.responses.create({
        model: "qwen3.7-plus",
        input: longContext + "\n\n上記の背景知識に基づいて、機械学習におけるランダムフォレストアルゴリズムについて、その基本原則とユースケースを含めて簡単に紹介してください。"
    });
    console.log(`First response: ${response1.output_text}`);

    // 2 番目のリクエスト：previous_response_id を使用してコンテキストをリンクします。サーバーはキャッシュを自動的に管理します。
    const response2 = await openai.responses.create({
        model: "qwen3.7-plus",
        input: "それと GBDT の主な違いは何ですか？",
        previous_response_id: response1.id
    });
    console.log(`Second response: ${response2.output_text}`);

    // キャッシュのヒット状況を確認
    console.log(`入力トークン数: ${response2.usage.input_tokens}`);
    console.log(`キャッシュされたトークン数: ${response2.usage.input_tokens_details.cached_tokens}`);
}

main();

curl

# 最初のリクエスト
# 'input' テキストは 1024 トークンを超えてキャッシュ作成をトリガーする必要があります。
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/responses \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "x-dashscope-session-cache: enable" \
-d '{
    "model": "qwen3.7-plus",
    "input": "人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。人工知能は、人間の知能をシミュレート、拡張、拡大できる理論、手法、技術、および応用システムの研究開発に焦点を当てたコンピューターサイエンスの重要な分野です。\n\n上記の背景知識に基づいて、機械学習におけるランダムフォレストアルゴリズムについて、その基本原則とユースケースを含めて簡単に紹介してください。"
}'

# 2 番目のリクエスト - 'previous_response_id' を最初の応答の 'id' に設定します。
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/responses \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "x-dashscope-session-cache: enable" \
-d '{
    "model": "qwen3.7-plus",
    "input": "それと GBDT の主な違いは何ですか？",
    "previous_response_id": "id_from_first_response"
}'

Python

# Chat Completions API
completion = client.chat.completions.create(
    model="qwen3.7-plus",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello!"}
    ]
)
print(completion.choices[0].message.content)

# Responses API - 同じメッセージ形式を使用可能
response = client.responses.create(
    model="qwen3.7-plus",
    input=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello!"}
    ]
)
print(response.output_text)

# Responses API - または、より簡潔な形式を使用
response = client.responses.create(
    model="qwen3.7-plus",
    input="Hello!"
)
print(response.output_text)

Node.js

// Chat Completions API
const completion = await client.chat.completions.create({
    model: "qwen3.7-plus",
    messages: [
        { role: "system", content: "You are a helpful assistant." },
        { role: "user", content: "Hello!" }
    ]
});
console.log(completion.choices[0].message.content);

// Responses API - 同じメッセージ形式を使用可能
const response = await client.responses.create({
    model: "qwen3.7-plus",
    input: [
        { role: "system", content: "You are a helpful assistant." },
        { role: "user", content: "Hello!" }
    ]
});
console.log(response.output_text);

// Responses API - または、より簡潔な形式を使用
const response2 = await client.responses.create({
    model: "qwen3.7-plus",
    input: "Hello!"
});
console.log(response2.output_text);

Curl

# Chat Completions API
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": "qwen3.7-plus",
    "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello!"}
    ]
}'

# Responses API - より簡潔な形式を使用
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/responses \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.7-plus",
    "input": "Hello!"
}'

Python

# Chat Completions - 手動でのメッセージ履歴管理
messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "フランスの首都はどこですか？"}
]
res1 = client.chat.completions.create(
    model="qwen3.7-plus",
    messages=messages
)

# 応答を履歴に手動で追加
messages.append(res1.choices[0].message)
messages.append({"role": "user", "content": "その人口はどのくらいですか？"})

res2 = client.chat.completions.create(
    model="qwen3.7-plus",
    messages=messages
)

# Responses API - previous_response_id による自動リンク
res1 = client.responses.create(
    model="qwen3.7-plus",
    input="フランスの首都はどこですか？"
)

# 前の応答 ID を渡すだけ
res2 = client.responses.create(
    model="qwen3.7-plus",
    input="その人口はどのくらいですか？",
    previous_response_id=res1.id
)

Node.js

// Chat Completions - 手動でのメッセージ履歴管理
let messages = [
    { role: "system", content: "You are a helpful assistant." },
    { role: "user", content: "フランスの首都はどこですか？" }
];
const res1 = await client.chat.completions.create({
    model: "qwen3.7-plus",
    messages
});

// 応答を履歴に手動で追加
messages = messages.concat([res1.choices[0].message]);
messages.push({ role: "user", content: "その人口はどのくらいですか？" });

const res2 = await client.chat.completions.create({
    model: "qwen3.7-plus",
    messages
});

// Responses API - previous_response_id による自動リンク
const res1 = await client.responses.create({
    model: "qwen3.7-plus",
    input: "フランスの首都はどこですか？"
});

// 前の応答 ID を渡すだけ
const res2 = await client.responses.create({
    model: "qwen3.7-plus",
    input: "その人口はどのくらいですか？",
    previous_response_id: res1.id
});

Python

# Chat Completions - ツールを自分で実装する必要があります
def web_search(query):
    # Web 検索ロジックを自分で実装する必要があります
    import requests
    r = requests.get(f"https://api.example.com/search?q={query}")
    return r.json().get("results", [])

completion = client.chat.completions.create(
    model="qwen3.7-plus",
    messages=[{"role": "user", "content": "現在のフランス大統領は誰ですか？"}],
    functions=[{
        "name": "web_search",
        "description": "Web で情報を検索する",
        "parameters": {
            "type": "object",
            "properties": {"query": {"type": "string"}},
            "required": ["query"]
        }
    }]
)

# Responses API - 組み込みツールを直接使用
response = client.responses.create(
    model="qwen3.7-plus",
    input="現在のフランス大統領は誰ですか？",
    tools=[{"type": "web_search"}]  # Web 検索を直接有効にする
)
print(response.output_text)

Node.js

// Chat Completions - ツールを自分で実装する必要があります
async function web_search(query) {
    const fetch = (await import('node-fetch')).default;
    const res = await fetch(`https://api.example.com/search?q=${query}`);
    const data = await res.json();
    return data.results;
}

const completion = await client.chat.completions.create({
    model: "qwen3.7-plus",
    messages: [{ role: "user", content: "現在のフランス大統領は誰ですか？" }],
    functions: [{
        name: "web_search",
        description: "Web で情報を検索する",
        parameters: {
            type: "object",
            properties: { query: { type: "string" } },
            required: ["query"]
        }
    }]
});

// Responses API - 組み込みツールを直接使用
const response = await client.responses.create({
    model: "qwen3.7-plus",
    input: "現在のフランス大統領は誰ですか？",
    tools: [{ type: "web_search" }]  // Web 検索を直接有効にする
});
console.log(response.output_text);

Curl

# Chat Completions - ツールを自分で実装する必要があります
# 外部検索 API の呼び出し例
curl https://api.example.com/search \
  -G \
  --data-urlencode "q=current president of France" \
  --data-urlencode "key=$SEARCH_API_KEY"

# Responses API - 組み込みツールを直接使用
curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/responses \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.7-plus",
    "input": "現在のフランス大統領は誰ですか？",
    "tools": [{"type": "web_search"}]
}'