Alibaba Cloud Model Studio:ディープシンキング

サンプルコード

from openai import OpenAI
import os

# OpenAI クライアントを初期化。
client = OpenAI(
    # API キーはリージョンによって異なります。API キーの取得方法：https://www.alibabacloud.com/help/en/model-studio/get-api-key
    # 環境変数が設定されていない場合、Model Studio API キーを直接指定：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 構成はリージョンによって異なります。base_url をご利用のリージョンに基づいて変更してください。
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

messages = [{"role": "user", "content": "Who are you"}]

completion = client.chat.completions.create(
    model="qwen-plus",  # 必要に応じて他のディープシンキングモデルに置き換え可能です。
    messages=messages,
    extra_body={"enable_thinking": True},
    stream=True,
    stream_options={
        "include_usage": True
    },
)

reasoning_content = ""  # 完全な思考プロセス
answer_content = ""  # 完全な応答
is_answering = False  # 応答フェーズが開始されたかどうかを追跡
print("\n" + "=" * 20 + "思考プロセス" + "=" * 20 + "\n")

for chunk in completion:
    if not chunk.choices:
        print("\n使用量:")
        print(chunk.usage)
        continue

    delta = chunk.choices[0].delta

    # 思考コンテンツのみを収集。
    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

    # コンテンツを受信したら、応答を開始。
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "完全な応答" + "=" * 20 + "\n")
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

応答

====================思考プロセス====================

ユーザーのクエリ「Who are you?」には正確かつフレンドリーな応答が必要です。まず、私が Alibaba Cloud の通義実験室で開発された Qwen であることを明確にします。次に、質問への回答、テキスト生成、論理的推論などの主要機能を概説します。言葉はシンプルに、トーンは親しみやすくします。さらにインタラクションを促すために、ユーザーに追加の質問をすることを勧めます。最後に、私の名前（Qwen）と開発者など、重要な詳細がすべて含まれているか確認し、包括的な回答を提供します。
====================完全な応答====================

こんにちは！私は Alibaba Group の通義実験室で開発された大規模言語モデル Qwen です。質問への回答、テキスト生成、論理的推論、コード作成などを行い、高品質な情報とサービスを提供できます。私を Qwen と呼んでください。何かお手伝いできることはありますか？

サンプルコード

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

// OpenAI クライアントを初期化。
const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY, // 環境変数から読み取り。
    // 以下はシンガポールリージョンのベース URL です。米国（バージニア）リージョンのモデルを使用する場合、ベース URL を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください。ベース URL はリージョンによって異なります。デプロイメントのリージョンに合わせて更新してください。
    baseURL: 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1'
});

let reasoningContent = '';
let answerContent = '';
let isAnswering = false;

async function main() {
    try {
        const messages = [{ role: 'user', content: 'Who are you' }];
        const stream = await openai.chat.completions.create({
            model: 'qwen-plus',
            messages,
            stream: true,
            enable_thinking: true
        });
        console.log('\n' + '='.repeat(20) + '思考プロセス' + '='.repeat(20) + '\n');

        for await (const chunk of stream) {
            if (!chunk.choices?.length) {
                console.log('\n使用量:');
                console.log(chunk.usage);
                continue;
            }

            const delta = chunk.choices[0].delta;
            
            // 思考コンテンツのみを収集。
            if (delta.reasoning_content !== undefined && delta.reasoning_content !== null) {
                if (!isAnswering) {
                    process.stdout.write(delta.reasoning_content);
                }
                reasoningContent += delta.reasoning_content;
            }

            // コンテンツを受信したら、応答を開始。
            if (delta.content !== undefined && delta.content) {
                if (!isAnswering) {
                    console.log('\n' + '='.repeat(20) + '完全な応答' + '='.repeat(20) + '\n');
                    isAnswering = true;
                }
                process.stdout.write(delta.content);
                answerContent += delta.content;
            }
        }
    } catch (error) {
        console.error('エラー:', error);
    }
}

main();

応答

====================思考プロセス====================

ユーザーの直接的なクエリ「Who are you?」には、簡潔で明確な応答が必要です。応答では、私が Alibaba Cloud の大規模言語モデル Qwen であることを述べます。質問への回答、テキスト生成、論理的推論などの主要機能に加え、中国語と英語を含む多言語サポートについても言及します。簡潔さを保つため、ユースケースは必要最小限にとどめます。トーンはフレンドリーにし、応答の最後にはさらなる質問を促します。最後に、不要な詳細（バージョン番号など）を含めずに正確性を確保します。
====================完全な応答====================

私は Alibaba Group の通義実験室で開発された大規模言語モデル Qwen です。質問への回答、テキスト生成、論理的推論、コーディングなどさまざまなタスクを実行でき、中国語や英語を含む多言語をサポートしています。ご質問やお手伝いが必要な場合は、いつでもお気軽にお知らせください！

サンプルコード

# ======= 重要 =======
# 以下はシンガポールリージョンの URL です。中国（北京）リージョンの場合は、URL を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください。
# 米国（バージニア）リージョンの場合は、https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください。
# === 実行前にこのコメントを削除 ===
curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen-plus",
    "messages": [
        {
            "role": "user", 
            "content": "Who are you"
        }
    ],
    "stream": true,
    "stream_options": {
        "include_usage": true
    },
    "enable_thinking": true
}'

応答

data: {"choices":[{"delta":{"content":null,"role":"assistant","reasoning_content":""},"index":0,"logprobs":null,"finish_reason":null}],"object":"chat.completion.chunk","usage":null,"created":1745485391,"system_fingerprint":null,"model":"qwen-plus","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

.....

data: {"choices":[{"finish_reason":"stop","delta":{"content":"","reasoning_content":null},"index":0,"logprobs":null}],"object":"chat.completion.chunk","usage":null,"created":1745485391,"system_fingerprint":null,"model":"qwen-plus","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

data: {"choices":[],"object":"chat.completion.chunk","usage":{"prompt_tokens":10,"completion_tokens":360,"total_tokens":370},"created":1745485391,"system_fingerprint":null,"model":"qwen-plus","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

data: [DONE]

サンプルコード

import os
from dashscope import Generation
import dashscope

# 構成はリージョンによって異なります。この値をご利用のリージョンに基づいて変更してください。
dashscope.base_http_api_url = "https://dashscope-intl.aliyuncs.com/api/v1"

# リクエストパラメーターを初期化
messages = [{"role": "user", "content": "Who are you?"}]

completion = Generation.call(
    # 環境変数が設定されていない場合、次の行を Model Studio API キーに置き換えます：api_key = "sk-xxx"。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen-plus",
    messages=messages,
    result_format="message",
    enable_thinking=True,
    stream=True,
    incremental_output=True,
)

# 完全な思考プロセス
reasoning_content = ""
# 完全な応答
answer_content = ""
# 応答フェーズが開始されたかどうかを追跡。
is_answering = False

print("=" * 20 + "思考プロセス" + "=" * 20)

for chunk in completion:
    # 思考コンテンツと応答コンテンツが両方空の場合、チャンクを無視。
    if (
        chunk.output.choices[0].message.content == ""
        and chunk.output.choices[0].message.reasoning_content == ""
    ):
        pass
    else:
        # 現在のチャンクが思考プロセスの一部の場合。
        if (
            chunk.output.choices[0].message.reasoning_content != ""
            and chunk.output.choices[0].message.content == ""
        ):
            print(chunk.output.choices[0].message.reasoning_content, end="", flush=True)
            reasoning_content += chunk.output.choices[0].message.reasoning_content
        # 現在のチャンクが応答の一部の場合。
        elif chunk.output.choices[0].message.content != "":
            if not is_answering:
                print("\n" + "=" * 20 + "完全な応答" + "=" * 20)
                is_answering = True
            print(chunk.output.choices[0].message.content, end="", flush=True)
            answer_content += chunk.output.choices[0].message.content

# 完全な思考プロセスと完全な応答を出力するには、以下のコードのコメントを解除してください。
# print("=" * 20 + "完全な思考プロセス" + "=" * 20 + "\n")
# print(f"{reasoning_content}")
# print("=" * 20 + "完全な応答" + "=" * 20 + "\n")
# print(f"{answer_content}")

応答

====================思考プロセス====================
「Who are you?」というクエリに答えるには、まず私が Alibaba Cloud の大規模言語モデル Qwen であることを明確に述べる必要があります。次に、質問への回答、テキスト生成、論理的推論などの主要機能を説明し、ユーザーが私をどのように活用できるかを理解してもらいます。応答は会話調で、専門用語を避けます。さらにインタラクションを促すために、オープンエンドの質問で締めくくります。最後に、フレンドリーでプロフェッショナルなトーンのバランスを取りながら、明確で簡潔であることを確認します。
====================完全な応答====================
こんにちは！私は Alibaba Cloud で開発された大規模言語モデル Qwen です。質問への回答、テキスト生成、論理的推論、コード作成などを行い、サポートを提供できます。日常生活や専門分野に関するご質問があれば、最善を尽くしてお手伝いします。何かお手伝いできることはありますか？

サンプルコード

// DashScope SDK のバージョンは 2.19.4 以降である必要があります。
import java.util.Arrays;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
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 com.alibaba.dashscope.utils.Constants;

public class Main {
    static {
        // 以下はシンガポールリージョンの base_url です。バージニアリージョンのモデルを使用する場合、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更する必要があります。
        // 構成はリージョンによって異なります。実際のご利用リージョンに基づいて構成を変更してください。
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    private static final Logger logger = LoggerFactory.getLogger(Main.class);
    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.isEmpty()) {
            reasoningContent.append(reasoning);
            if (isFirstPrint) {
                System.out.println("====================思考プロセス====================");
                isFirstPrint = false;
            }
            System.out.print(reasoning);
        }

        if (!content.isEmpty()) {
            finalContent.append(content);
            if (!isFirstPrint) {
                System.out.println("\n====================完全な応答====================");
                isFirstPrint = true;
            }
            System.out.print(content);
        }
    }
    private static GenerationParam buildGenerationParam(Message userMsg) {
        return GenerationParam.builder()
                 // API キーはリージョンによって異なります。API キーの取得方法：https://www.alibabacloud.com/help/en/model-studio/get-api-key
                // 環境変数が設定されていない場合、次の行を Alibaba Cloud Model Studio API キーに置き換えます：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen-plus")
                .enableThinking(true)
                .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("Who are you?").build();
            streamCallWithMessage(gen, userMsg);
//             最終結果を出力。
//            if (reasoningContent.length() > 0) {
//                System.out.println("\n====================完全な応答====================");
//                System.out.println(finalContent.toString());
//            }
        } catch (ApiException | NoApiKeyException | InputRequiredException e) {
            logger.error("例外が発生しました: {}", e.getMessage());
        }
        System.exit(0);
    }
}

応答

====================思考プロセス====================
「Who are you?」への応答は、私が Alibaba Cloud の大規模言語モデル Qwen であるという事前定義された ID に基づく必要があります。応答は会話的で、簡潔かつ理解しやすいものにします。まず私の ID を述べ、次にテキスト作成、論理的推論、コーディング、多言語サポートを含む機能を説明します。トーンはフレンドリーにし、ユーザーが助けを求めるよう促すことで、さらなるインタラクションを奨励します。
====================完全な応答====================
こんにちは！私は Alibaba Group の大規模言語モデル Qwen です。質問への回答、物語・公式文書・メール・スクリプトなどのテキスト作成、論理的推論、コード作成、意見表明、ゲームプレイなどを行えます。中国語、英語、ドイツ語、フランス語、スペイン語をはじめとする多言語に精通しています。何かお手伝いできることはありますか？

サンプルコード

# ======= 重要 =======
# API キーはリージョンによって異なります。API キーの取得方法：https://www.alibabacloud.com/help/en/model-studio/get-api-key
# 以下はシンガポールリージョンの URL です。中国（北京）リージョンの場合は、URL を https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation に置き換えてください。
# 米国（バージニア）リージョンの場合は、URL を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/text-generation/generation に置き換えてください。
# === 実行前にこのコメントを削除 ===
curl -X POST "https://dashscope-intl.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": "qwen-plus",
    "input":{
        "messages":[      
            {
                "role": "user",
                "content": "Who are you?"
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "incremental_output": true,
        "result_format": "message"
    }
}'

応答

id:1
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"Hmm","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":14,"input_tokens":11,"output_tokens":3},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:2
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":",","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":15,"input_tokens":11,"output_tokens":4},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:3
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"user","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":16,"input_tokens":11,"output_tokens":5},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:4
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"asks","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":17,"input_tokens":11,"output_tokens":6},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:5
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"“","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":18,"input_tokens":11,"output_tokens":7},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}
......

id:358
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"help","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":373,"input_tokens":11,"output_tokens":362},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:359
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":",","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":374,"input_tokens":11,"output_tokens":363},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:360
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"Please feel free","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":375,"input_tokens":11,"output_tokens":364},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:361
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"to","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":376,"input_tokens":11,"output_tokens":365},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:362
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"let me know","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":377,"input_tokens":11,"output_tokens":366},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:363
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"!","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":378,"input_tokens":11,"output_tokens":367},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

id:364
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"","role":"assistant"},"finish_reason":"stop"}]},"usage":{"total_tokens":378,"input_tokens":11,"output_tokens":367},"request_id":"25d58c29-c47b-9e8d-a0f1-d6c309ec58b1"}

サンプルコード

from openai import OpenAI
import os

# OpenAI クライアントを初期化。
client = OpenAI(
    # 環境変数が設定されていない場合、「sk-xxx」を Model Studio API キーに置き換えます。
    # API キーはリージョン固有です。API キーの取得方法：https://www.alibabacloud.com/help/en/model-studio/get-api-key。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 構成はリージョンによって異なります。base_url をご利用のリージョンに合わせて変更してください。
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

messages = [{"role": "user", "content": "Who are you"}]

completion = client.chat.completions.create(
    model="qwen-plus",
    messages=messages,
    # enable_thinking パラメーターで思考プロセスを有効化し、thinking_budget でそのトークン制限を設定します。
    extra_body={
        "enable_thinking": True,
        "thinking_budget": 50
        },
    stream=True,
    stream_options={
        "include_usage": True
    },
)

reasoning_content = ""  # 完全な思考プロセス
answer_content = ""  # 完全な応答
is_answering = False  # 応答フェーズが開始されたかどうかを追跡
print("\n" + "=" * 20 + "思考プロセス" + "=" * 20 + "\n")

for chunk in completion:
    if not chunk.choices:
        print("\n使用量:")
        print(chunk.usage)
        continue

    delta = chunk.choices[0].delta

    # 思考コンテンツのみを収集。
    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

    # コンテンツを受信したら、応答フェーズが始まります。
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "完全な応答" + "=" * 20 + "\n")
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

応答

====================思考プロセス====================

わかりました。ユーザーが「Who are you?」と尋ねています。明確でフレンドリーな応答を提供する必要があります。まず、私が Alibaba Group の通義実験室で開発された Qwen であることを述べます。次に、主な機能（質問への回答など）を説明します。
====================完全な応答====================

私は Alibaba Group の通義実験室で開発された大規模言語モデル Qwen です。質問への回答、テキスト作成、論理的推論、コード作成ができます。

サンプルコード

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

// OpenAI クライアントを初期化します。
const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY, // 環境変数から読み取ります。
    // 設定はリージョンによって異なります。リージョンに応じて baseURL を変更してください。
    baseURL: 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1'
});

let reasoningContent = '';
let answerContent = '';
let isAnswering = false;


async function main() {
    try {
        const messages = [{ role: 'user', content: 'Who are you' }];
        const stream = await openai.chat.completions.create({
            model: 'qwen-plus',
            messages,
            stream: true,
            // enable_thinking パラメーターは思考プロセスを有効にします。thinking_budget はそのトークン制限を設定します。
            enable_thinking: true,
            thinking_budget: 50
        });
        console.log('\n' + '='.repeat(20) + 'Thinking process' + '='.repeat(20) + '\n');

        for await (const chunk of stream) {
            if (!chunk.choices?.length) {
                console.log('\nUsage:');
                console.log(chunk.usage);
                continue;
            }

            const delta = chunk.choices[0].delta;
            
            // 思考コンテンツのみを収集します。
            if (delta.reasoning_content !== undefined && delta.reasoning_content !== null) {
                if (!isAnswering) {
                    process.stdout.write(delta.reasoning_content);
                }
                reasoningContent += delta.reasoning_content;
            }

            // コンテンツを受信すると、応答フェーズが始まります。
            if (delta.content !== undefined && delta.content) {
                if (!isAnswering) {
                    console.log('\n' + '='.repeat(20) + 'Complete response' + '='.repeat(20) + '\n');
                    isAnswering = true;
                }
                process.stdout.write(delta.content);
                answerContent += delta.content;
            }
        }
    } catch (error) {
        console.error('Error:', error);
    }
}

main();

応答

====================思考プロセス====================

わかりました。ユーザーが「Who are you?」と尋ねています。明確で正確な応答を提供する必要があります。まず、私が Alibaba Group の通義実験室で開発された Qwen であることを述べます。次に、主な機能（質問への回答など）を説明します。
====================完全な応答====================

私は Alibaba Group の通義実験室で開発された大規模言語モデル Qwen です。質問への回答、テキスト作成、論理的推論、コード作成ができます。

サンプルコード

# ======= 重要 =======
# 以下はシンガポールリージョンのベース URL です。中国（北京）リージョンのモデルの場合は、URL を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください。
# 米国（バージニア）リージョンのモデルの場合は、URL を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください。
# === 実行前にこのコメントを削除 ===
curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen-plus",
    "messages": [
        {
            "role": "user", 
            "content": "Who are you"
        }
    ],
    "stream": true,
    "stream_options": {
        "include_usage": true
    },
    "enable_thinking": true,
    "thinking_budget": 50
}'

応答

data: {"choices":[{"delta":{"content":null,"role":"assistant","reasoning_content":""},"index":0,"logprobs":null,"finish_reason":null}],"object":"chat.completion.chunk","usage":null,"created":1745485391,"system_fingerprint":null,"model":"qwen-plus","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

.....

data: {"choices":[{"finish_reason":"stop","delta":{"content":"","reasoning_content":null},"index":0,"logprobs":null}],"object":"chat.completion.chunk","usage":null,"created":1745485391,"system_fingerprint":null,"model":"qwen-plus","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

data: {"choices":[],"object":"chat.completion.chunk","usage":{"prompt_tokens":10,"completion_tokens":360,"total_tokens":370},"created":1745485391,"system_fingerprint":null,"model":"qwen-plus","id":"chatcmpl-e2edaf2c-8aaf-9e54-90e2-b21dd5045503"}

data: [DONE]

サンプルコード

import os
from dashscope import Generation
import dashscope

# base_url はリージョンによって異なります。URL をご利用のリージョンに合わせて変更してください。
dashscope.base_http_api_url = "https://dashscope-intl.aliyuncs.com/api/v1/"

messages = [{"role": "user", "content": "Who are you?"}]

completion = Generation.call(
    # 環境変数が設定されていない場合、次の行を Model Studio API キーに置き換えます：api_key = "sk-xxx"。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen-plus",
    messages=messages,
    result_format="message",
    enable_thinking=True,
    # 思考プロセスのトークン制限を設定。
    thinking_budget=50,
    stream=True,
    incremental_output=True,
)

# 完全な思考プロセスを格納。
reasoning_content = ""
# 完全な応答を格納。
answer_content = ""
# 応答フェーズが開始されたかどうかを追跡。
is_answering = False

print("=" * 20 + "思考プロセス" + "=" * 20)

for chunk in completion:
    # 思考コンテンツと応答コンテンツが両方空のチャンクは無視。
    if (
        chunk.output.choices[0].message.content == ""
        and chunk.output.choices[0].message.reasoning_content == ""
    ):
        pass
    else:
        # 現在のチャンクが思考コンテンツを含む場合。
        if (
            chunk.output.choices[0].message.reasoning_content != ""
            and chunk.output.choices[0].message.content == ""
        ):
            print(chunk.output.choices[0].message.reasoning_content, end="", flush=True)
            reasoning_content += chunk.output.choices[0].message.reasoning_content
        # 現在のチャンクが応答コンテンツを含む場合。
        elif chunk.output.choices[0].message.content != "":
            if not is_answering:
                print("\n" + "=" * 20 + "完全な応答" + "=" * 20)
                is_answering = True
            print(chunk.output.choices[0].message.content, end="", flush=True)
            answer_content += chunk.output.choices[0].message.content

# 完全な思考プロセスと応答を出力するには、以下のコードのコメントを解除して実行してください。
# print("=" * 20 + "完全な思考プロセス" + "=" * 20 + "\n")
# print(f"{reasoning_content}")
# print("=" * 20 + "完全な応答" + "=" * 20 + "\n")
# print(f"{answer_content}")

応答

====================思考プロセス====================
わかりました。ユーザーが「Who are you?」と尋ねています。明確でフレンドリーな応答を提供する必要があります。まず、私が Alibaba Group の通義実験室で開発された Qwen であることを紹介します。次に、主な機能（質問への回答など）を説明します。
====================完全な応答====================
私は Alibaba Group の通義実験室で開発された大規模言語モデル Qwen です。質問への回答、テキスト作成、論理的推論、コード作成ができます。

サンプルコード

// DashScope SDK のバージョンは 2.19.4 以降である必要があります。
import java.util.Arrays;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
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 com.alibaba.dashscope.utils.Constants;

public class Main {
    static {
        // ベース HTTP API URL はリージョンによって異なります。URL をご利用のリージョンに合わせて変更してください。
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    private static final Logger logger = LoggerFactory.getLogger(Main.class);
    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.isEmpty()) {
            reasoningContent.append(reasoning);
            if (isFirstPrint) {
                System.out.println("====================思考プロセス====================");
                isFirstPrint = false;
            }
            System.out.print(reasoning);
        }

        if (!content.isEmpty()) {
            finalContent.append(content);
            if (!isFirstPrint) {
                System.out.println("\n====================完全な応答====================");
                isFirstPrint = true;
            }
            System.out.print(content);
        }
    }
    private static GenerationParam buildGenerationParam(Message userMsg) {
        return GenerationParam.builder()
                // 環境変数が設定されていない場合、次の行を Model Studio API キーに置き換えます：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen-plus")
                .enableThinking(true)
                .thinkingBudget(50)
                .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("Who are you?").build();
            streamCallWithMessage(gen, userMsg);
//             最終結果を出力。
//            if (reasoningContent.length() > 0) {
//                System.out.println("\n====================完全な応答====================");
//                System.out.println(finalContent.toString());
//            }
        } catch (ApiException | NoApiKeyException | InputRequiredException e) {
            logger.error("例外が発生しました: {}", e.getMessage());
        }
        System.exit(0);
    }
}

====================思考プロセス====================
わかりました。ユーザーが「Who are you?」と尋ねています。明確でフレンドリーな応答を提供する必要があります。まず、私が Alibaba Group の通義実験室で開発された Qwen であることを紹介します。次に、主な機能（質問への回答など）を説明します。
====================完全な応答====================
私は Alibaba Group の通義実験室で開発された大規模言語モデル Qwen です。質問への回答、テキスト作成、論理的推論、コード作成ができます。

サンプルコード

# ======= 重要 =======
# API キーはリージョン固有です。API キーの取得方法：https://www.alibabacloud.com/help/zh/model-studio/get-api-key。
# エンドポイント URL はリージョンによって異なります。URL をご利用のリージョンに合わせて変更してください。
# === 実行前にこのコメントを削除 ===
curl -X POST "https://dashscope-intl.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": "qwen-plus",
    "input":{
        "messages":[      
            {
                "role": "user",
                "content": "Who are you?"
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "thinking_budget": 50,
        "incremental_output": true,
        "result_format": "message"
    }
}'

応答

id:1
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"Okay","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":14,"output_tokens":3,"input_tokens":11,"output_tokens_details":{"reasoning_tokens":1}},"request_id":"2ce91085-3602-9c32-9c8b-fe3d583a2c38"}

id:2
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":",","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":15,"output_tokens":4,"input_tokens":11,"output_tokens_details":{"reasoning_tokens":2}},"request_id":"2ce91085-3602-9c32-9c8b-fe3d583a2c38"}

......

id:133
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"!","reasoning_content":"","role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":149,"output_tokens":138,"input_tokens":11,"output_tokens_details":{"reasoning_tokens":50}},"request_id":"2ce91085-3602-9c32-9c8b-fe3d583a2c38"}

id:134
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"","role":"assistant"},"finish_reason":"stop"}]},"usage":{"total_tokens":149,"output_tokens":138,"input_tokens":11,"output_tokens_details":{"reasoning_tokens":50}},"request_id":"2ce91085-3602-9c32-9c8b-fe3d583a2c38"}

サンプルコード

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 構成はリージョンによって異なります。実際のご利用リージョンに基づいて変更してください。
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

# 会話の最初のターン
messages = [
    {"role": "user", "content": "1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを選択する必要があります。おすすめを教えてください。"}
]

first_reasoning = ""
first_content = ""
is_answering = False

completion = client.chat.completions.create(
    model="qwen3.6-plus",
    messages=messages,
    extra_body={"enable_thinking": True},
    stream=True,
    stream_options={"include_usage": True},
)

print("=" * 20 + "最初のターンの思考プロセス" + "=" * 20)

for chunk in completion:
    if not chunk.choices:
        continue
    delta = chunk.choices[0].delta
    if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None:
        first_reasoning += delta.reasoning_content
        if not is_answering:
            print(delta.reasoning_content, end="", flush=True)
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "最初のターンの応答" + "=" * 20)
            is_answering = True
        print(delta.content, end="", flush=True)
        first_content += delta.content

# 2 番目のターン：思考プロセスを渡し、Kafka を比較から除外した理由を尋ねる
messages = [
    {"role": "user", "content": "1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを選択する必要があります。おすすめを教えてください。"},
    {
        "role": "assistant",
        "content": first_content,
        "reasoning_content": first_reasoning,
    },
    {"role": "user", "content": "比較で Kafka を除外したのはなぜですか？"},
]

reasoning_content = ""
answer_content = ""
is_answering = False

# preserve_thinking を extra_body で渡す
completion = client.chat.completions.create(
    model="qwen3.6-plus",
    messages=messages,
    extra_body={
        "enable_thinking": True,
        "preserve_thinking": True,
    },
    stream=True,
    stream_options={"include_usage": True},
)

print("\n" + "=" * 20 + "2 番目のターンの思考プロセス" + "=" * 20)

for chunk in completion:
    if not chunk.choices:
        continue
    delta = chunk.choices[0].delta
    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
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "2 番目のターンの応答" + "=" * 20)
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

応答

====================最初のターンの思考プロセス====================
ユーザーは、1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを必要としています。スループット、信頼性、遅延メッセージ、トランザクションサポートなどのディメンションに基づいて、主流のソリューションを比較します...

RocketMQ：Alibaba の E コマースシナリオで検証済みで、トランザクションメッセージと遅延メッセージをネイティブサポートし、パーティションレベルの厳密な順序付けを提供...
Kafka：非常に高いスループットを実現しますが、トランザクションメッセージと遅延メッセージのネイティブサポートがなく、カスタム補償メカニズムが必要...
RabbitMQ：低遅延ですが、クラスタのスケーラビリティが限定的で、ピーク TPS は数万件...
====================最初のターンの応答====================
E コマースシナリオの中核的なニーズ（トランザクションメッセージ、遅延メッセージ、順序付け、ピーク処理）を考慮すると、Apache RocketMQ をおすすめします。チームがすでに Kafka エコシステムを導入している場合や、強力なリアルタイム分析が必要な場合は、Kafka も有効な選択肢です。
====================2 番目のターンの思考プロセス====================
ユーザーは、Kafka を除外した理由を尋ねています。過去の思考プロセスを確認すると、Kafka を除外しておらず、4 つ星評価を付けています。以前の詳細な比較を参照して説明します...

前回のターンで、RocketMQ と Kafka のトランザクションメッセージ、遅延メッセージ、順序付けに関する違いを比較しました。Kafka の主な欠点は、E コマース固有のセマンティクスを補うために追加のアーキテクチャ設計が必要になることです...
====================2 番目のターンの応答====================
Kafka を除外していません。Kafka はスループットとエコシステムに優れています。RocketMQ がわずかに高い評価を受けた理由は、E コマースの中核的なワークフローによりすぐれた「すぐに使える」マッチングを提供するためです。RocketMQ はトランザクションメッセージと遅延メッセージをネイティブサポートしていますが、Kafka はアウトボックスパターンなどのアーキテクチャパターンを通じて自己実装する必要があります。チームがすでに Kafka エコシステムを導入している場合、数千万件のメッセージを処理するシナリオを十分にこなせます。

サンプルコード

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

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    // 構成はリージョンによって異なります。実際のご利用リージョンに基づいて変更してください。
    baseURL: 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1'
});

async function main() {
    // 会話の最初のターン
    let firstReasoning = '';
    let firstContent = '';
    let isAnswering = false;

    const stream1 = await openai.chat.completions.create({
        model: 'qwen3.6-plus',
        messages: [{ role: 'user', content: '1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを選択する必要があります。おすすめを教えてください。' }],
        stream: true,
        enable_thinking: true
    });

    console.log('='.repeat(20) + '最初のターンの思考プロセス' + '='.repeat(20));

    for await (const chunk of stream1) {
        if (!chunk.choices?.length) continue;
        const delta = chunk.choices[0].delta;
        if (delta.reasoning_content !== undefined && delta.reasoning_content !== null) {
            firstReasoning += delta.reasoning_content;
            if (!isAnswering) process.stdout.write(delta.reasoning_content);
        }
        if (delta.content !== undefined && delta.content) {
            if (!isAnswering) {
                console.log('\n' + '='.repeat(20) + '最初のターンの応答' + '='.repeat(20));
                isAnswering = true;
            }
            process.stdout.write(delta.content);
            firstContent += delta.content;
        }
    }

    // 2 番目のターン：思考プロセスを渡す
    let reasoningContent = '';
    let answerContent = '';
    isAnswering = false;

    const stream2 = await openai.chat.completions.create({
        model: 'qwen3.6-plus',
        messages: [
            { role: 'user', content: '1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを選択する必要があります。おすすめを教えてください。' },
            {
                role: 'assistant',
                content: firstContent,
                reasoning_content: firstReasoning
            },
            { role: 'user', content: '比較で Kafka を除外したのはなぜですか？' }
        ],
        stream: true,
        enable_thinking: true,
        // preserve_thinking をトップレベルパラメーターとして渡す
        preserve_thinking: true
    });

    console.log('\n' + '='.repeat(20) + '2 番目のターンの思考プロセス' + '='.repeat(20));

    for await (const chunk of stream2) {
        if (!chunk.choices?.length) continue;
        const delta = chunk.choices[0].delta;
        if (delta.reasoning_content !== undefined && delta.reasoning_content !== null) {
            if (!isAnswering) process.stdout.write(delta.reasoning_content);
            reasoningContent += delta.reasoning_content;
        }
        if (delta.content !== undefined && delta.content) {
            if (!isAnswering) {
                console.log('\n' + '='.repeat(20) + '2 番目のターンの応答' + '='.repeat(20));
                isAnswering = true;
            }
            process.stdout.write(delta.content);
            answerContent += delta.content;
        }
    }
}

main();

応答

====================最初のターンの思考プロセス====================
ユーザーは、1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを必要としています。スループット、信頼性、遅延メッセージ、トランザクションサポートなどのディメンションに基づいて、主流のソリューションを比較します...
====================最初のターンの応答====================
E コマースシナリオの中核的なニーズを考慮すると、Apache RocketMQ をおすすめします。チームがすでに Kafka エコシステムを導入している場合、Kafka も有効な選択肢です。
====================2 番目のターンの思考プロセス====================
ユーザーは、Kafka を除外した理由を尋ねています。過去の思考プロセスを参照すると、Kafka を除外していません...
====================2 番目のターンの応答====================
Kafka を除外していません。Kafka はスループットとエコシステムに優れています。RocketMQ がわずかに高い評価を受けた理由は、E コマースの中核的なワークフローによりすぐれた「すぐに使える」マッチングを提供するためです。

サンプルコード

# base_url はリージョンによって異なります。実際のご利用リージョンに基づいて変更してください。
curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.6-plus",
    "messages": [
        {
            "role": "user",
            "content": "1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを選択する必要があります。おすすめを教えてください。"
        },
        {
            "role": "assistant",
            "content": "E コマースシナリオの中核的なニーズを考慮すると、Apache RocketMQ をおすすめします。",
            "reasoning_content": "ユーザーは、1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを必要としています。RocketMQ はトランザクションメッセージと遅延メッセージをネイティブサポートしており、E コマースシナリオにより適しています。Kafka は非常に高いスループットを実現しますが、カスタム補償メカニズムが必要です。"
        },
        {
            "role": "user",
            "content": "比較で Kafka を除外したのはなぜですか？"
        }
    ],
    "stream": true,
    "stream_options": {
        "include_usage": true
    },
    "enable_thinking": true,
    "preserve_thinking": true
}'

応答

data: {"choices":[{"delta":{"content":null,"role":"assistant","reasoning_content":""},"index":0,"logprobs":null,"finish_reason":null}],"object":"chat.completion.chunk","usage":null,"created":1743523200,"system_fingerprint":null,"model":"qwen3.6-plus","id":"chatcmpl-example-001"}

.....

data: {"choices":[{"finish_reason":"stop","delta":{"content":"","reasoning_content":null},"index":0,"logprobs":null}],"object":"chat.completion.chunk","usage":null,"created":1743523200,"system_fingerprint":null,"model":"qwen3.6-plus","id":"chatcmpl-example-001"}

data: {"choices":[],"object":"chat.completion.chunk","usage":{"prompt_tokens":3463,"completion_tokens":2387,"total_tokens":5850},"created":1743523200,"system_fingerprint":null,"model":"qwen3.6-plus","id":"chatcmpl-example-001"}

data: [DONE]

サンプルコード

import os
from dashscope import Generation
import dashscope

# base_url はリージョンによって異なります。実際のご利用リージョンに基づいて変更してください。
dashscope.base_http_api_url = "https://dashscope-intl.aliyuncs.com/api/v1/"

# 会話の最初のターン
messages = [
    {"role": "user", "content": "1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを選択する必要があります。おすすめを教えてください。"}
]

first_reasoning = ""
first_content = ""
is_answering = False

completion = Generation.call(
    # 環境変数が設定されていない場合、次の行を Model Studio API キーに置き換えます：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3.6-plus",
    messages=messages,
    result_format="message",
    enable_thinking=True,
    stream=True,
    incremental_output=True,
)

print("=" * 20 + "最初のターンの思考プロセス" + "=" * 20)

for chunk in completion:
    if (
        chunk.output.choices[0].message.content == ""
        and chunk.output.choices[0].message.reasoning_content == ""
    ):
        pass
    else:
        if (
            chunk.output.choices[0].message.reasoning_content != ""
            and chunk.output.choices[0].message.content == ""
        ):
            print(chunk.output.choices[0].message.reasoning_content, end="", flush=True)
            first_reasoning += chunk.output.choices[0].message.reasoning_content
        elif chunk.output.choices[0].message.content != "":
            if not is_answering:
                print("\n" + "=" * 20 + "最初のターンの応答" + "=" * 20)
                is_answering = True
            print(chunk.output.choices[0].message.content, end="", flush=True)
            first_content += chunk.output.choices[0].message.content

# 2 番目のターン：思考プロセスを渡す
messages = [
    {"role": "user", "content": "1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを選択する必要があります。おすすめを教えてください。"},
    {
        "role": "assistant",
        "content": first_content,
        "reasoning_content": first_reasoning,
    },
    {"role": "user", "content": "比較で Kafka を除外したのはなぜですか？"},
]

reasoning_content = ""
answer_content = ""
is_answering = False

completion = Generation.call(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3.6-plus",
    messages=messages,
    result_format="message",
    enable_thinking=True,
    # 思考プロセスを渡す
    preserve_thinking=True,
    stream=True,
    incremental_output=True,
)

print("\n" + "=" * 20 + "2 番目のターンの思考プロセス" + "=" * 20)

for chunk in completion:
    if (
        chunk.output.choices[0].message.content == ""
        and chunk.output.choices[0].message.reasoning_content == ""
    ):
        pass
    else:
        if (
            chunk.output.choices[0].message.reasoning_content != ""
            and chunk.output.choices[0].message.content == ""
        ):
            print(chunk.output.choices[0].message.reasoning_content, end="", flush=True)
            reasoning_content += chunk.output.choices[0].message.reasoning_content
        elif chunk.output.choices[0].message.content != "":
            if not is_answering:
                print("\n" + "=" * 20 + "2 番目のターンの応答" + "=" * 20)
                is_answering = True
            print(chunk.output.choices[0].message.content, end="", flush=True)
            answer_content += chunk.output.choices[0].message.content

応答

====================最初のターンの思考プロセス====================
ユーザーは、1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを必要としています。スループット、信頼性、遅延メッセージ、トランザクションサポートなどのディメンションに基づいて、主流のソリューションを比較します...
====================最初のターンの応答====================
E コマースシナリオの中核的なニーズを考慮すると、Apache RocketMQ をおすすめします。チームがすでに Kafka エコシステムを導入している場合、Kafka も有効な選択肢です。
====================2 番目のターンの思考プロセス====================
ユーザーは、Kafka を除外した理由を尋ねています。過去の思考プロセスを参照すると、Kafka を除外していません...
====================2 番目のターンの応答====================
Kafka を除外していません。Kafka はスループットとエコシステムに優れています。RocketMQ がわずかに高い評価を受けた理由は、E コマースの中核的なワークフローによりすぐれた「すぐに使える」マッチングを提供するためです。

サンプルコード

# base_url はリージョンによって異なります。実際のご利用リージョンに基づいて変更してください。
curl -X POST "https://dashscope-intl.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": "qwen3.6-plus",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": "1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを選択する必要があります。おすすめを教えてください。"
            },
            {
                "role": "assistant",
                "content": "E コマースシナリオの中核的なニーズを考慮すると、Apache RocketMQ をおすすめします。",
                "reasoning_content": "ユーザーは、1 日あたり数千万件のメッセージを処理する E コマースシステム向けのメッセージキューを必要としています。RocketMQ はトランザクションメッセージと遅延メッセージをネイティブサポートしており、E コマースシナリオにより適しています。Kafka は非常に高いスループットを実現しますが、カスタム補償メカニズムが必要です。"
            },
            {
                "role": "user",
                "content": "比較で Kafka を除外したのはなぜですか？"
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "preserve_thinking": true,
        "incremental_output": true,
        "result_format": "message"
    }
}'

応答

id:1
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"user"},"role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":3466,"output_tokens":3,"input_tokens":3463,"output_tokens_details":{"reasoning_tokens":1}},"request_id":"example-request-001"}

id:2
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"follow-up"},"role":"assistant"},"finish_reason":"null"}]},"usage":{"total_tokens":3467,"output_tokens":4,"input_tokens":3463,"output_tokens_details":{"reasoning_tokens":2}},"request_id":"example-request-001"}

......

id:200
event:result
:HTTP_STATUS/200
data:{"output":{"choices":[{"message":{"content":"","reasoning_content":"","role":"assistant"},"finish_reason":"stop"}]},"usage":{"total_tokens":5850,"output_tokens":2387,"input_tokens":3463,"output_tokens_details":{"reasoning_tokens":1347}},"request_id":"example-request-001"}