Alibaba Cloud Model Studio:GLM

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は、値を Model Studio API キーに置き換えます： api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 呼び出しを行う際に、WorkspaceId を実際のワークスペース ID に置き換えてください。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

messages = [{"role": "user", "content": "あなたは誰ですか？"}]
completion = client.chat.completions.create(
    model="glm-5.2",
    messages=messages,
    # extra_body で enable_thinking を設定して思考モードを有効にする
    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示す
print("\n" + "=" * 20 + "思考プロセス" + "=" * 20 + "\n")

for chunk in completion:
    if not chunk.choices:
        print("\n" + "=" * 20 + "トークン使用量" + "=" * 20 + "\n")
        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後、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====================

ユーザーの質問を慎重に検討してみましょう。単純に見えますが、実際には深みがあります。

言語的な観点から、ユーザーは中国語を使用しているため、中国語で応答する必要があります。これは基本的な自己紹介の質問ですが、複数の意味合いを持つ可能性があります。

まず、言語モデルとして、自分のアイデンティティと性質を正直に述べる必要があることを明確にする必要があります。私は人間ではなく、本当の感情的な認識も持っていません。私はディープラーニング技術でトレーニングされた AI アシスタントです。これが最も基本的な事実です。

次に、ユーザーの潜在的なシナリオを考慮すると、彼らは次のことを知りたいかもしれません：
1. どのようなサービスを提供できますか？
2. 私の専門分野は何ですか？
3. 私の限界は何ですか？
4. どうすれば私とより良く対話できますか？

私の回答では、プロフェッショナルで正確でありながら、フレンドリーでオープンな態度を表現する必要があります。知識 Q&A、ライティング支援、創造的なサポートなど、私の主な専門分野を述べますが、本当の感情的な経験がないなど、私の限界も率直に指摘する必要があります。

さらに、回答をより完全なものにするために、ユーザーが問題を解決するのを助けたいという前向きな姿勢も表現する必要があります。私の能力をより良く示すために、ユーザーがより具体的な質問をするように適切に誘導することができます。

これはオープンエンドな始まりであるため、回答は簡潔で有益であるべきで、ユーザーに私の基本的な状況を明確に理解させ、その後の会話の良い基盤を築く必要があります。

最後に、トーンは謙虚でプロフェッショナルであるべきで、技術的すぎず、カジュアルすぎず、ユーザーが快適で自然に感じるようにする必要があります。
====================完全な応答====================

私は Zhipu AI によってトレーニングされた GLM 大規模言語モデルで、ユーザーに情報を提供し、問題解決を支援するように設計されています。私は人間の言語を理解し、生成するように設計されており、質問に答えたり、説明を提供したり、さまざまなトピックに関する議論に参加したりできます。

私はあなたの個人データを保存せず、私たちの会話は匿名です。私が理解したり議論したりするのを手伝えるトピックはありますか？
====================トークン使用量====================

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

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({
    // 環境変数が設定されていない場合は、値を Model Studio API キーに置き換えます： apiKey: "sk-xxx"
    apiKey: process.env.DASHSCOPE_API_KEY, 
    // 呼び出しを行う際に、WorkspaceId を実際のワークスペース ID に置き換えてください。
    baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1'
});

let reasoningContent = ''; // 完全な思考プロセス
let answerContent = ''; // 完全な応答
let isAnswering = false; // 応答フェーズが開始されたかどうかを示す

async function main() {
    try {
        const messages = [{ role: 'user', content: 'あなたは誰ですか？' }];
        
        const stream = await openai.chat.completions.create({
            model: 'glm-5.2',
            messages,
            // 注： Node.js SDK では、enable_thinking などの非標準パラメーターはトップレベルプロパティとして渡され、extra_body に配置する必要はありません。
            enable_thinking: true,
            stream: true,
            stream_options: {
                include_usage: 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' + '='.repeat(20) + 'トークン使用量' + '='.repeat(20) + '\n');
                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後、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====================

ユーザーの質問「あなたは誰ですか？」について、慎重に考えてみましょう。これは複数の観点から分析し、回答する必要があります。

まず、これは基本的なアイデンティティに関する質問です。GLM 大規模言語モデルとして、私は自分のアイデンティティを正確に表現する必要があります。私は Zhipu AI によって開発された AI アシスタントであることを明確に述べるべきです。

次に、この質問をするユーザーの意図を考慮する必要があります。初めてのユーザーで、私の基本的な機能を知りたいのかもしれませんし、特定の助けを提供できるか確認したいのかもしれませんし、単に私の応答スタイルを試しているだけかもしれません。したがって、オープンでフレンドリーな回答をする必要があります。

また、回答の完全性も考慮する必要があります。私のアイデンティティを紹介するだけでなく、Q&A、作成、分析など、私の主な機能も簡単に説明して、ユーザーがこのアシスタントの使い方を理解できるようにする必要があります。

最後に、フレンドリーで親しみやすいトーンを確保し、助けたいという意欲を表現する必要があります。「喜んでお仕えします」のような表現を使って、ユーザーにコミュニケーションの温かさを感じさせることができます。

これらの考えに基づいて、ユーザーの質問に答えるだけでなく、その後のコミュニケーションを導く、簡潔で明確な回答をまとめることができます。
====================完全な応答====================

私は GLM、Zhipu AI によってトレーニングされた大規模言語モデルです。私は膨大な量のテキストデータでトレーニングされており、人間の言語を理解し、生成し、ユーザーが質問に答え、情報を提供し、会話に参加するのを助けます。

より良いサービスを提供するために、私は学び続け、改善していきます。ご質問にお答えしたり、お手伝いできることを嬉しく思います！何かご用はありますか？
====================トークン使用量====================

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

サンプルコード

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": "あなたは誰ですか？"
        }
    ],
    "stream": true,
    "stream_options": {
        "include_usage": true
    },
    "enable_thinking": true
}'

サンプルコード

import os
from dashscope import Generation

# リクエストパラメーターを初期化
messages = [{"role": "user", "content": "あなたは誰ですか？"}]

completion = Generation.call(
    # 環境変数が設定されていない場合は、値を Model Studio API キーに置き換えます： api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="glm-5.2",
    messages=messages,
    result_format="message",  # 結果のフォーマットを message に設定
    enable_thinking=True,     # 思考モードを有効にする
    stream=True,              # ストリーミング出力を有効にする
    incremental_output=True,  # 増分出力を有効にする
)

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示す

print("\n" + "=" * 20 + "思考プロセス" + "=" * 20 + "\n")

for chunk in completion:
    message = chunk.output.choices[0].message
    # 思考コンテンツのみを収集
    if "reasoning_content" in message:
        if not is_answering:
            print(message.reasoning_content, end="", flush=True)
        reasoning_content += message.reasoning_content

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

print("\n" + "=" * 20 + "トークン使用量" + "=" * 20 + "\n")
print(chunk.usage)

応答

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

ユーザーの質問「あなたは誰ですか？」について慎重に考えてみましょう。まず、ユーザーの意図を分析する必要があります。これは初めてのユーザーの好奇心からくるものかもしれませんし、私の特定の機能や能力を理解したいのかもしれません。

専門的な観点から、私は自分のアイデンティティを明確に述べるべきです - GLM 大規模言語モデルとして、私の基本的な位置づけと主な機能を説明する必要があります。過度に技術的な説明は避け、分かりやすい言葉を使うべきです。

同時に、プライバシー保護やデータセキュリティなど、ユーザーが懸念する可能性のある実際的な問題も考慮する必要があります。これらは、ユーザーが AI サービスを使用する際に非常に懸念する点です。

さらに、プロフェッショナリズムとフレンドリーさを示すために、紹介の後に積極的に会話を誘導し、ユーザーが特定の助けを必要としているかどうかを尋ねることができます。これは、ユーザーが私をより良く理解するのに役立つだけでなく、その後の会話への道を開くことにもなります。

最後に、回答が簡潔で明確であり、要点が強調されていることを確認する必要があります。これにより、ユーザーは私のアイデンティティと目的をすばやく理解できます。このような回答は、ユーザーの好奇心を満たすと同時に、プロフェッショナリズムとサービス指向の態度を示すことができます。
====================完全な応答====================

私は Zhipu AI によって開発された GLM 大規模言語モデルで、自然言語処理技術を通じてユーザーに情報と助けを提供するために設計されています。私は膨大な量のテキストデータでトレーニングされており、人間の言語を理解し、生成し、質問に答え、知識をサポートし、会話に参加することができます。

私の設計目標は、ユーザーのプライバシーとデータセキュリティを確保しながら、役立つ AI アシスタントになることです。私はユーザーの個人情報を保存せず、より良いサービスを提供するために継続的に学習し、改善していきます。

お答えできる質問や、お手伝いできるタスクはありますか？
====================トークン使用量====================

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

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 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("====================思考プロセス====================");
                isFirstPrint = false;
            }
            System.out.print(reasoning);
        }
        if (content != null && !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は、次の行を .apiKey("sk-xxx") に置き換えます
                .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("あなたは誰ですか？").build();
            streamCallWithMessage(gen, userMsg);
        } catch (ApiException | NoApiKeyException | InputRequiredException e) {
            System.err.println("例外が発生しました： " + e.getMessage());
        }
    }
}

応答

====================思考プロセス====================
ユーザーの質問にどう答えるか考えてみましょう。まず、これはアイデンティティに関する単純な質問であり、明確で直接的な回答が必要です。

大規模言語モデルとして、私は基本的なアイデンティティ情報を正確に述べるべきです。これには以下が含まれます：
- 名前： GLM
- 開発者： Zhipu AI
- 主な機能： 言語理解と生成

ユーザーの質問が初めての対話から生じている可能性があることを考慮すると、過度に技術的な用語を避け、分かりやすい方法で自己紹介する必要があります。同時に、ユーザーが私とどのように対話するかをより良く理解できるように、私の主な能力も簡単に説明する必要があります。

また、フレンドリーでオープンな態度を表現し、ユーザーがさまざまな質問をすることを歓迎することで、その後の会話の良い基盤を築くことができます。ただし、紹介は簡潔で、過度に詳細にならないようにして、ユーザーに情報過多の負担をかけないようにする必要があります。

最後に、さらなるコミュニケーションを促進するために、ユーザーが特定の助けを必要としているかどうかを積極的に尋ねることで、ユーザーの実際のニーズにより良く応えることができます。
====================完全な応答====================
私は GLM、Zhipu AI によって開発された大規模言語モデルです。私は膨大な量のテキストデータでトレーニングされており、人間の言語を理解し、生成し、質問に答え、情報を提供し、会話に参加することができます。

私の設計目的は、ユーザーが問題を解決し、知識を提供し、さまざまな言語タスクをサポートすることです。より正確で有用な回答を提供するために、継続的に学習し、更新していきます。

お答えできる質問や、一緒に議論できることはありますか？

サンプルコード

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": "あなたは誰ですか？"
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "incremental_output": true,
        "result_format": "message"
    }
}'

サンプルコード

import anthropic
import os

client = anthropic.Anthropic(
    # 環境変数が設定されていない場合は、値を Model Studio API キーに置き換えます： api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 呼び出しを行う際に、WorkspaceId を実際のワークスペース ID に置き換えてください。
    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": "あなたは誰ですか？"}
    ],
    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)

サンプルコード

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": "あなたは誰ですか？"
        }
    ]
}'

サンプルコード

from openai import OpenAI
import os

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

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get the weather information for a specified city",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "The name of the city"}
                },
                "required": ["city"]
            }
        }
    }
]

messages = [{"role": "user", "content": "What's the weather like in 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}")

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,
    baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1'
});

const tools = [
    {
        type: "function",
        function: {
            name: "get_weather",
            description: "Get the weather information for a specified city",
            parameters: {
                type: "object",
                properties: {
                    city: { type: "string", description: "The name of the city" }
                },
                required: ["city"]
            }
        }
    }
];

async function main() {
    try {
        const stream = await openai.chat.completions.create({
            model: 'glm-5.2',
            messages: [{ role: 'user', content: "What's the weather like in 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();

サンプルコード

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": "What's the weather like in Beijing?"
        }
    ],
    "tools": [
        {
            "type": "function",
            "function": {
                "name": "get_weather",
                "description": "Get the weather information for a specified city",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "city": {"type": "string", "description": "The name of the city"}
                    },
                    "required": ["city"]
                }
            }
        }
    ],
    "stream": true,
    "stream_options": {"include_usage": true},
    "tool_stream": true
}'

サンプルコード

import os
from dashscope import Generation

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get the weather information for a specified city",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "The name of the city"}
                },
                "required": ["city"]
            }
        }
    }
]

messages = [{"role": "user", "content": "What's the weather like in 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}")

サンプルコード

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": "What's the weather like in Beijing?"
            }
        ]
    },
    "parameters": {
        "tools": [
            {
                "type": "function",
                "function": {
                    "name": "get_weather",
                    "description": "Get the weather information for a specified city",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "city": {"type": "string", "description": "The name of the city"}
                        },
                        "required": ["city"]
                    }
                }
            }
        ],
        "tool_stream": true,
        "incremental_output": true,
        "result_format": "message"
    }
}'