Alibaba Cloud Model Studio:レスポンスの作成

import os
from openai import OpenAI

client = OpenAI(
    # 環境変数が設定されていない場合は、次のように置き換えます: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

response = client.responses.create(
    model="qwen3.8-max",
    input="あなたに何ができますか？"
)

# モデルのレスポンスを取得
print(response.output_text)

import OpenAI from "openai";

const openai = new OpenAI({
    // 環境変数が設定されていない場合は、次のように置き換えます: apiKey: "sk-xxx"
    apiKey: process.env.DASHSCOPE_API_KEY,
    // {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    const response = await openai.responses.create({
        model: "qwen3.8-max",
        input: "あなたに何ができますか？"
    });

    // モデルのレスポンスを取得
    console.log(response.output_text);
}

main();

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": "qwen3.8-max",
    "input": "あなたに何ができますか？"
}'

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

stream = client.responses.create(
    model="qwen3.8-max",
    input="人工知能について簡単に紹介してください。",
    stream=True
)

print("ストリーミング出力を受信中:")
for event in stream:
    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}")

import OpenAI from "openai";

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    // {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    const stream = await openai.responses.create({
        model: "qwen3.8-max",
        input: "人工知能について簡単に紹介してください。",
        stream: true
    });

    console.log("ストリーミング出力を受信中:");
    for await (const event of stream) {
        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 -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" \
--no-buffer \
-d '{
    "model": "qwen3.8-max",
    "input": "人工知能について簡単に紹介してください。",
    "stream": true
}'

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

# 最初のターン
response1 = client.responses.create(
    model="qwen3.8-max",
    input="私の名前は田中です。覚えておいてください。"
)
print(f"最初のレスポンス: {response1.output_text}")

# 2番目のターン - previous_response_id を使用してコンテキストをリンクします。レスポンス ID は 7 日間有効です。
response2 = client.responses.create(
    model="qwen3.8-max",
    input="私の名前を覚えていますか？",
    previous_response_id=response1.id
)
print(f"2番目のレスポンス: {response2.output_text}")

import OpenAI from "openai";

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    // {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    // 最初のターン
    const response1 = await openai.responses.create({
        model: "qwen3.8-max",
        input: "私の名前は田中です。覚えておいてください。"
    });
    console.log(`最初のレスポンス: ${response1.output_text}`);

    // 2番目のターン - previous_response_id を使用してコンテキストをリンクします。レスポンス ID は 7 日間有効です。
    const response2 = await openai.responses.create({
        model: "qwen3.8-max",
        input: "私の名前を覚えていますか？",
        previous_response_id: response1.id
    });
    console.log(`2番目のレスポンス: ${response2.output_text}`);
}

main();

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

response = client.responses.create(
    model="qwen3.8-max",
    input="Alibaba Cloud の公式サイトを見つけて、そのホームページから主要な情報を抽出してください。",
    # 最良の結果を得るために、組み込みツールを有効にすることを推奨します。
    tools=[
        {"type": "web_search"},
        {"type": "code_interpreter"},
        {"type": "web_extractor"}
    ],
)

# 次の行のコメントを解除すると、中間出力が表示されます。
# print(response.output)
print(response.output_text)

import OpenAI from "openai";

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    // {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    const response = await openai.responses.create({
        model: "qwen3.8-max",
        input: "Alibaba Cloud の公式サイトを見つけて、その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" }
        ]
    });

    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(`レスポンスコンテンツ: ${item.content[0].text}`);
        }
    }
}

main();

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": "qwen3.8-max",
    "input": "Alibaba Cloud の公式サイトを見つけて、その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"
        }
    ]
}'

from openai import OpenAI
import json
import os
import random

# クライアントを初期化します。
client = OpenAI(
    # 環境変数が設定されていない場合は、次のように置き換えます: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)
# ユーザーの質問をシミュレートします。
USER_QUESTION = "北京の天気はどうですか？"
# ツールのリストを定義します。
tools = [
    {
        "type": "function",
        "name": "get_current_weather",
        "description": "特定の都市の天気を取得するのに役立ちます。",
        "parameters": {
            "type": "object",
            "properties": {
                "location": {
                    "type": "string",
                    "description": "北京や杭州などの都市または地区。",
                }
            },
            "required": ["location"],
        },
    }
]

# 天気クエリツールをシミュレートします。
def get_current_weather(arguments):
    weather_conditions = ["sunny", "cloudy", "rainy"]
    random_weather = random.choice(weather_conditions)
    location = arguments["location"]
    return f"今日の {location} は {random_weather} です。"

# モデルのレスポンス関数をラップします。
def get_response(input_data):
    response = client.responses.create(
        model="qwen3.8-max",
        input=input_data,
        tools=tools,
    )
    return response

# 対話のコンテキストを維持します。
conversation = [{"role": "user", "content": USER_QUESTION}]

response = get_response(conversation)
function_calls = [item for item in response.output if item.type == "function_call"]
# ツール呼び出しが必要ない場合は、コンテンツを直接出力します。
if not function_calls:
    print(f"最終的なアシスタントのレスポンス: {response.output_text}")
else:
    # ツール呼び出しループに入ります。
    while function_calls:
        for fc in function_calls:
            func_name = fc.name
            arguments = json.loads(fc.arguments)
            print(f"ツール [{func_name}] を引数で呼び出し中: {arguments}")
            # ツールを実行します。
            tool_result = get_current_weather(arguments)
            print(f"ツールが返した結果: {tool_result}")
            # ツール呼び出しとその結果をペアとしてコンテキストに追加します。
            conversation.append(
                {
                    "type": "function_call",
                    "name": fc.name,
                    "arguments": fc.arguments,
                    "call_id": fc.call_id,
                }
            )
            conversation.append(
                {
                    "type": "function_call_output",
                    "call_id": fc.call_id,
                    "output": tool_result,
                }
            )
        # 完全なコンテキストでモデルを再度呼び出します。
        response = get_response(conversation)
        function_calls = [
            item for item in response.output if item.type == "function_call"
        ]
    print(f"最終的なアシスタントのレスポンス: {response.output_text}")

import OpenAI from "openai";

// クライアントを初期化します。
const openai = new OpenAI({
  // 環境変数が設定されていない場合は、次のように置き換えます: apiKey: "sk-xxx"
  apiKey: process.env.DASHSCOPE_API_KEY,
  // {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
  baseURL:
    "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
});

// ツールのリストを定義します。
const tools = [
  {
    type: "function",
    name: "get_current_weather",
    description: "特定の都市の天気を取得するのに役立ちます。",
    parameters: {
      type: "object",
      properties: {
        location: {
          type: "string",
          description: "北京や杭州などの都市または地区。",
        },
      },
      required: ["location"],
    },
  },
];

// 天気クエリツールをシミュレートします。
const getCurrentWeather = (args) => {
  const weatherConditions = ["sunny", "cloudy", "rainy"];
  const randomWeather =
    weatherConditions[Math.floor(Math.random() * weatherConditions.length)];
  const location = args.location;
  return `今日の ${location} は ${randomWeather} です。`;
};

// モデルのレスポンス関数をラップします。
const getResponse = async (inputData) => {
  const response = await openai.responses.create({
    model: "qwen3.8-max",
    input: inputData,
    tools: tools,
  });
  return response;
};

const main = async () => {
  const userQuestion = "北京の天気はどうですか？";

  // 対話のコンテキストを維持します。
  const conversation = [{ role: "user", content: userQuestion }];

  let response = await getResponse(conversation);
  let functionCalls = response.output.filter(
    (item) => item.type === "function_call"
  );
  // ツール呼び出しが必要ない場合は、コンテンツを直接出力します。
  if (functionCalls.length === 0) {
    console.log(`最終的なアシスタントのレスポンス: ${response.output_text}`);
  } else {
    // ツール呼び出しループに入ります。
    while (functionCalls.length > 0) {
      for (const fc of functionCalls) {
        const funcName = fc.name;
        const args = JSON.parse(fc.arguments);
        console.log(`ツール [${funcName}] を引数で呼び出し中:`, args);
        // ツールを実行します。
        const toolResult = getCurrentWeather(args);
        console.log(`ツールが返した結果: ${toolResult}`);
        // ツール呼び出しとその結果をペアとしてコンテキストに追加します。
        conversation.push({
          type: "function_call",
          name: fc.name,
          arguments: fc.arguments,
          call_id: fc.call_id,
        });
        conversation.push({
          type: "function_call_output",
          call_id: fc.call_id,
          output: toolResult,
        });
      }
      // 完全なコンテキストでモデルを再度呼び出します。
      response = await getResponse(conversation);
      functionCalls = response.output.filter(
        (item) => item.type === "function_call"
      );
    }
    console.log(`最終的なアシスタントのレスポンス: ${response.output_text}`);
  }
};

// プログラムを開始します。
main().catch(console.error);

import os
from openai import OpenAI

client = OpenAI(
    # 環境変数を設定していない場合は、次の行を次のように置き換えます: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
)

response = client.responses.create(
    model="qwen3.5-ocr",
    input=[
        {
            "role": "user",
            "content": [
                {
                    "type": "input_file",
                    "file_url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260616/qmycjl/1506.02640v5.pdf",
                },
                {
                    "type": "input_text",
                    "text": "ファイル内のすべてのテキストを読み取ってください。",
                },
            ],
        }
    ],
    extra_body={
        "ocr_options": {"task": "document_parsing"}
    },
)

print(response.output_text)

import OpenAI from 'openai';

const client = new OpenAI({
    // 環境変数を設定していない場合は、次の行を次のように置き換えます: apiKey: "sk-xxx"
    apiKey: process.env.DASHSCOPE_API_KEY,
    baseURL: "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
});

async function main() {
    const response = await client.responses.create({
        model: "qwen3.5-ocr",
        input: [{
            role: "user",
            content: [{
                type: "input_file",
                file_url: "https://example.com/your-document.pdf"
            }]
        }],
        ocr_options: { task: "document_parsing" }
    });

    // カスタムタスクの結果を取得
    console.log(response.output[0].content[0].ocr_result);
}

main();

curl -X POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1/responses \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.5-ocr",
    "input": [
        {
            "role": "user",
            "content": [
                {
                    "type": "input_file",
                    "file_url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260616/qmycjl/1506.02640v5.pdf"
                },
                {
                    "type": "input_text",
                    "text": "ファイル内のすべてのテキストを読み取ってください。"
                }
            ]
        }
    ],
    "ocr_options": {"task": "document_parsing"}
}'

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    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します。
    default_headers={"x-dashscope-session-cache": "enable"}
)

# キャッシュ作成をトリガーするために 1024 トークンを超える長いテキストを構築します。
# そうでない場合、キャッシュは累積コンテキストが 1024 トークンを超えたときにトリガーされます。
long_context = "人工知能 (AI) は、人間の知能をシミュレート、拡張、拡大できる理論、方法、技術、および応用システムを研究開発することに専念するコンピュータサイエンスの主要な分野です。" * 50

# 最初のターン
response1 = client.responses.create(
    model="qwen3.8-max",
    input=long_context + "\n\nこのコンテキストに基づいて、機械学習におけるランダムフォレストアルゴリズムを簡単に紹介してください。",
)
print(f"最初のレスポンス: {response1.output_text}")

# 2番目のターン: previous_response_id を使用してコンテキストをリンクします。キャッシュはサーバーによって自動的に処理されます。
response2 = client.responses.create(
    model="qwen3.8-max",
    input="それと GBDT の主な違いは何ですか？",
    extra_body={"previous_response_id": response1.id}
)
print(f"2番目のレスポンス: {response2.output_text}")

# キャッシュヒットステータスを確認します。
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.prompt_tokens_details.cached_tokens}")

import OpenAI from "openai";

const openai = new OpenAI({
    apiKey: process.env.DASHSCOPE_API_KEY,
    // {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    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します。
    defaultHeaders: {"x-dashscope-session-cache": "enable"}
});

// キャッシュ作成をトリガーするために 1024 トークンを超える長いテキストを構築します。
// そうでない場合、キャッシュは累積コンテキストが 1024 トークンを超えたときにトリガーされます。
const longContext = "人工知能 (AI) は、人間の知能をシミュレート、拡張、拡大できる理論、方法、技術、および応用システムを研究開発することに専念するコンピュータサイエンスの主要な分野です。".repeat(50);

async function main() {
    // 最初のターン
    const response1 = await openai.responses.create({
        model: "qwen3.8-max",
        input: longContext + "\n\nこのコンテキストに基づいて、機械学習におけるランダムフォレストアルゴリズムを、その基本原則と応用を含めて簡単に紹介してください。"
    });
    console.log(`最初のレスポンス: ${response1.output_text}`);

    // 2番目のターン: previous_response_id を使用してコンテキストをリンクします。キャッシュはサーバーによって自動的に処理されます。
    const response2 = await openai.responses.create({
        model: "qwen3.8-max",
        input: "それと GBDT の主な違いは何ですか？",
        extra_body: { previous_response_id: response1.id }
    } as any);
    console.log(`2番目のレスポンス: ${response2.output_text}`);

    // キャッシュヒットステータスを確認します。
    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.prompt_tokens_details.cached_tokens}`);
}

main();

# 最初のターン
# 長いテキストを 50 回繰り返し、1024 トークンを超えてキャッシュ作成をトリガーするようにします。
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": "qwen3.8-max",
    "input": "人工知能 (AI) はコンピュータサイエンスの主要な分野です..."
}'

# 2番目のターン - 前のレスポンスの ID を previous_response_id として使用します。
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": "qwen3.8-max",
    "input": "それと GBDT の主な違いは何ですか？",
    "previous_response_id": ""
}'