Alibaba Cloud Model Studio：GLM

範例程式碼

from openai import OpenAI
import os

# 初始化OpenAI用戶端
client = OpenAI(
    # 如果沒有配置環境變數，請用阿里雲百鍊API Key替換：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 調用時請將WorkspaceId替換為真實的Workspace ID。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

messages = [{"role": "user", "content": "你是誰"}]
completion = client.chat.completions.create(
    model="glm-5.2",
    messages=messages,
    # 通過 extra_body 設定 enable_thinking 開啟思考模式
    extra_body={"enable_thinking": True},
    stream=True,
    stream_options={
        "include_usage": True
    },
)

reasoning_content = ""  # 完整思考過程
answer_content = ""  # 完整回複
is_answering = False  # 是否進入回複階段
print("\n" + "=" * 20 + "思考過程" + "=" * 20 + "\n")

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

    delta = chunk.choices[0].delta

    # 只收集思考內容
    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

    # 收到content，開始進行回複
    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n" + "=" * 20 + "完整回複" + "=" * 20 + "\n")
            is_answering = True
        print(delta.content, end="", flush=True)
        answer_content += delta.content

返回結果

====================思考過程====================

讓我仔細思考使用者提出的這個看似簡單但實際上很有深度的問題。

從語言特點來看，使用者使用的是中文，這意味著我應該用中文來回應。這是一個最基礎的自我介紹問題，但背後可能包含著多層次的含義。

首先需要明確的是，作為一個語言模型，我應該誠實地說明自己的身份和本質。我既不是人類，也不具備真正的情感意識，而是一個由深度學習技術訓練的AI助手。這是最基本的事實。

其次，考慮到使用者可能的需求情境，他們或許想瞭解：
1. 我能提供什麼樣的服務
2. 我的專業領域是什麼
3. 我的局限性在哪裡
4. 如何與我更好地互動

在回答中，我應該既表達友好和開放的態度，又保持專業和準確。要說明自己擅長的主要領域，比如知識問答、寫作輔助、創意支援等，但同時也要坦誠地指出自己的局限性，比如缺乏真實的情感體驗。

此外，為了讓回答更加完整，我還應該表達出願意協助使用者解決問題的積極態度。可以適當引導使用者提出更具體的問題，這樣可以更好地展現自己的能力。

考慮到這是一個開放式的開場白，回答時既要簡潔明了，又要包含足夠的資訊量，讓使用者對我的基本情況有一個清晰的認識，同時為後續的對話奠定良好的基礎。

最後，語氣應該保持謙遜和專業，既不過於技術化，也不顯得過分隨意，讓使用者感到舒適和自然。
====================完整回複====================

我是智譜AI訓練的GLM大語言模型，旨在為使用者提供資訊和協助解決問題。我被設計用來理解和產生人類語言，可以回答問題、提供解釋或參與各類話題討論。

我不會儲存您的個人資料，我們的對話是匿名的。有什麼我能幫您瞭解或探討的話題嗎？
====================Token 消耗====================

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

範例程式碼

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

// 初始化OpenAI用戶端
const openai = new OpenAI({
    // 如果沒有配置環境變數，請用阿里雲百鍊API Key替換：apiKey: "sk-xxx"
    apiKey: process.env.DASHSCOPE_API_KEY, 
    // 調用時請將WorkspaceId替換為真實的Workspace ID。
    baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1'
});

let reasoningContent = ''; // 完整思考過程
let answerContent = ''; // 完整回複
let isAnswering = false; // 是否進入回複階段

async function main() {
    try {
        const messages = [{ role: 'user', content: '你是誰' }];
        
        const stream = await openai.chat.completions.create({
            model: 'glm-5.2',
            messages,
            // 注意：在 Node.js SDK，enable_thinking 這樣的非標準參數作為頂層屬性傳遞，無需放在 extra_body 中
            enable_thinking: true,
            stream: true,
            stream_options: {
                include_usage: true
            },
        });

        console.log('\n' + '='.repeat(20) + '思考過程' + '='.repeat(20) + '\n');

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

            const delta = chunk.choices[0].delta;
            
            // 只收集思考內容
            if (delta.reasoning_content !== undefined && delta.reasoning_content !== null) {
                if (!isAnswering) {
                    process.stdout.write(delta.reasoning_content);
                }
                reasoningContent += delta.reasoning_content;
            }

            // 收到content，開始進行回複
            if (delta.content !== undefined && delta.content) {
                if (!isAnswering) {
                    console.log('\n' + '='.repeat(20) + '完整回複' + '='.repeat(20) + '\n');
                    isAnswering = true;
                }
                process.stdout.write(delta.content);
                answerContent += delta.content;
            }
        }
    } catch (error) {
        console.error('Error:', error);
    }
}

main();

返回結果

====================思考過程====================

讓我仔細思考使用者的問題"你是誰"。這需要從多個角度來分析和回應。

首先，這是一個基礎的身份認知問題。作為GLM大語言模型，需要準確表達自己的身份定位。應該清晰地說明自己是由智譜AI開發的AI助手。

其次，思考使用者提出這個問題的可能意圖。他們可能是初次接觸，想瞭解準系統；也可能想確認是否能提供特定協助；或者只是想測試回應方式。因此需要給出一個開放且友好的回答。

還要考慮回答的完整性。除了身份介紹，也應該簡要說明主要功能，如問答、創作、分析等，讓使用者瞭解可以如何使用這個助手。

最後，要確保語氣友好親和，表達出樂於協助的態度。可以用"很高興為您服務"這樣的表達，讓使用者感受到交流的溫暖。

基於這些思考，可以組織一個簡潔明了的回答，既能回答使用者問題，又能引導後續交流。
====================完整回複====================

我是GLM，由智譜AI訓練的大語言模型。我通過大規模文本資料訓練，能夠理解和產生人類語言，協助使用者回答問題、提供資訊和進行對話交流。

我會持續學習和改進，以提供更好的服務。很高興能為您解答問題或提供協助！有什麼我能為您做的嗎？
====================Token 消耗====================

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

範例程式碼

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": "你是誰"
        }
    ],
    "stream": true,
    "stream_options": {
        "include_usage": true
    },
    "enable_thinking": true
}'

範例程式碼

import os
from dashscope import Generation

# 初始化請求參數
messages = [{"role": "user", "content": "你是誰？"}]

completion = Generation.call(
    # 如果沒有配置環境變數，請用阿里雲百鍊API Key替換：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="glm-5.2",
    messages=messages,
    result_format="message",  # 設定結果格式為 message
    enable_thinking=True,     # 開啟思考模式
    stream=True,              # 開啟流式輸出
    incremental_output=True,  # 開啟增量輸出
)

reasoning_content = ""  # 完整思考過程
answer_content = ""     # 完整回複
is_answering = False    # 是否進入回複階段

print("\n" + "=" * 20 + "思考過程" + "=" * 20 + "\n")

for chunk in completion:
    message = chunk.output.choices[0].message
    # 只收集思考內容
    if "reasoning_content" in message:
        if not is_answering:
            print(message.reasoning_content, end="", flush=True)
        reasoning_content += message.reasoning_content

    # 收到 content，開始進行回複
    if message.content:
        if not is_answering:
            print("\n" + "=" * 20 + "完整回複" + "=" * 20 + "\n")
            is_answering = True
        print(message.content, end="", flush=True)
        answer_content += message.content

print("\n" + "=" * 20 + "Token 消耗" + "=" * 20 + "\n")
print(chunk.usage)

返回結果

====================思考過程====================

讓我仔細思考使用者提出的"你是誰"這個問題。首先需要分析使用者提問的意圖，這可能是初次接觸時的好奇，也可能是想瞭解我的具體功能和能力。

從專業角度，我應該清晰地表達自己的身份 - 作為一個GLM大語言模型，需要說明自己的基本定位和主要功能。要避免過於技術化的表述，而是用通俗易懂的方式解釋。

同時，也要考慮到使用者可能關心的一些實際問題，比如隱私保護、資料安全等。這些都是使用者在使用AI服務時非常關注的點。

另外，為了展現專業性和友好度，可以在介紹的基礎上主動引導對話方向，詢問使用者是否需要特定的協助。這樣既能讓使用者更好地瞭解我，也能為後續對話做好鋪墊。

最後，要確保回答簡潔明了，重點突出，讓使用者快速理解我的身份和用途。這樣的回答既能滿足使用者的好奇心，又能展現專業性和服務意識。
====================完整回複====================

我是智譜AI開發的GLM大語言模型，旨在通過自然語言處理技術為使用者提供資訊和協助。我通過大規模文本資料訓練，能夠理解和產生人類語言，回答問題、提供知識支援和參與對話。

我的設計目標是成為有用的AI助手，同時確保使用者隱私和資料安全。我不儲存使用者的個人資訊，並且會持續學習和改進以提供更優質的服務。

有什麼我能幫您解答的問題或需要協助的任務嗎？
====================Token 消耗====================

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

範例程式碼

// dashscope SDK的版本 >= 2.19.4
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("====================思考過程====================");
                isFirstPrint = false;
            }
            System.out.print(reasoning);
        }
        if (content != null && !content.isEmpty()) {
            finalContent.append(content);
            if (!isFirstPrint) {
                System.out.println("\n====================完整回複====================");
                isFirstPrint = true;
            }
            System.out.print(content);
        }
    }
    private static GenerationParam buildGenerationParam(Message userMsg) {
        return GenerationParam.builder()
                // 若沒有配置環境變數，請用阿里雲百鍊API Key將下行替換為：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("glm-5.2")
                .incrementalOutput(true)
                .resultFormat("message")
                .messages(Arrays.asList(userMsg))
                .build();
    }
    public static void streamCallWithMessage(Generation gen, Message userMsg)
            throws NoApiKeyException, ApiException, InputRequiredException {
        GenerationParam param = buildGenerationParam(userMsg);
        Flowable<GenerationResult> result = gen.streamCall(param);
        result.blockingForEach(message -> handleGenerationResult(message));
    }
    public static void main(String[] args) {
        try {
            Generation gen = new Generation();
            Message userMsg = Message.builder().role(Role.USER.getValue()).content("你是誰？").build();
            streamCallWithMessage(gen, userMsg);
        } catch (ApiException | NoApiKeyException | InputRequiredException e) {
            System.err.println("An exception occurred: " + e.getMessage());
        }
    }
}

返回結果

====================思考過程====================
讓我思考一下如何回答使用者的問題。首先，這是一個關於身份識別的簡單問題，需要清晰直接地回答。

作為一個大語言模型，我應該準確說明自己的基本身份資訊。這包括：
- 名稱：GLM
- 開發人員：智譜AI
- 主要功能：語言理解和產生

考慮到使用者的提問可能源於初次接觸，我需要用通俗易懂的方式介紹自己，避免使用過於技術性的術語。同時，也應該簡要說明自己的主要能力，這樣可以協助使用者更好地瞭解如何與我互動。

我還應該以友好開放的態度表達，歡迎使用者提出各種問題，這樣可以為後續對話打下良好基礎。不過介紹要簡潔明了，不需要過於詳細，以免給使用者造成資訊負擔。

最後，為了促進進一步交流，可以主動詢問使用者是否需要特定協助，這樣能夠更好地服務於使用者的實際需求。
====================完整回複====================
我是GLM，由智譜AI開發的大語言模型。我通過海量文本資料訓練而成，能夠理解和產生人類語言，回答問題、提供資訊和進行對話。

我的設計目的是協助使用者解決問題、提供知識和支援各類語言任務。我會不斷學習和更新，以提供更準確、有用的回答。

有什麼我能幫您解答或探討的問題嗎？

範例程式碼

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": "你是誰？"
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "incremental_output": true,
        "result_format": "message"
    }
}'

範例程式碼

import anthropic
import os

client = anthropic.Anthropic(
    # 如果沒有配置環境變數，請用阿里雲百鍊API Key替換：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 調用時請將WorkspaceId替換為真實的Workspace ID。
    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": "你是誰"}
    ],
    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)

範例程式碼

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": "你是誰"
        }
    ]
}'

範例程式碼

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": "擷取指定城市的天氣資訊",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名稱"}
                },
                "required": ["city"]
            }
        }
    }
]

messages = [{"role": "user", "content": "北京天氣怎麼樣"}]

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}")

範例程式碼

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: "擷取指定城市的天氣資訊",
            parameters: {
                type: "object",
                properties: {
                    city: { type: "string", description: "城市名稱" }
                },
                required: ["city"]
            }
        }
    }
];

async function main() {
    try {
        const stream = await openai.chat.completions.create({
            model: 'glm-5.2',
            messages: [{ role: 'user', content: '北京天氣怎麼樣' }],
            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();

範例程式碼

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": "北京天氣怎麼樣"
        }
    ],
    "tools": [
        {
            "type": "function",
            "function": {
                "name": "get_weather",
                "description": "擷取指定城市的天氣資訊",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "city": {"type": "string", "description": "城市名稱"}
                    },
                    "required": ["city"]
                }
            }
        }
    ],
    "stream": true,
    "stream_options": {"include_usage": true},
    "tool_stream": true
}'

範例程式碼

import os
from dashscope import Generation

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "擷取指定城市的天氣資訊",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名稱"}
                },
                "required": ["city"]
            }
        }
    }
]

messages = [{"role": "user", "content": "北京天氣怎麼樣"}]

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}")

範例程式碼

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": "北京天氣怎麼樣"
            }
        ]
    },
    "parameters": {
        "tools": [
            {
                "type": "function",
                "function": {
                    "name": "get_weather",
                    "description": "擷取指定城市的天氣資訊",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "city": {"type": "string", "description": "城市名稱"}
                        },
                        "required": ["city"]
                    }
                }
            }
        ],
        "tool_stream": true,
        "incremental_output": true,
        "result_format": "message"
    }
}'