创建聊天补全

POSThttps://vip.zen-ai.top/v1/chat/completions

OpenAI Chat Completions 兼容接口，也是最通用的对话接口：GPT、Claude、Gemini、Grok、DeepSeek、Qwen 等所有对话模型都可以通过它调用，切换模型只需修改 model。系统会根据令牌所属的分组自动选择渠道。

支持流式（SSE）与非流式输出、多轮对话、图片理解、函数调用、JSON 结构化输出。
推理模型（GPT-5 系列、o 系列等）请使用 max_completion_tokens 和 reasoning_effort，这类模型通常不支持 temperature、top_p 等采样参数。
需要 Claude 的 thinking 块、Gemini 的联网搜索等原生能力时，推荐直接使用 Claude 原生格式或 Gemini 原生格式。

请求头

Authorizationstring必填

Bearer sk-xxxx，令牌在控制台「令牌」页面创建。

Content-Typestring必填

application/json

请求体

modelstring必填

模型名称，例如 gpt-4.1-mini、claude-sonnet-4-6、gemini-3.5-flash。模型必须在令牌所属分组中可用，完整清单见模型列表。

messagesarray必填

对话消息列表，按时间顺序排列，支持多轮对话。

子字段 5

rolestring必填

消息角色。developer 等同于新版模型中的 system；tool 用于回传函数执行结果。

可选值systemdeveloperuserassistanttool

contentstring | array必填

消息内容。纯文本直接传字符串；多模态时传内容数组，元素类型包括：

{"type": "text", "text": "..."}
{"type": "image_url", "image_url": {"url": "https://... 或 data:image/png;base64,...", "detail": "auto"}}
{"type": "input_audio", "input_audio": {"data": "<base64>", "format": "wav"}}（音频模型）

namestring

参与者名称，用于区分同一角色的不同发言者。

tool_callsarray

助手消息中模型发起的函数调用（多轮函数调用时原样带回）。

tool_call_idstring

role 为 tool 时必填，对应要回复的 tool_calls[].id。

streamboolean默认 false

是否以 SSE 流式返回。开启后按 data: {...} 逐块推送，最后以 data: [DONE] 结束。

stream_optionsobject

流式选项。

子字段 1

include_usageboolean

为 true 时，在结束前额外推送一个包含 usage 的数据块（其 choices 为空数组）。

max_tokensinteger

本次回复最多生成的 token 数（适用于非推理模型）。调用 Claude 模型时建议显式设置。

max_completion_tokensinteger

回复（含推理 token）的上限，推理模型请使用此参数代替 max_tokens。

temperaturenumber默认 1

采样温度，取值 0–2。越高越随机，越低越稳定。一般只调整它或 top_p 其中之一。

top_pnumber默认 1

核采样，取值 0–1，只从累计概率达到 top_p 的 token 中采样。

ninteger默认 1

为同一输入生成几条候选回复，按生成的 token 总数计费。

stopstring | array

遇到这些字符串时停止生成，最多 4 个。

presence_penaltynumber默认 0

取值 -2.0–2.0，正值会降低重复话题出现的概率。

frequency_penaltynumber默认 0

取值 -2.0–2.0，正值会降低重复用词的概率。

logit_biasobject

调整指定 token 出现概率，键为 token ID，值为 -100–100。

seedinteger

随机种子，相同种子与参数时尽量返回一致结果（不保证完全一致）。

response_formatobject

指定输出格式。

子字段 2

typestring必填

json_object 要求输出合法 JSON（提示词里也需说明要输出 JSON）；json_schema 按给定 Schema 严格输出。

可选值textjson_objectjson_schema

json_schemaobject

type 为 json_schema 时必填，包含 name、schema（JSON Schema）、strict（是否严格校验）。

toolsarray

模型可调用的函数列表。

子字段 2

typestring必填

固定为 function。

functionobject必填

函数定义：name（函数名）、description（用途说明）、parameters（JSON Schema 描述的参数）、strict（可选）。

tool_choicestring | object

控制是否调用函数：none 不调用、auto 由模型决定、required 必须调用，或 {"type": "function", "function": {"name": "get_weather"}} 指定函数。

parallel_tool_callsboolean默认 true

是否允许一次回复中并行发起多个函数调用。

reasoning_effortstring

推理强度，仅推理模型支持（GPT-5 系列、o 系列等），部分新模型还支持 none、xhigh。强度越高思考越充分，耗时与费用也越高。

可选值minimallowmediumhigh

modalitiesarray

输出模态，如 ["text", "audio"]，仅音频模型（如 gpt-4o-audio-preview、gpt-audio）支持。

audioobject

音频输出设置，如 {"voice": "alloy", "format": "wav"}，需同时设置 modalities。

logprobsboolean默认 false

是否返回输出 token 的对数概率（部分模型支持）。

userstring

终端用户标识，便于滥用检测。

响应

非流式返回 chat.completion 对象；流式返回一系列 chat.completion.chunk，每块的增量内容位于 choices[0].delta。

idstring

本次请求的唯一 ID。

objectstring

固定为 chat.completion（流式为 chat.completion.chunk）。

createdinteger

创建时间（Unix 时间戳，秒）。

modelstring

实际使用的模型名称。

choicesarray

候选回复列表。

子字段 3

indexinteger

候选序号。

messageobject

回复消息：role、content；推理类模型可能额外返回 reasoning_content（思考过程）；触发函数调用时返回 tool_calls。

finish_reasonstring

结束原因。length 表示达到 token 上限被截断。

可选值stoplengthtool_callscontent_filter

usageobject

token 用量。

子字段 5

prompt_tokensinteger

输入 token 数。

completion_tokensinteger

输出 token 数（含推理 token）。

total_tokensinteger

总 token 数。

prompt_tokens_detailsobject

输入明细，如 cached_tokens（命中缓存的 token 数）。

completion_tokens_detailsobject

输出明细，如 reasoning_tokens（推理 token 数）。

请求示例

cURLPythonNode.js

bash

curl https://vip.zen-ai.top/v1/chat/completions \
  -H "Authorization: Bearer $VIP_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4.1-mini",
    "messages": [
      {"role": "system", "content": "你是一个乐于助人的助手。"},
      {"role": "user", "content": "用一句话介绍一下你自己。"}
    ]
  }'

python

from openai import OpenAI

client = OpenAI(
    base_url="https://vip.zen-ai.top/v1",
    api_key="sk-xxxxxxxx",
)

resp = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[
        {"role": "system", "content": "你是一个乐于助人的助手。"},
        {"role": "user", "content": "用一句话介绍一下你自己。"},
    ],
)
print(resp.choices[0].message.content)

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://vip.zen-ai.top/v1",
  apiKey: process.env.VIP_API_KEY,
});

const resp = await client.chat.completions.create({
  model: "gpt-4.1-mini",
  messages: [
    { role: "system", content: "你是一个乐于助人的助手。" },
    { role: "user", content: "用一句话介绍一下你自己。" },
  ],
});
console.log(resp.choices[0].message.content);

响应示例

200流式错误

json

{
  "id": "chatcmpl-CKx8f2mQn1bYt7pVq3LwZrJd9sHaE",
  "object": "chat.completion",
  "created": 1790684800,
  "model": "gpt-4.1-mini",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "我是一个 AI 助手，可以帮你解答问题、写作、翻译和编写代码。",
        "refusal": null
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 27,
    "completion_tokens": 21,
    "total_tokens": 48,
    "prompt_tokens_details": { "cached_tokens": 0 },
    "completion_tokens_details": { "reasoning_tokens": 0 }
  }
}

text

data: {"id":"chatcmpl-CKx9...","object":"chat.completion.chunk","created":1790684800,"model":"gpt-4.1-mini","choices":[{"index":0,"delta":{"role":"assistant","content":""},"finish_reason":null}]}

data: {"id":"chatcmpl-CKx9...","object":"chat.completion.chunk","created":1790684800,"model":"gpt-4.1-mini","choices":[{"index":0,"delta":{"content":"秋"},"finish_reason":null}]}

data: {"id":"chatcmpl-CKx9...","object":"chat.completion.chunk","created":1790684800,"model":"gpt-4.1-mini","choices":[{"index":0,"delta":{},"finish_reason":"stop"}]}

data: {"id":"chatcmpl-CKx9...","object":"chat.completion.chunk","created":1790684800,"model":"gpt-4.1-mini","choices":[],"usage":{"prompt_tokens":20,"completion_tokens":32,"total_tokens":52}}

data: [DONE]

json

{
  "error": {
    "message": "当前分组 default 下对于模型 xxx 无可用渠道 (request id: 20260929...)",
    "type": "new_api_error",
    "code": "model_not_found"
  }
}

更多示例

流式输出

PythonNode.js

python

stream = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[{"role": "user", "content": "写一首关于秋天的五言绝句。"}],
    stream=True,
)
for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

const stream = await client.chat.completions.create({
  model: "gpt-4.1-mini",
  messages: [{ role: "user", content: "写一首关于秋天的五言绝句。" }],
  stream: true,
});
for await (const chunk of stream) {
  process.stdout.write(chunk.choices[0]?.delta?.content ?? "");
}

图片理解（本地图片）

本地图片转为 base64 后以 Data URL 形式传入：

python

import base64

with open("photo.jpg", "rb") as f:
    b64 = base64.b64encode(f.read()).decode()

resp = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "描述这张图片"},
            {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
        ],
    }],
)
print(resp.choices[0].message.content)

函数调用（完整两轮）

python

import json

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "查询指定城市的实时天气",
        "parameters": {
            "type": "object",
            "properties": {"city": {"type": "string", "description": "城市名称"}},
            "required": ["city"],
        },
    },
}]
messages = [{"role": "user", "content": "上海今天天气怎么样？"}]

# 第一轮：模型决定调用函数
first = client.chat.completions.create(model="gpt-4.1-mini", messages=messages, tools=tools)
msg = first.choices[0].message
messages.append(msg)

for call in msg.tool_calls or []:
    args = json.loads(call.function.arguments)
    result = {"city": args["city"], "weather": "多云", "temperature": "22°C"}  # 这里调用你自己的实现
    messages.append({"role": "tool", "tool_call_id": call.id, "content": json.dumps(result, ensure_ascii=False)})

# 第二轮：模型根据函数结果作答
final = client.chat.completions.create(model="gpt-4.1-mini", messages=messages, tools=tools)
print(final.choices[0].message.content)

推理模型

GPT-5 系列、o 系列属于推理模型：使用 max_completion_tokens 限制输出（含思考），用 reasoning_effort 控制思考深度，不要传 temperature。

python

resp = client.chat.completions.create(
    model="gpt-5.4-mini",
    reasoning_effort="low",          # minimal / low / medium / high
    max_completion_tokens=4096,
    messages=[{"role": "user", "content": "一个数加上它的一半等于 45，这个数是多少？"}],
)
print(resp.choices[0].message.content)
print(resp.usage.completion_tokens_details.reasoning_tokens)  # 推理消耗的 token

DeepSeek、Qwen、Claude 等模型的思考内容会通过 reasoning_content 字段返回，详见思考与推理参数。

模型不可用？

如果返回 当前分组 xxx 下对于模型 xxx 无可用渠道，说明令牌所属分组不提供该模型。请到模型列表查看模型所在分组，然后在控制台修改令牌分组，或新建一个对应分组的令牌。

创建聊天补全 ​

请求头 ​

请求体 ​

响应 ​

更多示例 ​

流式输出 ​

图片理解（本地图片） ​

函数调用（完整两轮） ​

推理模型 ​

创建聊天补全

请求头

请求体

响应

更多示例

流式输出

图片理解（本地图片）

函数调用（完整两轮）

推理模型