阿里云AI模型API调用全指南

1.调用

client = OpenAI(
    api_key="sk-ws自己的阿里云",
    base_url="阿里云"
)

在阿里云模型中查找自己的api_key

def get_ai_response(messages: list):
    completions = client.chat.completions.create(
        model="qwen-plus",
        messages=messages
    )
    return completions.choices[0].message.content

封装一个方法 调用我们的ai模型 model 是我们的模型类型 messages是我们要输入的内容

messages = [
    {"role": "system", "content": "你是一个助手"},
    {"role": "user", "content": question}
]

2.role 是消息类型 分为：

1.System Message object(可选）
系统消息，用于设定大模型的角色、语气、任务目标或约束条件等。一般放在messages数组的第一位。
QwQ模型不建议设置SystemMessage，QVQ模型设置SystemMessage不会生效。

2.User Message object (必选)
用户消息，用于向模型传递问题、指令或上下文等。

3.Assistant Message object(可选)
模型的回复。通常用于在多轮对话中作为上下文回传给模型。

4.Tool Message object(可选)
工具的输出信息。

常用的只有1和2 system和user system是定义系统的角色模型

3.文本输入

import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    # 模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
    model="qwen3.8-max",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "你是谁？"},
    ]
)
print(completion.model_dump_json())

4.流式输入

需要配置环境然后 流程式输入

import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3.8-max",  # 此处以qwen3.8-max为例，可按需更换模型名称。模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
    messages=[{'role': 'system', 'content': 'You are a helpful assistant.'},
                {'role': 'user', 'content': '你是谁？'}],
    stream=True,
    stream_options={"include_usage": True}
    )
for chunk in completion:
    print(chunk.model_dump_json())

temperature float （可选）

采样温度，控制模型生成文本的多样性。

temperature越高，生成的文本更多样，反之，生成的文本更确定。

取值范围： [0, 2)

temperature与top_p均可以控制生成文本的多样性，建议只设置其中一个值。更多说明，请参见概述。

temperature默认值

不建议修改QVQ模型的默认temperature值 。

response_format object （可选） 默认值为{"type": "text"}

返回内容的格式。可选值：

• {"type": "text"}：输出文字回复；

• {"type": "json_object"}：输出标准格式的JSON字符串。

相关文档： 结构化输出。

若指定为 {"type": "json_object"}，需在提示词中明确指示模型输出JSON，如：“请按照json格式输出”，否则会报错。

支持的模型参见 结构化输出。

5.模型

max_completion_tokens integer （可选）

模型输出的最大长度，包含思维链和模型回答。模型输出超过此值时生成将提前停止，返回的 finish_reason 为 length。

默认值与最大值均为模型的最大输出长度。

与 max_tokens 的区别：max_completion_tokens 限制模型完整输出（思维链 + 回答），而 max_tokens 仅限制回答部分。思考类模型推荐使用 max_completion_tokens。

支持以下模型：

• 千问 Max：Qwen3.7-Max 及之后的模型

• 千问 Plus：Qwen3.5-Plus 及之后的模型

• 千问 Flash：Qwen3.5-Flash 及之后的模型

• Kimi：kimi-k2.5 及其之后推出的Kimi模型

• GLM：glm-5 及其之后推出的GLM系列模型

• MiniMax：MiniMax-M2.5 及之后推出的MiniMax模型

• DeepSeek：deepseek-v3、deepseek-r1、deepseek-r1-0528、deepseek-v3.1、deepseek-v3.2、deepseek-v3.2-exp、deepseek-v4-pro、deepseek-v4-flash 及之后推出的DeepSeek模型

以上模型均不包含三方直供模型。

实际输出 Token 数与设置的  max_completion_tokens 值之间最多可能存在 10 个 Token 的误差。