OpenAI Chat Completions API 完整参考手册

原创 已于 2026-04-28 20:40:38 修改 · 817 阅读 · 11 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#Agent
于 2026-04-28 20:27:49 首次发布

OpenAI Chat Completions API 完整参考手册

接口地址：POST https://api.openai.com/v1/chat/completions
文档版本：2026-04
适用模型：GPT-4o、GPT-4-turbo、GPT-3.5-turbo 及兼容 OpenAI 协议的第三方服务

目录

  1. 请求结构总览
  2. 必填参数
  3. messages 消息协议
  4. 生成控制参数
  5. tools 工具调用协议
  6. response_format 结构化输出
  7. 流式输出
  8. 其他参数
  9. 响应体结构
  10. 完整请求示例
  11. 多轮工具调用完整流程

1. 请求结构总览

{
  "model": "gpt-4o",
  "messages": [...],

  // 生成控制
  "temperature": 1,
  "top_p": 1,
  "max_completion_tokens": 4096,
  "n": 1,
  "stop": null,
  "presence_penalty": 0,
  "frequency_penalty": 0,
  "logit_bias": {},
  "logprobs": false,
  "top_logprobs": null,
  "seed": null,

  // 工具调用
  "tools": [...],
  "tool_choice": "auto",
  "parallel_tool_calls": true,

  // 结构化输出
  "response_format": {"type": "text"},

  // 流式
  "stream": false,
  "stream_options": null,

  // 其他
  "user": "",
  "store": false,
  "metadata": {},
  "reasoning_effort": null,
  "modalities": ["text"],
  "service_tier": "auto"
}

2. 必填参数

参数类型说明
modelstring模型 ID，如 gpt-4o、gpt-4-turbo、gpt-3.5-turbo
messagesarray对话消息列表，至少包含一条消息，详见第 3 节

3. messages 消息协议

messages 是一个有序数组，模拟完整的对话历史。每轮请求都需要传入完整的历史消息，模型无状态。

3.1 system 消息

设定模型的角色、行为和约束，通常放在数组首位。

{
  "role": "system",
  "content": "你是一个专业的天气查询助手，只回答与天气相关的问题。",
  "name": "weather_bot"   // 可选，用于区分多个 system 消息
}

3.2 user 消息

用户输入，支持纯文本或多模态内容。

// 纯文本
{
  "role": "user",
  "content": "北京今天天气怎么样？"
}

// 多模态（文本 + 图片）
{
  "role": "user",
  "content": [
    {"type": "text", "text": "这张图片里有什么？"},
    {
      "type": "image_url",
      "image_url": {
        "url": "https://example.com/image.jpg",
        "detail": "auto"   // auto | low | high
      }
    }
  ]
}

3.3 assistant 消息

模型的历史回复，回传时需原样保留。若上一轮模型发起了工具调用，tool_calls 字段必须一并保留。

// 普通回复
{
  "role": "assistant",
  "content": "北京今天晴，气温 22°C。"
}

// 含工具调用的回复
{
  "role": "assistant",
  "content": null,
  "tool_calls": [
    {
      "id": "call_abc123",
      "type": "function",
      "function": {
        "name": "get_weather",
        "arguments": "{\"city\": \"北京\"}"   // JSON 字符串，需 JSON.parse 解析
      }
    }
  ]
}

3.4 tool 消息

工具执行结果，用于将调用结果回传给模型。tool_call_id 必须与 assistant 消息中对应的 id 匹配。

{
  "role": "tool",
  "tool_call_id": "call_abc123",
  "content": "{\"temperature\": 22, \"condition\": \"晴转多云\"}"
}

3.5 消息顺序约束

system（可选）→ user → assistant → tool → user → assistant → ...
  • 每轮对话必须以 user 或 tool 消息结尾（发起新请求时）
  • tool 消息必须紧跟在包含 tool_calls 的 assistant 消息之后
  • 并行工具调用时，所有工具结果必须全部回传后才能继续对话

4. 生成控制参数

4.1 随机性控制

参数类型默认值范围说明
temperaturenumber10 ~ 2越高输出越随机，越低越确定性。不建议同时调整 temperature 和 top_p
top_pnumber10 ~ 1核采样，只从累计概率达到该值的 token 中采样。0.1 表示只考虑最可能的前 10%
seedinteger——随机种子，相同 seed 在相同条件下尽量复现相同输出
temperature 与 top_p 的决策指南

核心原则：两者只调其一，另一个保持默认值。

temperature 调节逻辑

temperature 通过缩放 softmax 概率分布来控制随机性：

  • 值趋近 0：分布极度集中，每次几乎选最高概率 token，输出高度确定、可复现
  • 值为 1（默认）：保持模型原始概率分布，平衡创意与准确性
  • 值趋近 2：分布极度平坦，低概率 token 也有机会被选中，输出随机甚至混乱
场景推荐值说明
代码生成、数学计算、数据提取0 ~ 0.2要求准确，不允许随机发挥
问答、摘要、翻译0.3 ~ 0.7需要准确但允许适当表达变化
通用对话、客服助手0.7 ~ 1.0平衡自然流畅与准确性
头脑风暴、创意写作、故事生成1.0 ~ 1.5鼓励多样化和意外创意
诗歌、高度实验性内容1.5 ~ 2.0极度随机，慎用

top_p 调节逻辑

top_p 采用核采样（Nucleus Sampling），动态截断概率分布的尾部：

  • 值为 1.0（默认）：考虑全部 token，不做截断
  • 值为 0.9：只从累计概率前 90% 的 token 中采样，排除低概率的长尾噪声
  • 值为 0.1：只考虑最核心的少量 token，极度保守
场景推荐值说明
需要消除低概率噪声0.8 ~ 0.95保留主流选择，去除异常 token
通用场景1.0保持默认，不干预分布
极度保守输出0.1 ~ 0.5输出非常集中，适合格式严格的任务

temperature vs top_p 选哪个？

需要控制"输出的随机程度"   → 调 temperature（更直观）
需要控制"候选词的范围大小"  → 调 top_p（更精细）
两者不要同时偏离默认值      → 否则效果叠加，难以预测

常用组合速查

任务类型temperaturetop_p效果
代码补全0.01.0确定性最强，首选方案
数据抽取 / JSON 输出0.11.0几乎无随机，结构稳定
问答 / 摘要0.51.0略带变化，表达自然
通用对话1.01.0模型默认行为
创意写作1.21.0增加创意多样性
头脑风暴1.00.95过滤极低概率词，保持创意

4.2 长度控制

参数类型默认值说明
max_completion_tokensinteger模型上限最大生成 token 数，包含推理模型的思考 token（推荐使用此参数）
max_tokensinteger—已废弃，功能同上，请改用 max_completion_tokens
ninteger1每次请求返回的候选回复数量，n > 1 时消耗更多 token
stopstring / arraynull遇到指定字符串时停止生成，最多指定 4 个停止词

4.3 重复惩罚

参数类型默认值范围说明
presence_penaltynumber0-2.0 ~ 2.0正值惩罚已出现过的 token，鼓励模型引入新话题
frequency_penaltynumber0-2.0 ~ 2.0正值惩罚高频 token，减少词汇重复
logit_biasobjectnull—直接调整指定 token 的概率，格式 {"token_id": bias}，bias 范围 -100 ~ 100

4.4 概率分析

参数类型默认值说明
logprobsbooleanfalse是否在响应中返回每个 token 的对数概率
top_logprobsinteger—每个位置返回概率最高的前 N 个 token 及其概率，需先开启 logprobs，最大值 20

5. tools 工具调用协议

工具调用（Function Calling）允许模型在生成回复时决定调用外部函数，并将调用参数结构化输出。

5.1 顶层参数

参数类型默认值说明
toolsarray—工具定义列表，每项描述一个可调用的函数
tool_choicestring / object"auto"控制模型是否及如何调用工具，见 5.3 节
parallel_tool_callsbooleantrue是否允许模型在一次回复中并行调用多个工具

5.2 单个工具的完整结构

{
  "type": "function",
  "function": {
    "name": "get_weather",
    "description": "查询指定城市的天气预报，支持查询未来多天的天气数据",
    "strict": false,
    "parameters": {
      "type": "object",
      "properties": {

        // 字符串类型
        "city": {
          "type": "string",
          "description": "城市名称，如北京、上海、广州"
        },

        // 枚举类型
        "unit": {
          "type": "string",
          "enum": ["celsius", "fahrenheit"],
          "description": "温度单位，默认摄氏度"
        },

        // 整数类型（含范围约束）
        "days": {
          "type": "integer",
          "minimum": 1,
          "maximum": 7,
          "description": "查询未来几天的天气，1~7"
        },

        // 数组类型
        "fields": {
          "type": "array",
          "items": {
            "type": "string",
            "enum": ["temperature", "humidity", "wind", "uv_index"]
          },
          "description": "指定返回的数据字段"
        },

        // 嵌套对象
        "location": {
          "type": "object",
          "properties": {
            "lat":  {"type": "number", "description": "纬度"},
            "lng":  {"type": "number", "description": "经度"}
          },
          "required": ["lat", "lng"]
        }

      },
      "required": ["city"],
      "additionalProperties": false
    }
  }
}
function 字段说明
字段类型必填说明
namestring✅函数名，仅允许 a-z A-Z 0-9 _ -，最长 64 字符
descriptionstring推荐函数用途说明，越详细模型调用越准确
parametersobject—参数定义，遵循 JSON Schema Draft 7，无参函数可省略
strictboolean—开启后强制模型严格按 schema 生成参数，默认 false
parameters 支持的 JSON Schema 关键字
关键字适用类型说明
type所有string / number / integer / boolean / array / object / null
description所有字段说明，帮助模型理解含义
enumstring / number枚举可选值列表
requiredobject必填字段列表
propertiesobject子字段定义
additionalPropertiesobjectfalse 禁止额外字段
itemsarray数组元素的类型定义
minimum / maximumnumber / integer数值范围约束
minLength / maxLengthstring字符串长度约束
minItems / maxItemsarray数组长度约束
patternstring正则表达式约束
$ref / $defs所有引用复用定义（strict 模式支持）
anyOf所有strict 模式下表示可选字段（配合 null）

5.3 tool_choice 详细说明

// 禁止调用任何工具，模型只生成文本
"tool_choice": "none"

// 模型自行判断是否调用工具（默认值）
"tool_choice": "auto"

// 必须调用至少一个工具
"tool_choice": "required"

// 强制调用指定工具
"tool_choice": {
  "type": "function",
  "function": {"name": "get_weather"}
}

5.4 strict 模式约束

开启 "strict": true 时，parameters schema 必须满足：

  • 所有 object 层级必须设置 "additionalProperties": false
  • 所有 properties 中的字段必须全部列在 required 中
  • 可选字段使用 anyOf: [{"type": "xxx"}, {"type": "null"}] 表示
  • 支持通过 $defs 定义可复用结构
// strict 模式下的可选字段写法
"email": {
  "anyOf": [
    {"type": "string"},
    {"type": "null"}
  ],
  "description": "邮箱地址，无则传 null"
}

6. response_format 结构化输出

控制模型输出的格式，共三种模式。

6.1 三种模式对比

模式保证合法 JSON保证结构符合 Schema实现机制适用场景
text❌❌—普通对话
json_object✅❌Prompt 引导简单 JSON 输出
json_schema✅✅约束解码关键数据提取、程序直接消费

6.2 text 模式（默认）

{"type": "text"}

普通文本输出，无任何格式约束。

6.3 json_object 模式

{"type": "json_object"}

保证输出是合法 JSON，但不约束结构。

  • 使用前必须在 messages 中明确要求模型输出 JSON，否则 API 报错
  • 字段名、层级、类型完全依赖 prompt 描述，模型可能随意增减字段
  • 适合对结构精确度要求不高的场景
// 可能的输出（结构不可控，有额外字段风险）
{"city": "北京", "temp": 22, "extra": "模型自行添加的字段"}

6.4 json_schema 模式（Structured Outputs）

{
  "type": "json_schema",
  "json_schema": {
    "name": "schema_name",
    "description": "可选说明",
    "schema": { ... },
    "strict": true
  }
}

通过约束解码（Constrained Decoding）强制输出严格符合 schema 的 JSON，strict: true 时准确率 100%。

json_schema 字段说明
字段类型必填说明
namestring✅Schema 名称，仅允许 a-z A-Z 0-9 _ -，最长 64 字符
descriptionstring—Schema 用途说明，辅助模型理解意图
schemaobject✅标准 JSON Schema（Draft 7），根类型必须是 object
strictboolean推荐true 时开启强约束，保证 100% 符合结构，默认 false
strict: true 时 schema 要求
  • 根类型必须为 object（不能是 array 或 string）
  • 所有 object 层级必须设置 "additionalProperties": false
  • 所有 properties 字段必须全部列在 required 中
  • 可选字段使用 anyOf: [{"type": "xxx"}, {"type": "null"}]
完整示例
{
  "model": "gpt-4o-2024-08-06",
  "messages": [
    {"role": "user", "content": "提取人员信息：张三是CEO，李四是CTO，邮箱 li4@corp.com"}
  ],
  "response_format": {
    "type": "json_schema",
    "json_schema": {
      "name": "people_extraction",
      "description": "从文本中提取人员姓名、职位和邮箱",
      "strict": true,
      "schema": {
        "type": "object",
        "properties": {
          "people": {
            "type": "array",
            "description": "人员列表",
            "items": {
              "type": "object",
              "properties": {
                "name": {
                  "type": "string",
                  "description": "姓名"
                },
                "title": {
                  "type": "string",
                  "description": "职位"
                },
                "email": {
                  "anyOf": [
                    {"type": "string"},
                    {"type": "null"}
                  ],
                  "description": "邮箱，没有则为 null"
                }
              },
              "required": ["name", "title", "email"],
              "additionalProperties": false
            }
          }
        },
        "required": ["people"],
        "additionalProperties": false
      }
    }
  }
}

模型严格返回：

{
  "people": [
    {"name": "张三", "title": "CEO", "email": null},
    {"name": "李四", "title": "CTO", "email": "li4@corp.com"}
  ]
}

6.5 json_object vs json_schema 核心区别

json_object：  prompt 描述 → 模型"尽力"输出 JSON → 结构不保证
json_schema：  schema 约束 → 约束解码 → 输出 100% 符合结构
维度json_objectjson_schema
实现机制Prompt 引导（软约束）约束解码（硬约束）
结构保证❌ 依赖 prompt 质量✅ strict=true 时 100% 保证
多余字段可能出现不会出现
缺失字段可能出现不会出现
类型错误可能出现不会出现
模型要求较宽泛gpt-4o-2024-08-06 及以上
适用场景简单/非关键 JSON关键数据提取、代码直接消费

7. 流式输出

参数类型默认值说明
streambooleanfalse开启后以 SSE（Server-Sent Events）逐 token 流式返回
stream_optionsobject—{"include_usage": true} 在最后一帧附带 token 用量统计

流式响应格式（每帧）：

data: {"id":"chatcmpl-xxx","choices":[{"delta":{"content":"北"},"finish_reason":null}]}
data: {"id":"chatcmpl-xxx","choices":[{"delta":{"content":"京"},"finish_reason":null}]}
...
data: {"id":"chatcmpl-xxx","choices":[{"delta":{},"finish_reason":"stop"}]}
data: [DONE]

8. 其他参数

参数类型说明
userstring终端用户唯一标识符，用于平台侧的滥用监控和审计
storeboolean是否将本次请求存储用于 Dashboard 查看或 Fine-tuning（默认 false）
metadataobject自定义键值对，随请求存储，最多 16 个键，可用于业务标注
reasoning_effortstring推理模型（o1/o3 系列）的思考强度："low" / "medium" / "high"
modalitiesarray指定输出模态：["text"] 或 ["text", "audio"]（需模型支持音频）
audioobject音频输出配置：{"voice": "alloy", "format": "mp3"}
predictionobject预测输出（Predicted Outputs），提供预期内容以加速生成
service_tierstring服务等级："auto" / "default" / "flex"（影响优先级和限速）

9. 响应体结构

9.1 普通文本回复

{
  "id": "chatcmpl-abc123",
  "object": "chat.completion",
  "created": 1712345678,
  "model": "gpt-4o-2024-08-06",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "北京今天晴，气温 22°C。",
        "tool_calls": null,
        "refusal": null
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 28,
    "completion_tokens": 15,
    "total_tokens": 43,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "audio_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0,
      "audio_tokens": 0,
      "accepted_prediction_tokens": 0,
      "rejected_prediction_tokens": 0
    }
  },
  "system_fingerprint": "fp_abc123"
}

9.2 含 tool_calls 的回复

当模型决定调用工具时，finish_reason 为 "tool_calls"，content 为 null，tool_calls 数组包含所有调用信息。

{
  "id": "chatcmpl-xyz789",
  "object": "chat.completion",
  "created": 1712345678,
  "model": "gpt-4o-2024-08-06",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": null,                      // 有 tool_calls 时 content 为 null
        "refusal": null,
        "tool_calls": [
          {
            "id": "call_abc111",              // 唯一调用 ID，回传结果时必须对应
            "type": "function",               // 目前固定为 "function"
            "function": {
              "name": "get_weather",          // 调用的函数名
              "arguments": "{\"city\": \"北京\", \"days\": 3}"  // JSON 字符串，需 json.loads() 解析
            }
          },
          {
            "id": "call_abc222",              // 并行调用第二个工具
            "type": "function",
            "function": {
              "name": "get_weather",
              "arguments": "{\"city\": \"上海\", \"days\": 3}"
            }
          }
        ]
      },
      "logprobs": null,
      "finish_reason": "tool_calls"           // 标志：需要执行工具并回传结果
    }
  ],
  "usage": {
    "prompt_tokens": 85,
    "completion_tokens": 42,
    "total_tokens": 127,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "audio_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0,
      "audio_tokens": 0,
      "accepted_prediction_tokens": 0,
      "rejected_prediction_tokens": 0
    }
  },
  "system_fingerprint": "fp_abc123"
}
tool_calls 数组中每个元素的字段说明
字段类型说明
idstring本次调用的唯一 ID，格式如 call_xxxxxxxx，回传 tool 消息时必须填入 tool_call_id
typestring固定为 "function"
function.namestring模型决定调用的函数名，与 tools 定义中的 name 对应
function.argumentsstring模型生成的调用参数，是 JSON 字符串，需手动 json.loads() 解析后使用
收到 tool_calls 后的处理流程
1. 检查 finish_reason === "tool_calls"
2. 将整个 assistant message（含 tool_calls）原样追加到 messages
3. 遍历 tool_calls 数组，逐个执行对应函数
4. 每个工具结果以 role: "tool" 消息追加，tool_call_id 必须与 id 对应
5. 全部结果追加完成后，发起下一轮请求

// 回传工具结果的消息格式（每个 tool_call 对应一条）
{
  "role": "tool",
  "tool_call_id": "call_abc111",    // 对应 tool_calls[i].id
  "content": "{\"city\":\"北京\",\"temperature\":18,\"condition\":\"晴\"}"
},
{
  "role": "tool",
  "tool_call_id": "call_abc222",    // 对应 tool_calls[i].id
  "content": "{\"city\":\"上海\",\"temperature\":15,\"condition\":\"小雨\"}"
}

finish_reason 枚举值

值含义
stop模型正常结束生成
tool_calls模型发起了工具调用，需要执行后回传结果
length达到 max_completion_tokens 限制被截断
content_filter内容被安全过滤拦截
null流式输出中间帧

10. 完整请求示例

curl https://api.openai.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "gpt-4o",
    "messages": [
      {"role": "system", "content": "你是一个专业的天气查询助手"},
      {"role": "user", "content": "查一下北京未来3天的天气"}
    ],
    "tools": [
      {
        "type": "function",
        "function": {
          "name": "get_weather",
          "description": "查询指定城市未来若干天的天气预报",
          "parameters": {
            "type": "object",
            "properties": {
              "city": {
                "type": "string",
                "description": "城市名称"
              },
              "days": {
                "type": "integer",
                "minimum": 1,
                "maximum": 7,
                "description": "查询天数"
              },
              "unit": {
                "type": "string",
                "enum": ["celsius", "fahrenheit"],
                "description": "温度单位"
              }
            },
            "required": ["city"]
          }
        }
      }
    ],
    "tool_choice": "auto",
    "parallel_tool_calls": true,
    "temperature": 0.7,
    "max_completion_tokens": 1024
  }'

11. 多轮工具调用完整流程

Python 完整示例

import json
import openai

client = openai.OpenAI(api_key="YOUR_API_KEY")

# 定义工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询指定城市的天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名称"},
                    "days": {"type": "integer", "description": "查询天数"}
                },
                "required": ["city"]
            }
        }
    }
]

# 模拟工具执行函数
def get_weather(city: str, days: int = 1) -> dict:
    return {"city": city, "days": days, "temperature": 22, "condition": "晴"}

# 第一轮：用户提问
messages = [
    {"role": "system", "content": "你是天气助手"},
    {"role": "user", "content": "北京和上海明天天气怎么样？"}
]

response = client.chat.completions.create(
    model="gpt-4o",
    messages=messages,
    tools=tools,
    tool_choice="auto",
    parallel_tool_calls=True
)

msg = response.choices[0].message

# 处理工具调用（可能并行多个）
if msg.tool_calls:
    messages.append(msg)  # 追加 assistant 消息（含 tool_calls）

    for tool_call in msg.tool_calls:
        args = json.loads(tool_call.function.arguments)

        # 执行对应工具
        if tool_call.function.name == "get_weather":
            result = get_weather(**args)

        # 追加每个工具的执行结果
        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,   # 必须与 tool_call.id 对应
            "content": json.dumps(result, ensure_ascii=False)
        })

    # 第二轮：将所有工具结果回传，获取最终回复
    final_response = client.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        tools=tools
    )

    print(final_response.choices[0].message.content)

消息流示意

[user]       "北京和上海明天天气怎么样？"
     ↓ 第一次请求
[assistant]  tool_calls: [get_weather(北京), get_weather(上海)]
     ↓ 执行工具
[tool]       {"city":"北京","temperature":22,"condition":"晴"}
[tool]       {"city":"上海","temperature":18,"condition":"小雨"}
     ↓ 第二次请求
[assistant]  "北京明天晴，22°C；上海明天小雨，18°C。"

注意事项

  1. tools 每轮请求都必须传入，模型无状态，不记忆上一轮的工具定义
  2. arguments 是 JSON 字符串，需手动调用 json.loads() 解析，不是对象
  3. 并行工具调用时，assistant 消息中可能包含多个 tool_calls，需逐个执行并全部回传结果
  4. tool_call_id 必须严格对应，每个 tool 消息的 tool_call_id 必须匹配对应的 tool_calls[i].id
  5. json_schema 模式需要 gpt-4o-2024-08-06 及以上版本，旧模型不支持
  6. 兼容第三方服务（如 Azure OpenAI、各国产模型）可能仅支持参数子集，以各平台文档为准
AI大模型探索之路-基础篇2：掌握Chat Completions API的基础与应用
寻道AI，探索AI无限可能！
04-05 6218
OpenAI 大模型提供了一些强大的 API，方便用户与 OpenAI 的大语言模型进行交互。除了上篇中讲到的Embeddings中需要用到的embeddings接口，其核心接口主要是Completions 和Chat Completions接口
从 Chat Completions 到 Responses：一文彻底搞懂 OpenAI 新一代统一接口设计
私聊前往站内信：https://i.csdn.net/#/msg/chat/weixin_44976692
04-02 887
chat/completions 是旧时代的聊天接口，而 responses 是新时代的统一 AI 接口。responses设计时代GPT-4GPT-4o接口定位聊天通用生成多模态❌✅JSON输出一般强Agent支持一般强统一接口 + 多模态 + Agent能力。而正是这个趋势的起点。
# OpenAI开发系列（十）：Chat Completion Models API详解与构建本地知识库问答系统实践
无敌小怪兽_Zz的博客
07-23 9008
文章从介绍Chat Completion Models开始，阐述了其与Completions Models的关系及其发展历程。深入解读了Chat Completions Model API，包括调用示例及参数详解。在此基础上，专门对messages参数进行了详解，包括参数结构，以及message中的角色划分。并且，提供了丰富的message参数应用实例，如借助多轮user-assistant消息进行few-shot，使用system role进行Few-shot，输入提示模板，设置聊天背景信息，以及使用.a
【在线大模型调用】Chat Completions API调用方法实现文本对话
qq_60245590的博客
01-26 1213
Chat Completions API 是 OpenAI 的对话型模型通过函数实现文本对话。
OpenAI 聊天补全生成接口规范
何哥的博客
06-10 3777
OpenAI 提供的聊天补全生成接口（Chat Completion API）是其用于多轮对话生成的核心 API 之一，广泛应用于 GPT-3.5 和 GPT-4 等模型。以下是该接口的详细规范，基于 OpenAI 官方文档整理。
Python调用openai APi (ChatCompletion)，以及代码解释
博然的宝藏库
06-27 3210
{"role": "system", "content": "You are a helpful assistant."},#定义Gpt的风格。{"role": "user", "content": "Orange."},#同上，官网不建议。{"role": "user", "content": "Knock knock."},#这是你的属于的信息。model=MODEL, #使用"gpt-3.5-turbo"
(第三周，校历11周)阅读openai文档，了解Chat Completions api,以及相关使用方法及示例.
weixin_74924324的博客
04-28 827
responses api 是最新的api,它有着不同的交互方式.使用响应 API 可以更轻松地处理事件。它具有可预测的事件驱动架构，而聊天完成 API 会在生成令牌时持续附加到内容字段，这需要您手动跟踪每种状态之间的差异。使用响应 API 可以更轻松地实现多步骤对话逻辑和推理。如上文,role 定义了一个开发者的角色,让模型用开发者的角色来回复想海盗一样说话的问题.节选自 open ai 使用文档 使用聊天完成api.这是利用api ,让chat写一个关于独角兽的故事.结构化输出 API 形状不同。
WilmerAI API参考手册：OpenAI兼容接口与自定义端点配置
gitblog_00570的博客
06-18 404
WilmerAI作为一款成熟的LLM语义路由工具，通过多层提示路由和复杂工作流，不仅能创建实用的聊天机器人，还能扩展任何通过REST API连接LLM的应用程序。它位于应用程序和多个LLM API之间，可根据需要处理提示。 ## 核心功能与优势 WilmerAI的核心功能在于其强大的API处理能力，特别是对OpenAI兼容接口的支持以及灵活的自定义端点配置。这使得开发者能够轻松集成各种LLM服
GPT-5.5不存在？拆解大模型版本幻觉背后的三大真实技术来源
最新发布
weixin_34221036的博客
06-18 368
大语言模型版本号是公众理解AI能力跃迁的直观锚点，但其本质是能力范式演进的符号化表达，而非线性迭代的软件版本。GPT-4o标志着多模态实时交互与统一架构的落地，Claude 3.5 Sonnet强化了长上下文与专业领域推理，Qwen2-72B等开源旗舰则推动高性能本地化部署成为可能。这些真实存在的技术实体，共同构成用户语境中‘GPT-5.5’所指向的能力集合：超低延迟响应、中文长文档精读、高准确率代码生成与可控私有化运行。它们不依赖虚构编号，而是通过API调用、开源模型微调与混合推理架构，在电商客服、法律审
DeepSeek不是GPT蒸馏模型：技术路径、数据源头与工程原创性实证
weixin_33670713的博客
06-18 464
大语言模型的‘蒸馏’是一种特定模型压缩技术，需以闭源教师模型为前提并追求推理效率提升；而DeepSeek系列采用自研GLM架构、全中文政务与学术数据训练、硬件感知长上下文设计，其词元增强、动态稀疏激活与结构化提取能力均源于原创工程决策。这类国产大模型的技术价值在于垂直场景稳定性、中文语义深度适配与企业级可控部署，广泛应用于医疗诊断辅助、政务知识库问答、制造业设备日志理解等对准确性、低幻觉和高确定性要求严苛的业务场景。
【AI】AI学习笔记：Chat Completions API `messages` 的role参数详解
hknaruto的专栏
01-09 1441
参数是一个消息对象的列表，模型会基于这个列表所描述的“对话历史”，来生成下一轮的回复。每一个消息对象都包含一个 （角色）和对应的 （内容）。在兼容OpenAI的API中， 主要定义了消息发送方的身份。理解每个角色的职责，是构建有效对话的关键。 的魅力在于通过组合这些角色，能够构建从简单到复杂的任意对话上下文。这是最常见的对话开头方式。系统指令设定框架，用户提问开启具体对话。 场景二：多轮对话（包含完整历史） 为了实现连贯的对话，你需要将之前所有的用户提问和模型回复都按顺序放入 。模型会基于整个历史来生成新的
Deepseek Api 对话补全（Chat Completion）、补全（Completion）、FIM补全（Fill-in-Middle，Beta）区别
Dontla的博客
02-27 4409
DeepSeek API中的不同接口针对不同场景设计，主要区别如下：messagespromptprefixsuffix具体参数请参考。
OpenAI的Responses API与Chat Completions API对比
weixin_40941102的博客
03-17 4798
在OpenAI的生态系统中，开发者可以通过两种主要API与模型进行交互：Responses API和Chat Completions API。本教程将深入探讨这两者之间的区别、适用场景以及如何选择最适合您项目需求的API。定位：最新的核心API，是一个代理型API原语特点：结合了Chat Completions的简洁性与更多代理任务的能力推荐对象：新用户内置工具：网络搜索、文件搜索、计算机使用。
AI大模型应用开发实践：4.基于 Chat Completions API 实现外部函数调用
Hugo的博客
05-24 1533
本 Notebook 介绍了如何将 Chat Completions API 与外部函数结合使用，以扩展 GPT 模型的功能。如何使用functions参数如何使用参数使用 GPT 模型生成函数和参数实际执行 GPT 模型生成的函数（以 SQL 查询为例）首先，让我们定义一些用于调用聊天完成 API 的实用工具，并维护和跟踪对话状态。# 使用了retry库，指定在请求失败时的重试策略。
OpenAI API(1)补全Responses（Chat Completions）API和记忆Assistants API对比分析
07-21 1397
摘要： Chat Completions API与Assistants API的核心差异在于状态管理、文件处理、工具调用等方面。Chat Completions API无状态，需手动维护上下文，适合简单对话任务，延迟低且按Token计费；而Assistants API自动管理对话线程，支持文件解析和内置工具（如代码解释器），适合复杂任务，但延迟较高且可能产生额外费用。选择依据包括是否需要文件处理、多轮对话记忆或预算限制。轻量级交互推荐Chat Completions API，复杂任务则优先Assistant
OpenAI API 演进：Chat Completions 与 Responses API 深度对比分析
宇擎智脑科技的博客
02-11 2859
OpenAI于2025年3月推出新一代Responses API（/v1/responses），与当前主流的Chat Completions API形成技术代际差异。Responses API采用有状态设计，原生支持对话管理、内置多种工具调用（如web搜索、代码解释器等），并优化了流式输出和推理能力。相比之下，Chat Completions API仍保持无状态架构，更适合简单对话和兼容性场景。分析表明，Responses API将重塑智能体开发范式，使简单Agent应用可能"去框架化"
【人工智能】探秘OpenAI神奇接口 - ChatCompletion (6)
龚小帅的博客
02-01 3706
是OpenAI中一个非常重要的接口。简单来说，它让你能够打造自己的应用，特别适用于与人工智能进行互动的场景，比如聊天机器人或智能客服。这个接口的独特之处在于它能够处理连续对话，因此可以保持上下文的信息，使得交流更加自然流畅。这就好比给你的应用赋予了与用户更亲近、更人性化的能力。 请求参数 参数名 必选 类型 说明 model 是 string 支持的模型为：gpt-4, gpt-3.5-turbo, gpt-3.5-turbo-0301 messages 是 array 字典组成的列表对
通过openAI的Chat Completions API实现一个支持追问的ChatGPT功能集成
实用的博客
09-23 854
本文介绍如何通过openAI的Chat Completions API实现一个支持追问的后台功能
OpenAI Chat Completion API 应用与使用指南
零安道长的博客
04-16 511
OpenAI ChatGPT 是一个强大的 AI 对话系统，通过输入提示，能够在短短几秒内生成流畅自然的回复。凭借其出色的语言理解和生成能力，ChatGPT 在多个行业和领域得到了广泛应用。无论是日常对话、创意写作，还是专业咨询和编程，ChatGPT 都能提供令人惊叹的智能辅助，极大地提升人类的工作效率和创造力。本文将介绍 OpenAI Chat Completion API 的使用流程，帮助开发者轻松接入官方 OpenAI ChatGPT 的对话功能。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值