Beantragung und Nutzung der Claude Chat Completion API

Anthropic Claude ist ein sehr leistungsstarkes KI-Dialogsystem, das durch die einfache Eingabe von Prompts innerhalb weniger Sekunden flüssige und natürliche Antworten generieren kann. Claude hebt sich in der Branche durch sein hervorragendes Sprachverständnis und seine Generierungsfähigkeiten hervor. Heute wird Claude bereits in zahlreichen Branchen und Bereichen umfassend eingesetzt, und sein Einfluss wird immer deutlicher. Ob bei alltäglichen Gesprächen, kreativem Schreiben, professioneller Beratung oder Code-Programmierung – Claude kann beeindruckende intelligente Unterstützung bieten und die Arbeitseffizienz und Kreativität der Menschen erheblich steigern. Dieses Dokument stellt hauptsächlich den Nutzungsprozess der Claude Chat Completion API vor. Mit ihr können wir die Dialogfunktion des offiziellen Claude einfach nutzen.

Beantragungsprozess

Um die Claude Chat Completion API zu verwenden, rufen Sie zunächst die Ace Data Cloud-Konsole auf, um Ihren API-Token zu erhalten und ihn für später bereitzuhalten.

Falls Sie noch nicht angemeldet oder registriert sind, werden Sie automatisch zur Anmeldeseite weitergeleitet, wo Sie zur Registrierung und Anmeldung aufgefordert werden. Nach Abschluss kehren Sie automatisch zu dieser Seite zurück. Ein API-Token kann alle Dienste der Plattform aufrufen; es ist nicht erforderlich, jeden Dienst einzeln zu beantragen. Bei der ersten Beantragung erhalten Sie ein kostenloses Kontingent, das Sie kostenlos testen können; bei unzureichendem Kontingent können Sie in der Konsole ein allgemeines Guthaben aufladen.

📘 Vollständige Dokumentation: Claude Chat Completion API →

Grundlegende Verwendung

Als Nächstes können Sie die entsprechenden Inhalte in der Oberfläche ausfüllen, wie in der Abbildung gezeigt:

Bei der ersten Verwendung dieser Schnittstelle müssen wir mindestens drei Inhalte ausfüllen. Einer davon ist authorization, das direkt in der Dropdown-Liste ausgewählt werden kann. Ein weiterer Parameter ist model; empfohlen wird das neueste Flaggschiffmodell claude-fable-5-1; das bisherige claude-fable-5 kann weiterhin aufgerufen werden. Der letzte Parameter ist messages, ein Array von Frage-Prompts, dessen jedes Element role und content enthält; role unterstützt user, assistant, system, und content ist der konkrete Inhalt. Claude Fable 5.1 unterstützt 1 Million Token Kontext und eine maximale Ausgabe von 128K Token. Gleichzeitig können Sie feststellen, dass auf der rechten Seite entsprechender Aufrufcode generiert wird. Sie können den Code kopieren und direkt ausführen oder direkt auf die Schaltfläche „Try“ klicken, um ihn zu testen. Häufig verwendete optionale Parameter:

max_tokens: Begrenzt die maximale Anzahl von Tokens für eine einzelne Antwort.
temperature: Generierungszufälligkeit, zwischen 0 und 2; je größer der Wert, desto stärker die Streuung.
n: Wie viele Kandidatenantworten auf einmal generiert werden.
response_format: Einstellung des Rückgabeformats.

Nach dem Aufruf stellen wir fest, dass das Rückgabeergebnis wie folgt aussieht:

{
  "id": "msg_bdrk_01Q6WN27v95ypCa1kbanAQ6K",
  "model": "claude-opus-4-8",
  "object": "chat.completion",
  "created": 1768619365,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Hello! How can I help you today?"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 8,
    "completion_tokens": 12,
    "total_tokens": 20,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "cache_write_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0
    }
  }
}

Das Rückgabeergebnis enthält mehrere Felder, die wie folgt vorgestellt werden:

id, die ID der generierten Dialogaufgabe, die zur eindeutigen Kennzeichnung dieser Dialogaufgabe verwendet wird.
model , das ausgewählte Modell von der offiziellen Claude-Website.
choices, die Antwortinformationen, die Claude für den Frage-Prompt bereitstellt.
usage : Statistische Informationen zu den Tokens dieser Frage und Antwort.

Im Chat-Completions-Format ist usage.prompt_tokens die Gesamteingabemenge; prompt_tokens_details.cached_tokens und prompt_tokens_details.cache_write_tokens erfassen jeweils die Details des Cache-Lesens und -Schreibens. completion_tokens_details.reasoning_tokens ist eine Teilmenge von completion_tokens und sollte bei der Berechnung der Gesamtmenge oder der Kosten nicht erneut hinzuaddiert werden. Nicht-streamende Antworten können außerdem ein usage.cost-Objekt zurückgeben, wobei amount der tatsächliche Kontingentverbrauch, currency die Maßeinheit und list_amount der Betrag vor Rabatt ist (falls vorhanden). Der Feldname von Chat-compatible lautet reasoning_tokens; die native Messages API verwendet output_tokens_details.thinking_tokens. Die Wire-Schemas der beiden Protokolle unterscheiden sich, und Clients sollten die Feldnamen nicht vermischen. Dabei enthält choices die Antwortinformationen von Claude, und das darin enthaltene choices sind die konkreten Informationen der Claude-Antwort, wie in der Abbildung gezeigt.

Wie zu sehen ist, enthält das Feld content in choices den konkreten Inhalt der Claude-Antwort.

Streaming-Antworten

Diese Schnittstelle unterstützt auch Streaming-Antworten, was für die Anbindung von Webseiten sehr nützlich ist und es Webseiten ermöglicht, einen Effekt der zeichenweisen Anzeige zu realisieren. Wenn Sie Antworten als Stream zurückgeben möchten, können Sie den Parameter stream im Request-Header ändern und auf true setzen. Die Änderung ist wie in der Abbildung gezeigt, allerdings muss der Aufrufcode entsprechend angepasst werden, damit Streaming-Antworten unterstützt werden.

Nachdem stream auf true gesetzt wurde, gibt die API die entsprechenden JSON-Daten zeilenweise zurück. Auf Codeebene müssen wir entsprechende Änderungen vornehmen, um die zeilenweisen Ergebnisse zu erhalten. Beispiel-Aufrufcode für Python:

import requests

url = "https://api.acedata.cloud/v1/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "claude-opus-4-20250514",
    "messages": [{"role":"user","content":"Hello"}],
    "stream": True
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Der Ausgabeeffekt ist wie folgt:

data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {"content": "", "role": "assistant"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {"content": ""}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {"content": "Hello!"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {"content": " How can I help you"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {"content": " today?"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {}, "logprobs": null, "finish_reason": "stop", "index": 0}], "usage": null}

data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [], "usage": {"prompt_tokens": 8, "completion_tokens": 12, "total_tokens": 20, "prompt_tokens_details": {"cached_tokens": 0, "cache_write_tokens": 0}, "completion_tokens_details": {"reasoning_tokens": 0}}}

data: [DONE]

Es ist zu sehen, dass die Antwort viele data enthält. Die choices in data sind der neueste Antwortinhalt, was mit dem oben vorgestellten Inhalt übereinstimmt. choices sind neu hinzugefügte Antwortinhalte, Sie können sie anhand der Ergebnisse in Ihr System integrieren. Gleichzeitig wird das Ende der Streaming-Antwort anhand des Inhalts von data bestimmt. Wenn der Inhalt [DONE] ist, bedeutet dies, dass die Streaming-Antwort vollständig beendet wurde. Das zurückgegebene data-Ergebnis hat mehrere Felder, die wie folgt vorgestellt werden:

id, die ID der Aufgabe für diese Konversation, die zur eindeutigen Identifizierung dieser Konversationsaufgabe verwendet wird.
model , das ausgewählte Modell von der offiziellen Claude-Website.
choices, die Antwortinformationen, die Claude auf die Eingabeaufforderung gibt.

JavaScript wird ebenfalls unterstützt, zum Beispiel lautet der Code für den Streaming-Aufruf in Node.js wie folgt:

const options = {
  method: "post",
  headers: {
    accept: "application/json",
    authorization: "Bearer {token}",
    "content-type": "application/json",
  },
  body: JSON.stringify({
    model: "claude-opus-4-20250514",
    messages: [{ role: "user", content: "Hello" }],
    stream: true,
  }),
};

fetch("https://api.acedata.cloud/v1/chat/completions", options)
  .then((response) => response.json())
  .then((response) => console.log(response))
  .catch((err) => console.error(err));

Java-Beispielcode:

JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "claude-opus-4-20250514");
jsonObject.put("messages", [{"role":"user","content":"Hello"}]);
jsonObject.put("stream", true);
MediaType mediaType = "application/json; charset=utf-8".toMediaType();
RequestBody body = jsonObject.toString().toRequestBody(mediaType);
Request request = new Request.Builder()
  .url("https://api.acedata.cloud/v1/chat/completions")
  .post(body)
  .addHeader("accept", "application/json")
  .addHeader("authorization", "Bearer {token}")
  .addHeader("content-type", "application/json")
  .build();

OkHttpClient client = new OkHttpClient();
Response response = client.newCall(request).execute();
System.out.print(response.body!!.string())

Andere Sprachen können zusätzlich selbst angepasst werden, das Prinzip ist dasselbe.

Mehrere Gesprächsrunden

Wenn Sie die Funktion für mehrere Gesprächsrunden integrieren möchten, müssen Sie mehrere Eingabeaufforderungen in das Feld messages hochladen. Ein konkretes Beispiel für mehrere Eingabeaufforderungen ist in der folgenden Abbildung dargestellt:

Python-Beispielaufrufcode:

import requests

url = "https://api.acedata.cloud/v1/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "claude-opus-4-20250514",
    "messages": [{"role":"user","content":"Hello"},{"role":"assistant","content":"Hello! How can I help you today?"},{"role":"user","content":"What I say just now?"}]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Durch das Hochladen mehrerer Eingabeaufforderungen können Sie ganz einfach mehrere Gesprächsrunden realisieren und die folgende Antwort erhalten:

{
  "id": "msg_bdrk_01Y1wfQmd89g968TVbFu57Yc",
  "model": "claude-opus-4-20250514",
  "object": "chat.completion",
  "created": 1768619674,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "You said \"Hello\" - that was your first message to me in our conversation."
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 29,
    "completion_tokens": 20,
    "total_tokens": 49,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "cache_write_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0
    }
  }
}

Es ist zu sehen, dass die in choices enthaltenen Informationen mit dem Inhalt der grundlegenden Nutzung übereinstimmen. Dies enthält den konkreten Inhalt, mit dem Claude auf mehrere Konversationen antwortet. Auf diese Weise können entsprechende Fragen anhand mehrerer Konversationsinhalte beantwortet werden.

Tiefes Nachdenken

Die neue Generation der Claude-Modelle kann gemäß der Standardstrategie des Modells schlussfolgern, ohne dass dies durch das Modell-Suffix -thinking ausgelöst werden muss. Chat-kompatible Antworten verwenden das OpenAI-kompatible usage-Feld completion_tokens_details.reasoning_tokens. reasoning_tokens sind bereits in completion_tokens enthalten, bitte nicht doppelt addieren. Schlussfolgerungen und sichtbarer Haupttext teilen sich das Ausgabetoken-Limit, daher kann bei einem kleinen max_tokens der Haupttext leer sein oder abgeschnitten werden; erhöhen Sie in diesem Fall das Ausgabebudget oder wählen Sie, sofern das verwendete Modell dies unterstützt, einen geringeren Schlussfolgerungsaufwand. Wenn Sie natives thinking, output_config.effort, thinking-Inhaltsblöcke und die Rückgabe von Signaturen benötigen, verwenden Sie bitte /v1/messages. Das entsprechende usage-Feld für Messages ist output_tokens_details.thinking_tokens, nicht mit completion_tokens_details.reasoning_tokens von Chat-kompatiblen Aufrufen vermischen.

Visuelle Modelle

claude-sonnet-4-20250514 ist ein von Claude entwickeltes multimodales großes Sprachmodell, das auf Basis von claude-4 über ein zusätzliches visuelles Verständnis verfügt. Dieses Modell kann Text- und Bildeingaben gleichzeitig verarbeiten und ermöglicht so modalitätsübergreifendes Verstehen und Generieren. Die Textverarbeitung mit dem Modell claude-sonnet-4-20250514 entspricht den grundlegenden Verwendungsinhalten oben. Im Folgenden wird kurz erläutert, wie die Bildverarbeitungsfähigkeit des Modells verwendet wird. Die Bildverarbeitungsfähigkeit des Modells claude-sonnet-4-20250514 wird hauptsächlich genutzt, indem auf Grundlage des ursprünglichen content-Inhalts ein type-Feld hinzugefügt wird. Über dieses Feld kann erkannt werden, ob Text oder ein Bild hochgeladen wurde, sodass die Bildverarbeitungsfähigkeit des Modells claude-sonnet-4-20250514 genutzt werden kann. Im Folgenden wird hauptsächlich beschrieben, wie diese Funktion auf zwei Arten, mit Curl und Python, aufgerufen wird.

Curl-Skriptmethode

curl -X POST 'https://api.acedata.cloud/v1/chat/completions' \
-H 'accept: application/json' \
-H 'authorization: Bearer {token}' \
-H 'content-type: application/json' \
-d '{
    "model": "claude-sonnet-4-20250514",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "text",
            "text": "What'\''s in this image?"
          },
          {
            "type": "image_url",
            "image_url": {
              "url": "https://cdn.acedata.cloud/ueugot.png"
            }
          }
        ]
      }
    ]
  }'

Python-Skriptmethode

import requests

url = "https://api.acedata.cloud/v1/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "claude-sonnet-4-20250514",
    "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "text", "text": "What's in this image?"
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://cdn.acedata.cloud/ueugot.png"
                    }
                },
            ],
        }
    ]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Anschließend kann das folgende Ergebnis erhalten werden. Die Feldinformationen im Ergebnis entsprechen denen oben, konkret wie folgt:

{
  "id": "msg_bdrk_01NCrxpZmV17bhQJJRQEFEb9",
  "model": "claude-sonnet-4-20250514",
  "object": "chat.completion",
  "created": 1768628904,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "This image shows an API request configuration interface for what appears to be an AI chat completion service. Here are the key elements:\n\n**Request Body Parameters:**\n\n1. **model** (required string) - Set to \"claude-opus-4-202505...\" - specifies which AI model to use\n\n2. **messages** (required array) - Contains the conversation history with:\n   - **role** (required string) - Set to \"user\" \n   - **content** (required string) - Contains \"Hello\" as the message content\n\n3. **stream** (boolean) - Set to \"true\" - enables partial message deltas like in ChatGPT\n\n4. **max_tokens** (number) - Field for setting maximum tokens that can be generated in the response\n\n5. **n** (number) - Specifies how many chat completion choices to generate for each input\n\nThe interface has a dark theme with white text on black/dark gray backgrounds. There's a \"Fill Example\" button at the bottom right and various dropdown menus and input fields for configuring the API request parameters. A red trash/delete icon is visible, likely for removing message entries."
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 1570,
    "completion_tokens": 252,
    "total_tokens": 1822,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "cache_write_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0
    }
  }
}

Es ist zu sehen, dass der Antwortinhalt auf dem Bild basiert. Daher können die Text- und Bildverarbeitungsfähigkeiten des Modells claude-3-7-sonnet-20250219 einfach über die beiden oben genannten Methoden genutzt werden.

Fehlerbehandlung

Wenn beim Aufruf der API ein Fehler auftritt, gibt die API den entsprechenden Fehlercode und Informationen zurück. Zum Beispiel:

400 token_mismatched：Ungültige Anfrage, möglicherweise aufgrund fehlender oder ungültiger Parameter.
400 api_not_implemented：Ungültige Anfrage, möglicherweise aufgrund fehlender oder ungültiger Parameter.
401 invalid_token：Nicht autorisiert, ungültiges oder fehlendes Autorisierungstoken.
429 too_many_requests：Zu viele Anfragen, Sie haben das Ratenlimit überschritten.
500 api_error：Interner Serverfehler, auf dem Server ist ein Fehler aufgetreten.

Beispiel für eine Fehlerantwort

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

Fazit

Durch dieses Dokument haben Sie erfahren, wie Sie mit der Claude Chat Completion API einfach die Dialogfunktion des offiziellen Claude implementieren können. Wir hoffen, dass dieses Dokument Ihnen hilft, diese API besser anzubinden und zu verwenden. Bei Fragen kontaktieren Sie jederzeit unser technisches Support-Team.

Erste Schritte

KI Chat

KI Bild

KI Video

KI Audio

Web & Daten

CAPTCHA

Identität

Coding

Weitere Anleitungen

Beantragung und Nutzung der Claude Chat Completion API

Beantragungsprozess

Grundlegende Verwendung

Streaming-Antworten

Mehrere Gesprächsrunden

Tiefes Nachdenken

Visuelle Modelle

Fehlerbehandlung

Beispiel für eine Fehlerantwort

Fazit

​Beantragungsprozess

​Grundlegende Verwendung

​Streaming-Antworten

​Mehrere Gesprächsrunden

​Tiefes Nachdenken

​Visuelle Modelle

​Fehlerbehandlung

​Beispiel für eine Fehlerantwort

​Fazit

Beantragungsprozess

Grundlegende Verwendung

Streaming-Antworten

Mehrere Gesprächsrunden

Tiefes Nachdenken

Visuelle Modelle

Fehlerbehandlung

Beispiel für eine Fehlerantwort

Fazit