Solicitud y uso de Claude Chat Completion API

Anthropic Claude es un sistema de conversación de IA muy potente; basta con introducir un prompt para generar respuestas fluidas y naturales en solo unos segundos. Claude destaca de forma única en la industria por sus excelentes capacidades de comprensión y generación del lenguaje. Hoy en día, Claude ya se utiliza ampliamente en diversos sectores y ámbitos, y su influencia es cada vez más significativa. Ya sea para conversaciones cotidianas, escritura creativa, consultas profesionales o programación de código, Claude puede proporcionar una asistencia inteligente sorprendente, mejorando enormemente la eficiencia laboral y la creatividad humanas. Este documento presenta principalmente el proceso de uso de las operaciones de Claude Chat Completion API; utilizándolo podemos emplear fácilmente la función de conversación de Claude oficial.

Proceso de solicitud

Para utilizar Claude Chat Completion API, primero vaya a la consola de Ace Data Cloud para obtener su API Token y guárdelo como respaldo.

Si aún no ha iniciado sesión o no se ha registrado, será redirigido automáticamente a la página de inicio de sesión para invitarle a registrarse e iniciar sesión; al finalizar, volverá automáticamente a la página actual. Un solo API Token permite llamar a todos los servicios de la plataforma, sin necesidad de solicitarlo por separado para cada servicio. La primera solicitud incluirá crédito gratuito, que puede usarse para una experiencia gratuita; cuando el crédito sea insuficiente, puede recargar saldo general en la consola.

📘 Documentación completa: Claude Chat Completion API →

Uso básico

A continuación, puede completar el contenido correspondiente en la interfaz, como se muestra en la imagen:

Al utilizar esta interfaz por primera vez, necesitamos completar al menos tres elementos: uno es authorization, que puede seleccionarse directamente en la lista desplegable. Otro parámetro es model; se recomienda usar el buque insignia más reciente claude-fable-5-1; el anterior claude-fable-5 puede seguir utilizándose. El último parámetro es messages, que es un arreglo de prompts; cada elemento contiene role y content; role admite user, assistant, system, y content es el contenido específico. Claude Fable 5.1 admite un contexto de 1 millón de Tokens y una salida máxima de 128K Tokens. Al mismo tiempo, puede observar que a la derecha se genera el código de llamada correspondiente; puede copiar el código y ejecutarlo directamente, o puede hacer clic directamente en el botón «Try» para realizar pruebas. Parámetros opcionales comunes:

max_tokens: limita el número máximo de tokens de una sola respuesta.
temperature: aleatoriedad de la generación, entre 0 y 2; cuanto mayor sea el valor, más disperso será.
n: cuántas respuestas candidatas se generan de una vez.
response_format: configuración del formato de retorno.

Después de realizar la llamada, encontramos que el resultado devuelto es el siguiente:

{
  "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
    }
  }
}

El resultado devuelto tiene varios campos, que se presentan a continuación:

id, el ID de la tarea de conversación generada esta vez, utilizado para identificar de forma única esta tarea de conversación.
model , el modelo de Claude del sitio web oficial seleccionado.
choices, la información de respuesta proporcionada por Claude para el prompt.
usage : información estadística de tokens para esta sesión de preguntas y respuestas.

En el formato Chat Completions, usage.prompt_tokens es el total de entrada; prompt_tokens_details.cached_tokens y prompt_tokens_details.cache_write_tokens registran respectivamente los detalles de lectura y escritura de caché. completion_tokens_details.reasoning_tokens es un subconjunto de completion_tokens; no lo sume nuevamente al calcular el total o el coste. Las respuestas no en streaming también pueden devolver un objeto usage.cost, donde amount es el consumo real de crédito, currency es la unidad de medida y list_amount es el importe antes del descuento (si lo hubiera). El nombre de campo compatible con Chat es reasoning_tokens; la API nativa Messages utiliza output_tokens_details.thinking_tokens. El esquema wire de los dos protocolos es diferente, y el cliente no debe mezclar los nombres de los campos. Entre ellos, choices contiene la información de respuesta de Claude, y los choices dentro de este son la información específica de la respuesta de Claude, como se puede observar en la imagen.

Se puede ver que el campo content dentro de choices contiene el contenido específico de la respuesta de Claude.

Respuesta en streaming

Esta interfaz también admite respuestas en streaming, lo cual es muy útil para la integración web, ya que permite que la página web implemente un efecto de visualización carácter por carácter. Si desea devolver la respuesta en streaming, puede cambiar el parámetro stream en el encabezado de la solicitud a true. La modificación se muestra en la imagen; sin embargo, el código de llamada necesita los cambios correspondientes para admitir respuestas en streaming.

Después de modificar stream a true, la API devolverá los datos JSON correspondientes línea por línea; a nivel de código, debemos realizar las modificaciones correspondientes para obtener los resultados línea por línea. Código de llamada de ejemplo en 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)

El efecto de salida es el siguiente:

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]

Se puede ver que hay muchos data en la respuesta, y los choices dentro de data son el contenido de respuesta más reciente, lo cual es consistente con el contenido presentado anteriormente. choices es el contenido de respuesta añadido, y puede integrarlo en su sistema según el resultado. Al mismo tiempo, el final de la respuesta en streaming se determina según el contenido de data; si el contenido es [DONE], significa que la respuesta en streaming ha finalizado por completo. El resultado de data devuelto tiene múltiples campos, que se presentan a continuación:

id, el ID que genera esta tarea de conversación, utilizado para identificar de forma única esta tarea de conversación.
model , el modelo oficial de Claude seleccionado.
choices, la información de respuesta proporcionada por Claude para las palabras de consulta.

JavaScript también es compatible; por ejemplo, el código de llamada en streaming de Node.js es el siguiente:

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));

Código de ejemplo en Java:

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())

Otros lenguajes pueden adaptarse por separado; el principio es el mismo.

Conversación de múltiples turnos

Si desea integrar la función de conversación de múltiples turnos, necesita cargar múltiples palabras de consulta en el campo messages; el ejemplo específico de múltiples palabras de consulta se muestra en la siguiente imagen:

Código de llamada de ejemplo en 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"},{"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)

Al cargar múltiples palabras de consulta, se puede implementar fácilmente una conversación de múltiples turnos y obtener la siguiente respuesta:

{
  "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
    }
  }
}

Se puede ver que la información contenida en choices es consistente con el contenido de uso básico; esto contiene el contenido específico de la respuesta de Claude para múltiples conversaciones, de modo que se pueden responder las preguntas correspondientes según los contenidos de múltiples conversaciones.

Pensamiento profundo

Los modelos Claude de nueva generación pueden realizar razonamiento según la estrategia predeterminada del modelo, sin necesidad de activarlo mediante el sufijo de modelo -thinking. Las respuestas compatibles con Chat utilizan el campo usage compatible con OpenAI completion_tokens_details.reasoning_tokens. reasoning_tokens ya está incluido en completion_tokens, no los sume dos veces. El razonamiento y el cuerpo visible comparten el límite de tokens de salida, por lo que cuando max_tokens es pequeño, el cuerpo puede estar vacío o truncado; si ocurre esta situación, aumente el presupuesto de salida o, si el modelo utilizado lo admite, seleccione una menor inversión en razonamiento. Si necesita thinking nativo, output_config.effort, bloques de contenido thinking y devolución de firmas, utilice /v1/messages. El campo usage correspondiente a Messages es output_tokens_details.thinking_tokens, no lo mezcle con completion_tokens_details.reasoning_tokens de Chat-compatible.

Modelo visual

claude-sonnet-4-20250514 es un modelo de lenguaje grande multimodal desarrollado por Claude, que añade capacidades de comprensión visual sobre la base de claude-4. Este modelo puede procesar simultáneamente entradas de texto e imagen, logrando comprensión y generación multimodales. El procesamiento de texto utilizando el modelo claude-sonnet-4-20250514 es coherente con el contenido básico de uso anterior; a continuación se presentará brevemente cómo utilizar la capacidad de procesamiento de imágenes del modelo. La capacidad de procesamiento de imágenes del modelo claude-sonnet-4-20250514 se utiliza principalmente añadiendo un campo type sobre la base del contenido original de content; mediante este campo se puede saber si se ha cargado texto o una imagen, utilizando así la capacidad de procesamiento de imágenes del modelo claude-sonnet-4-20250514. A continuación se explica principalmente cómo invocar esta función mediante Curl y Python.

Método de script Curl

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"
            }
          }
        ]
      }
    ]
  }'

Método de script 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-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)

Luego se puede obtener el siguiente resultado; la información de los campos en el resultado es coherente con la anterior, específicamente de la siguiente manera:

{
  "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
    }
  }
}

Se puede ver que el contenido de la respuesta se basa en la imagen; por lo tanto, mediante los dos métodos anteriores se puede utilizar fácilmente la capacidad de procesamiento de texto e imágenes del modelo claude-3-7-sonnet-20250219.

Manejo de errores

Al invocar la API, si se produce un error, la API devolverá el código de error y la información correspondientes. Por ejemplo:

400 token_mismatched: Solicitud incorrecta, posiblemente debido a parámetros faltantes o no válidos.
400 api_not_implemented: Solicitud incorrecta, posiblemente debido a parámetros faltantes o no válidos.
401 invalid_token: No autorizado, token de autorización no válido o faltante.
429 too_many_requests: Demasiadas solicitudes, ha superado el límite de velocidad.
500 api_error: Error interno del servidor, algo salió mal en el servidor.

Ejemplo de respuesta de error

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

Conclusión

A través de este documento, ya ha aprendido cómo utilizar Claude Chat Completion API para implementar fácilmente la función de conversación de Claude oficial. Esperamos que este documento pueda ayudarle a integrar y utilizar mejor esta API. Si tiene alguna pregunta, no dude en contactar con nuestro equipo de soporte técnico.

Primeros pasos

Chat de IA

Imagen de IA

Video de IA

Audio de IA

Web y datos

CAPTCHA

Identidad

Coding

Más guías

Solicitud y uso de Claude Chat Completion API

Proceso de solicitud

Uso básico

Respuesta en streaming

Conversación de múltiples turnos

Pensamiento profundo

Modelo visual

Manejo de errores

Ejemplo de respuesta de error

Conclusión

​Proceso de solicitud

​Uso básico

​Respuesta en streaming

​Conversación de múltiples turnos

​Pensamiento profundo

​Modelo visual

​Manejo de errores

​Ejemplo de respuesta de error

​Conclusión

Proceso de solicitud

Uso básico

Respuesta en streaming

Conversación de múltiples turnos

Pensamiento profundo

Modelo visual

Manejo de errores

Ejemplo de respuesta de error

Conclusión