Demande et utilisation de l'API Claude Chat Completion

Anthropic Claude est un système de dialogue IA très puissant qui, à partir d’une simple saisie d’invite, peut générer des réponses fluides et naturelles en quelques secondes. Claude se distingue dans le secteur par ses excellentes capacités de compréhension et de génération du langage. Aujourd’hui, Claude est déjà largement utilisé dans divers secteurs et domaines, et son influence devient de plus en plus significative. Qu’il s’agisse de conversations quotidiennes, d’écriture créative, de conseil professionnel ou de programmation de code, Claude peut fournir une assistance intelligente impressionnante, améliorant considérablement l’efficacité du travail et la créativité humaines. Ce document présente principalement le processus d’utilisation des opérations de l’API Claude Chat Completion, qui nous permet d’utiliser facilement la fonctionnalité de dialogue officielle de Claude.

Processus de demande

Pour utiliser l’API Claude Chat Completion, commencez par obtenir votre API Token dans la console Ace Data Cloud, et conservez-le pour une utilisation ultérieure.

Si vous n’êtes pas encore connecté ou inscrit, vous serez automatiquement redirigé vers la page de connexion afin de vous inviter à vous inscrire et à vous connecter ; une fois terminé, vous reviendrez automatiquement sur la page actuelle. Un seul API Token permet d’appeler tous les services de la plateforme, sans avoir besoin d’en demander un séparément pour chaque service. Lors de la première demande, un quota gratuit est offert pour une expérience gratuite ; lorsque le quota est insuffisant, vous pouvez recharger le solde général dans la console.

📘 Documentation complète : Claude Chat Completion API →

Utilisation de base

Ensuite, vous pouvez renseigner le contenu correspondant dans l’interface, comme illustré ci-dessous :

Lors de la première utilisation de cette interface, nous devons remplir au moins trois éléments. Le premier est authorization, qu’il suffit de sélectionner directement dans la liste déroulante. Un autre paramètre est model, pour lequel il est recommandé d’utiliser le dernier modèle phare claude-fable-5-1 ; l’ancien claude-fable-5 peut toujours continuer à être appelé. Le dernier paramètre est messages, qui est un tableau d’invites ; chaque élément contient role et content ; role prend en charge user, assistant, system, et content est le contenu spécifique. Claude Fable 5.1 prend en charge un contexte de 1 million de Token et une sortie maximale de 128K Token. En même temps, vous pouvez remarquer à droite la génération du code d’appel correspondant ; vous pouvez copier le code et l’exécuter directement, ou cliquer directement sur le bouton « Try » pour effectuer un test. Paramètres optionnels courants :

max_tokens : limite le nombre maximal de token pour une seule réponse.
temperature : caractère aléatoire de la génération, entre 0 et 2 ; plus la valeur est élevée, plus le résultat est divergent.
n : nombre de réponses candidates générées à la fois.
response_format : paramètre du format de retour.

Après l’appel, nous constatons que le résultat retourné est le suivant :

{
  "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
    }
  }
}

Le résultat retourné comporte plusieurs champs, présentés comme suit :

id, l’ID généré pour cette tâche de dialogue, utilisé pour identifier de manière unique cette tâche de dialogue.
model , le modèle Claude officiel sélectionné.
choices, les informations de réponse fournies par Claude pour l’invite.
usage : les informations statistiques sur les token pour cette session de questions-réponses.

Dans le format Chat Completions, usage.prompt_tokens est le volume total d’entrée ; prompt_tokens_details.cached_tokens et prompt_tokens_details.cache_write_tokens enregistrent respectivement les détails de lecture et d’écriture du cache. completion_tokens_details.reasoning_tokens est un sous-ensemble de completion_tokens ; ne les additionnez pas à nouveau lors du calcul du total ou des frais. Les réponses non streamées peuvent également renvoyer un objet usage.cost, dans lequel amount est la consommation réelle de quota, currency est l’unité de mesure, et list_amount est le montant avant remise (le cas échéant). Le nom de champ compatible avec Chat est reasoning_tokens ; l’API Messages native utilise output_tokens_details.thinking_tokens. Le wire schema des deux protocoles est différent, les clients ne doivent pas mélanger les noms de champs. Parmi eux, choices contient les informations de réponse de Claude, et les choices qu’il contient sont les informations spécifiques de la réponse de Claude, comme le montre l’illustration.

Nous pouvons voir que le champ content dans choices contient le contenu spécifique de la réponse de Claude.

Réponse en streaming

Cette interface prend également en charge les réponses en streaming, ce qui est très utile pour l’intégration web et permet à la page web de réaliser un effet d’affichage mot par mot. Si vous souhaitez renvoyer une réponse en streaming, vous pouvez modifier le paramètre stream dans l’en-tête de requête, en le définissant sur true. La modification est illustrée ci-dessous, mais le code d’appel doit être modifié en conséquence pour prendre en charge les réponses en streaming.

Après avoir modifié stream en true, l’API renverra les données JSON correspondantes ligne par ligne ; au niveau du code, nous devons effectuer les modifications correspondantes afin d’obtenir les résultats ligne par ligne. Exemple de code d’appel 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)

L’effet de sortie est le suivant :

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]

On peut voir qu’il y a de nombreux data dans la réponse, et que les choices dans les data correspondent au contenu de réponse le plus récent, ce qui est cohérent avec le contenu présenté ci-dessus. Les choices correspondent au nouveau contenu de réponse, vous pouvez les intégrer à votre système en fonction du résultat. En même temps, la fin de la réponse en streaming est déterminée en fonction du contenu de data ; si le contenu est [DONE], cela indique que la réponse en streaming est entièrement terminée. Le résultat data retourné comporte plusieurs champs, présentés ci-dessous :

id, l’ID généré pour cette tâche de conversation, utilisé pour identifier de manière unique cette tâche de conversation.
model , le modèle Claude sélectionné sur le site officiel.
choices, les informations de réponse fournies par Claude à la requête.

JavaScript est également pris en charge, par exemple, le code d’appel en streaming pour Node.js est le suivant :

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));

Exemple de code 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())

Les autres langages peuvent être adaptés séparément, le principe reste le même.

Conversation multi-tours

Si vous souhaitez intégrer une fonctionnalité de conversation multi-tours, vous devez envoyer plusieurs requêtes dans le champ messages. Un exemple concret de plusieurs requêtes est présenté dans l’image ci-dessous :

Exemple de code d’appel 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)

En envoyant plusieurs requêtes, il est possible de mettre facilement en œuvre une conversation multi-tours et d’obtenir la réponse suivante :

{
  "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
    }
  }
}

On peut voir que les informations contenues dans choices sont cohérentes avec le contenu de l’utilisation de base. Cela contient le contenu spécifique de la réponse de Claude à plusieurs conversations, ce qui permet de répondre aux questions correspondantes en fonction de plusieurs contenus de conversation.

Réflexion approfondie

Les modèles Claude de nouvelle génération peuvent effectuer un raisonnement selon la stratégie par défaut du modèle, sans nécessiter d’être déclenchés via le suffixe de modèle -thinking. Les réponses compatibles avec Chat utilisent le champ usage compatible OpenAI completion_tokens_details.reasoning_tokens. Les reasoning_tokens sont déjà inclus dans les completion_tokens, ne les additionnez pas une seconde fois. Le raisonnement et le corps visible partagent la limite supérieure des tokens de sortie, donc lorsque max_tokens est faible, le corps peut être vide ou tronqué ; dans ce cas, veuillez augmenter le budget de sortie, ou sélectionner un effort de raisonnement plus faible lorsque le modèle utilisé le prend en charge. Si vous avez besoin de thinking natif, de output_config.effort, de blocs de contenu thinking et du renvoi de signature, veuillez utiliser /v1/messages. Le champ usage correspondant à Messages est output_tokens_details.thinking_tokens, ne le mélangez pas avec le completion_tokens_details.reasoning_tokens de Chat-compatible.

Modèles visuels

claude-sonnet-4-20250514 est un grand modèle de langage multimodal développé par Claude, il ajoute des capacités de compréhension visuelle sur la base de claude-4. Ce modèle peut traiter simultanément des entrées textuelles et des images, réalisant une compréhension et une génération multimodales. Le traitement de texte utilisant le modèle claude-sonnet-4-20250514 est cohérent avec le contenu d’utilisation de base ci-dessus, nous allons brièvement présenter ci-dessous comment utiliser les capacités de traitement d’images du modèle. L’utilisation des capacités de traitement d’images du modèle claude-sonnet-4-20250514 consiste principalement à ajouter un champ type sur la base du contenu content d’origine, ce champ permet de savoir si le contenu envoyé est du texte ou une image, afin d’utiliser les capacités de traitement d’images du modèle claude-sonnet-4-20250514, nous décrivons principalement ci-dessous deux méthodes d’appel de cette fonctionnalité : Curl et Python.

Méthode par 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"
            }
          }
        ]
      }
    ]
  }'

Méthode par 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)

Vous pouvez ensuite obtenir le résultat ci-dessous, les informations des champs dans le résultat sont cohérentes avec celles ci-dessus, les détails sont les suivants :

{
  "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
    }
  }
}

On peut voir que le contenu de la réponse est basé sur l’image, ainsi, grâce aux deux méthodes ci-dessus, vous pouvez facilement utiliser les capacités de traitement de texte et d’image du modèle claude-3-7-sonnet-20250219.

Gestion des erreurs

Lors de l’appel de l’API, si vous rencontrez une erreur, l’API renverra le code d’erreur et les informations correspondants. Par exemple :

400 token_mismatched : Mauvaise requête, probablement en raison de paramètres manquants ou non valides.
400 api_not_implemented : Mauvaise requête, probablement en raison de paramètres manquants ou non valides.
401 invalid_token : Non autorisé, jeton d’autorisation non valide ou manquant.
429 too_many_requests : Trop de requêtes, vous avez dépassé la limite de débit.
500 api_error : Erreur interne du serveur, quelque chose s’est mal passé sur le serveur.

Exemple de réponse d’erreur

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

Conclusion

Grâce à ce document, vous avez appris comment utiliser l’API Claude Chat Completion pour mettre facilement en œuvre la fonctionnalité de conversation de Claude officiel. Nous espérons que ce document pourra vous aider à mieux intégrer et utiliser cette API. Si vous avez des questions, veuillez contacter à tout moment notre équipe de support technique.

Démarrage

Chat IA

Image IA

Vidéo IA

Audio IA

Web & Données

CAPTCHA

Identité

Coding

Autres guides

Demande et utilisation de l'API Claude Chat Completion

Processus de demande

Utilisation de base

Réponse en streaming

Conversation multi-tours

Réflexion approfondie

Modèles visuels

Gestion des erreurs

Exemple de réponse d’erreur

Conclusion

​Processus de demande

​Utilisation de base

​Réponse en streaming

​Conversation multi-tours

​Réflexion approfondie

​Modèles visuels

​Gestion des erreurs

​Exemple de réponse d’erreur

​Conclusion

Processus de demande

Utilisation de base

Réponse en streaming

Conversation multi-tours

Réflexion approfondie

Modèles visuels

Gestion des erreurs

Exemple de réponse d’erreur

Conclusion