Skip to main content
GLM（General Language Model）は、智谱 AI（Zhipu AI / Z.ai）が提供する新世代の大規模言語モデルシリーズであり、強力な中英文理解と生成能力を備えています。中国語のシーン、コード生成、推論および多段階対話などのタスクにおいて優れたパフォーマンスを発揮します。GLM-5.3、GLM-5.2、GLM-4.7 などの新世代モデルは、長いコンテキスト、ツール呼び出しおよびコードタスクにおいて多くの最適化が行われており、インテリジェントな質問応答、コンテンツ作成、コード支援、カスタマーサービスロボットなどのシーンで広く利用できます。 この文書では、GLM チャット完了 API の使用プロセスについて主に説明します。これを利用することで、統一された OpenAI 互換インターフェースを通じて GLM シリーズモデルを簡単に呼び出すことができます。

​
申請プロセス

GLM チャット完了 API を使用するには、まず Ace Data Cloud コンソール にアクセスして API トークンを取得し、バックアップとして保管してください。 まだログインまたは登録していない場合は、自動的にログインページにリダイレクトされ、登録とログインを促されます。完了後、現在のページに自動的に戻ります。 1つの API トークンでプラットフォームのすべてのサービスを呼び出すことができ、各サービスごとに個別に申請する必要はありません。 初回申請時には無料のクレジットが付与され、無料で体験できます。クレジットが不足した場合は、コンソール で一般的な残高をチャージできます。
📘 完全な文書：GLM チャット完了 API →

​
基本使用

GLM チャット完了 API のリクエスト URL は https://api.acedata.cloud/glm/chat/completions で、Bearer トークンによる認証を使用し、リクエストボディは OpenAI チャット完了プロトコルに互換性があります。 このインターフェースを初めて使用する際には、少なくとも3つの内容を記入する必要があります：
  • authorization：ドロップダウンリストから Bearer トークンを選択するだけです。
  • model：呼び出す GLM モデルを選択します。現在サポートされているモデルは以下の通りです：
    • glm-5.3：最新のフラッグシップモデルで、1M のコンテキストと最大 128K の出力をサポートし、複雑な推論、コードおよびエージェントタスクに適しています。推論は常にオンで、reasoning_effort で low、high または max を選択できます。
    • glm-5.2：前世代のフラッグシップモデルで、総合的な能力が強いです。
    • glm-5.1：成熟したフラッグシップモデルで、一般的な複雑なタスクに適しています。
    • glm-4.7：推論、ツール呼び出しおよびコードタスクにおいて優れたパフォーマンスを発揮します。
    • glm-4.6：一般的な対話モデルで、効果とコストのバランスが取れています。
    • glm-3-turbo：クラシックな対話モデルで、一般的なテキスト生成タスクに適しています。
  • messages：プロンプトワードの配列で、各メッセージには role と content が含まれ、role は user、assistant、system の3つの役割をサポートしています。
よく使われるオプションパラメータ：
  • max_tokens：単一の応答の最大トークン数を制限します。
  • temperature：生成のランダム性、0-2 の範囲で、値が大きいほど散発的になります。
  • top_p：核サンプリングパラメータで、候補トークンの累積確率の閾値を制御します。
  • n：一度に生成する候補応答の数。
  • stream：ストリーミング応答を有効にするかどうか、デフォルトは false です。
  • stop：カスタム停止シーケンス。
以下は最もシンプルな Python 呼び出しの例です：
呼び出し後、返された結果は以下の通りです：
返された結果の各主要フィールドの説明は以下の通りです：
  • id：今回の対話タスクのユニーク ID。
  • created：今回の対話タスクの作成時間（Unix タイムスタンプ、秒）。
  • model：実際に呼び出された GLM モデル名。
  • choices：モデルが生成した応答のリスト。choices[i].message.content はモデルの応答の具体的なテキストで、finish_reason は終了理由を示します（stop、length、tool_calls、content_filter など）。
  • usage：今回のリクエストのトークン使用量の統計で、prompt_tokens、completion_tokens、total_tokens を含みます。

​
ストリーミング応答

このインターフェースはストリーミング応答（サーバー送信イベント）をサポートしており、ウェブページとの接続に非常に便利で、ウェブページで逐次表示効果を実現できます。 ストリーミングで応答を返したい場合は、リクエストボディの stream パラメータを true に設定するだけです。 Python のサンプル呼び出しコード：
出力結果は以下の通りです（抜粋）：
見ると、レスポンスには多くの data が含まれており、各 data はインクリメンタルなチャンクを含んでいます。choices[i].delta.content は現在のチャンクで追加されたテキストの断片であり、これらの断片を連結して完全な返信を形成できます。data の内容が [DONE] の場合、ストリーミングレスポンスが終了したことを示します。最後の usage を持つチャンクは、今回のリクエストのトークン使用量をまとめます。 JavaScript（Node.js）サンプル：
Java サンプルコード：
他の言語は別に書き換えることができますが、原理は同じです。

​
多輪対話

もし多輪対話機能を実現したい場合は、過去の対話を順次 messages 配列に入れ、user と assistant が交互に現れる順序を保つ必要があります。 Python サンプル呼び出しコード：
複数の質問をアップロードすることで、多輪対話を簡単に実現でき、以下のような回答を得ることができます：
choices に含まれる情報は基本的な使用と一致しており、モデルは完全な対話履歴に基づいて返信を行い、多輪の文脈インタラクションをサポートします。

​
システムプロンプト（System Prompt）

messages の先頭に role が system のメッセージを追加することで、モデルの役割、スタイル、または行動を制約することができます：

​
ツール呼び出し（Function Calling）

GLMモデルはOpenAI互換のFunction Callingをサポートしており、tools パラメータを通じて呼び出せる関数を宣言できます。モデルは必要に応じて choices[i].message.tool_calls に構造化された関数呼び出し情報を返します。
モデルがツールを呼び出すことを決定した場合、返される結果の finish_reason は tool_calls に変わり、message.tool_calls に関数名とJSON文字列形式のパラメータが提供されます。あなたはその関数を実行し、結果を role が tool のメッセージとしてモデルに返すことで、完全なツール呼び出しのループを完了させることができます。

​
モデル選択の提案

api_errorが返され、メッセージがサービスは一時的に利用できません。後で再試行してください。の場合、通常は上流のGLMサービスが一時的に利用できないことを示しており、指数バックオフを伴って再試行することをお勧めします。または、他の利用可能なGLMモデル（例えば、glm-5.1から一時的にglm-4.7またはglm-4.6に切り替える）に切り替えることを検討してください。

​
結論

本ドキュメントを通じて、GLM Chat Completion APIを使用して智谱AIのGLMシリーズモデルを呼び出す方法、基本的な呼び出し、ストリーミング応答、マルチターン対話、システムプロンプトおよびツール呼び出しなどの典型的な使用法について理解できたと思います。本ドキュメントがAPIの接続と使用に役立つことを願っています。ご不明な点がございましたら、いつでも技術サポートチームにお問い合わせください。