Wniosek i korzystanie z Claude Chat Completion API

Anthropic Claude to bardzo potężny system konwersacyjny AI, który wystarczy zasilić promptem, aby w zaledwie kilka sekund wygenerował płynną i naturalną odpowiedź. Claude wyróżnia się w branży doskonałymi możliwościami rozumienia i generowania języka, a obecnie jest już szeroko stosowany w różnych branżach i dziedzinach, a jego wpływ staje się coraz bardziej znaczący. Niezależnie od tego, czy chodzi o codzienne rozmowy, kreatywne pisanie, profesjonalne konsultacje czy programowanie kodu, Claude może zapewnić zachwycającą inteligentną pomoc, znacznie zwiększając efektywność pracy i kreatywność ludzi. Ten dokument przedstawia głównie proces korzystania z operacji Claude Chat Completion API, dzięki któremu możemy łatwo korzystać z funkcji konwersacji oficjalnego Claude.

Proces składania wniosku

Aby korzystać z Claude Chat Completion API, najpierw przejdź do konsoli Ace Data Cloud, aby uzyskać swój API Token i zachować go na później.

Jeśli nie jesteś jeszcze zalogowany lub zarejestrowany, zostaniesz automatycznie przekierowany na stronę logowania, która zaprosi Cię do rejestracji i logowania, a po zakończeniu automatycznie wrócisz na bieżącą stronę. Jeden API Token umożliwia wywoływanie wszystkich usług platformy, bez potrzeby osobnego składania wniosku dla każdej usługi. Przy pierwszym wniosku otrzymasz darmowy limit, który pozwala na bezpłatne wypróbowanie; gdy limit jest niewystarczający, możesz doładować uniwersalne saldo w konsoli.

📘 Pełna dokumentacja: Claude Chat Completion API →

Podstawowe użycie

Następnie możesz wypełnić odpowiednią zawartość w interfejsie, jak pokazano na ilustracji:

Przy pierwszym użyciu tego interfejsu musimy wypełnić co najmniej trzy elementy. Jeden z nich to authorization, który można bezpośrednio wybrać z listy rozwijanej. Kolejny parametr to model, zalecane jest użycie najnowszego flagowego claude-fable-5-1; poprzedni claude-fable-5 nadal może być wywoływany. Ostatni parametr to messages, jest to tablica promptów, każdy element zawiera role i content; role obsługuje user, assistant, system, a content to konkretna treść. Claude Fable 5.1 obsługuje kontekst 1 miliona Tokenów i maksymalny wynik 128K Tokenów. Jednocześnie możesz zauważyć, że po prawej stronie generowany jest odpowiedni kod wywołania; możesz skopiować kod i uruchomić go bezpośrednio, a także bezpośrednio kliknąć przycisk „Try”, aby przeprowadzić test. Często używane opcjonalne parametry:

max_tokens: ogranicza maksymalną liczbę tokenów w pojedynczej odpowiedzi.
temperature: losowość generowania, między 0 a 2, im większa wartość, tym bardziej rozbieżny wynik.
n: ile kandydatów odpowiedzi wygenerować jednorazowo.
response_format: ustawienie formatu zwracanego wyniku.

Po wywołaniu stwierdzamy, że zwracany wynik jest następujący:

{
  "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
    }
  }
}

Zwracany wynik zawiera wiele pól, których opis jest następujący:

id, ID wygenerowanego zadania tej konwersacji, używane do jednoznacznego identyfikowania tego zadania konwersacji.
model , wybrany model Claude z oficjalnej strony.
choices, informacje o odpowiedzi udzielonej przez Claude na prompt.
usage : informacje statystyczne dotyczące tokenów dla tej sesji pytań i odpowiedzi.

W formacie Chat Completions usage.prompt_tokens to całkowita ilość danych wejściowych; prompt_tokens_details.cached_tokens i prompt_tokens_details.cache_write_tokens rejestrują odpowiednio szczegóły odczytu i zapisu pamięci podręcznej. completion_tokens_details.reasoning_tokens jest podzbiorem completion_tokens; podczas obliczania łącznej liczby lub kosztu nie należy dodawać go ponownie. Odpowiedzi niestrumieniowe mogą również zwracać obiekt usage.cost, w którym amount oznacza faktyczne zużycie limitu, currency jest jednostką rozliczeniową, a list_amount jest kwotą przed rabatem (jeśli występuje). Nazwa pola zgodna z Chat to reasoning_tokens; natywny Messages API używa output_tokens_details.thinking_tokens. Wire schema obu protokołów jest różny, dlatego klient nie powinien mieszać nazw pól. Wśród nich choices zawiera informacje o odpowiedzi Claude, a choices w nim to konkretne informacje o odpowiedzi Claude, co można zobaczyć, jak pokazano na ilustracji.

Można zobaczyć, że pole content w choices zawiera konkretną treść odpowiedzi Claude.

Odpowiedź strumieniowa

Ten interfejs obsługuje również odpowiedzi strumieniowe, co jest bardzo przydatne przy integracji ze stroną internetową i pozwala stronie osiągnąć efekt wyświetlania znak po znaku. Jeśli chcesz zwracać odpowiedź strumieniowo, możesz zmienić parametr stream w nagłówku żądania na true. Modyfikacja jest pokazana na ilustracji, jednak kod wywołania wymaga odpowiednich zmian, aby obsługiwać odpowiedź strumieniową.

Po zmianie stream na true, API będzie zwracać odpowiednie dane JSON wiersz po wierszu, a na poziomie kodu musimy wprowadzić odpowiednie modyfikacje, aby uzyskać wyniki wiersz po wierszu. Przykładowy kod wywołania w Pythonie:

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)

Efekt wyjściowy jest następujący:

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]

Można zauważyć, że odpowiedź zawiera wiele data, a choices w data to najnowsza treść odpowiedzi, zgodna z treścią przedstawioną powyżej. choices to nowo dodana treść odpowiedzi, którą można zintegrować ze swoim systemem na podstawie wyników. Jednocześnie zakończenie odpowiedzi strumieniowej jest określane na podstawie zawartości data; jeśli jej zawartością jest [DONE], oznacza to, że odpowiedź strumieniowa została całkowicie zakończona. Zwrócony wynik data zawiera wiele pól, opisanych poniżej:

id — ID wygenerowanego zadania tej rozmowy, używane do jednoznacznej identyfikacji tego zadania rozmowy.
model — wybrany model Claude z oficjalnej strony.
choices — informacje o odpowiedzi udzielonej przez Claude na zapytanie.

JavaScript jest również obsługiwany, na przykład kod wywołania strumieniowego w Node.js wygląda następująco:

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));

Przykładowy kod 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())

Inne języki można odpowiednio samodzielnie dostosować, zasada jest taka sama.

Rozmowa wieloturowa

Jeśli chcesz zintegrować funkcję rozmowy wieloturowej, musisz przesłać wiele zapytań w polu messages; konkretny przykład wielu zapytań przedstawiono na poniższym obrazku:

Przykładowy kod wywołania w Pythonie:

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)

Przesyłając wiele zapytań, można łatwo zaimplementować rozmowę wieloturową i uzyskać następującą odpowiedź:

{
  "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
    }
  }
}

Można zauważyć, że informacje zawarte w choices są zgodne z treścią podstawowego użycia; zawiera to szczegółową treść odpowiedzi Claude na wiele rozmów, dzięki czemu można odpowiadać na odpowiednie pytania na podstawie treści wielu rozmów.

Głębokie rozumowanie

Modele Claude nowej generacji mogą prowadzić rozumowanie zgodnie z domyślną strategią modelu, bez konieczności wyzwalania go przez sufiks modelu -thinking. Odpowiedzi zgodne z Chat używają kompatybilnego z OpenAI pola usage completion_tokens_details.reasoning_tokens. reasoning_tokens jest już zawarte w completion_tokens, nie należy ich dodawać ponownie. Rozumowanie i widoczna treść główna współdzielą limit tokenów wyjściowych, dlatego przy małej wartości max_tokens treść główna może być pusta lub obcięta; w takim przypadku należy zwiększyć budżet wyjściowy lub, jeśli używany model to obsługuje, wybrać niższy nakład rozumowania. Jeśli potrzebne są natywne thinking, output_config.effort, bloki treści thinking oraz zwrot podpisów, należy użyć /v1/messages. Odpowiadające Messages pole usage to output_tokens_details.thinking_tokens, nie należy mieszać go z completion_tokens_details.reasoning_tokens dla Chat-compatible.

Modele wizyjne

claude-sonnet-4-20250514 to multimodalny duży model językowy opracowany przez Claude, który na bazie claude-4 zwiększa możliwości rozumienia obrazu. Model ten może jednocześnie przetwarzać wejścia tekstowe i obrazowe, realizując rozumienie i generowanie między modalnościami. Przetwarzanie tekstu przy użyciu modelu claude-sonnet-4-20250514 jest zgodne z podstawowym sposobem użycia opisanym powyżej, poniżej zostanie krótko przedstawione, jak używać możliwości przetwarzania obrazu przez model. Możliwość przetwarzania obrazu przez model claude-sonnet-4-20250514 jest realizowana głównie poprzez dodanie pola type do pierwotnej zawartości content; dzięki temu polu można określić, czy przesyłany jest tekst czy obraz, a następnie użyć możliwości przetwarzania obrazu modelu claude-sonnet-4-20250514. Poniżej opisano głównie wywołanie tej funkcji na dwa sposoby: za pomocą Curl i Python.

Metoda skryptu 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"
            }
          }
        ]
      }
    ]
  }'

Metoda skryptu 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)

Następnie można uzyskać poniższy wynik; informacje o polach w wyniku są zgodne z opisem powyżej, szczegóły są następujące:

{
  "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
    }
  }
}

Można zauważyć, że treść odpowiedzi jest oparta na obrazie, dlatego za pomocą powyższych dwóch metod można łatwo korzystać z możliwości przetwarzania tekstu i obrazu modelu claude-3-7-sonnet-20250219.

Obsługa błędów

Podczas wywoływania API, jeśli wystąpi błąd, API zwróci odpowiedni kod błędu i informacje. Na przykład:

400 token_mismatched：Nieprawidłowe żądanie, prawdopodobnie z powodu brakujących lub nieprawidłowych parametrów.
400 api_not_implemented：Nieprawidłowe żądanie, prawdopodobnie z powodu brakujących lub nieprawidłowych parametrów.
401 invalid_token：Brak autoryzacji, nieprawidłowy lub brakujący token autoryzacyjny.
429 too_many_requests：Zbyt wiele żądań, przekroczono limit szybkości.
500 api_error：Wewnętrzny błąd serwera, coś poszło nie tak po stronie serwera.

Przykład odpowiedzi błędu

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

Wnioski

Dzięki temu dokumentowi wiesz już, jak używać Claude Chat Completion API, aby łatwo zaimplementować funkcję rozmowy oficjalnego Claude. Mamy nadzieję, że ten dokument pomoże Ci lepiej integrować i używać tego API. W razie jakichkolwiek pytań prosimy o kontakt z naszym zespołem wsparcia technicznego.

Getting Started

Czat AI

Obraz AI

Wideo AI

Audio AI

Sieć i dane

CAPTCHA

Tożsamość

Coding

Więcej przewodników

Wniosek i korzystanie z Claude Chat Completion API

Proces składania wniosku

Podstawowe użycie

Odpowiedź strumieniowa

Rozmowa wieloturowa

Głębokie rozumowanie

Modele wizyjne

Obsługa błędów

Przykład odpowiedzi błędu

Wnioski

​Proces składania wniosku

​Podstawowe użycie

​Odpowiedź strumieniowa

​Rozmowa wieloturowa

​Głębokie rozumowanie

​Modele wizyjne

​Obsługa błędów

​Przykład odpowiedzi błędu

​Wnioski

Proces składania wniosku

Podstawowe użycie

Odpowiedź strumieniowa

Rozmowa wieloturowa

Głębokie rozumowanie

Modele wizyjne

Obsługa błędów

Przykład odpowiedzi błędu

Wnioski