快速開始

確認端點、設定金鑰、接入用戶端，然後發起第一個請求。

選擇接入端點

根據你的用戶端類型選擇合適的 API 端點。支援 OpenAI-compatible、Responses-compatible 和 Messages-compatible 介面。

Base URL: https://api.llm-token.cn/v1

準備 API Key

使用已經開通的 API Key，並只放在伺服器端環境變數中，避免暴露到瀏覽器程式碼。

Authorization: Bearer sk-your-api-key

整合用戶端

使用相容用戶端或直接呼叫 REST API，設定 base_url 後即可快速接入。

client = OpenAI(base_url='https://api.llm-token.cn/v1')

開始呼叫

傳送請求取得 AI 回應，支援串流輸出以獲得更好的使用者體驗。

POST /v1/chat/completions

身分驗證

所有 API 請求都需要在 HTTP Header 中攜帶 API Key 進行身分驗證。

驗證格式

在每個請求的 Authorization header 中加入你的 API Key。

POST/v1/chat/completions

帶驗證的請求範例

請求範例

json

curl https://api.llm-token.cn/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-your-api-key" \
  -d '{
    "model": "gpt-4o-mini",
    "messages": [{"role": "user", "content": "Hello!"}]
  }'

回應範例

json

{
  "id": "chatcmpl_123",
  "object": "chat.completion",
  "choices": [{
    "message": {
      "role": "assistant",
      "content": "Hello! How can I help you today?"
    }
  }]
}

聊天補全 API

OpenAI-compatible Chat Completions endpoint for multiple model ecosystems.

python

from openai import OpenAI

# 初始化客户端
client = OpenAI(
    api_key="sk-your-api-key",
    base_url="https://api.llm-token.cn/v1"
)

# 发送聊天请求
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "你是一个简洁的助手。"},
        {"role": "user", "content": "用一句话介绍你自己。"}
    ]
)

print(response.choices[0].message.content)

請求參數

參數	類型	必填	說明
`model`	string	是	模型 ID，例如 gpt-4o-mini
`messages`	array	是	聊天訊息陣列
`temperature`	number	否	取樣溫度，0-2，預設 1
`max_tokens`	integer	否	產生 token 上限
`stream`	boolean	否	是否啟用串流輸出
`top_p`	number	否	核取樣，預設 1

回應欄位

欄位	類型	說明
`id`	string	回應唯一標識
`object`	string	物件類型，固定為 chat.completion
`created`	integer	建立時間戳記
`model`	string	使用的模型 ID
`choices`	array	產生的回覆選項
`usage`	object	token 使用統計

串流輸出

啟用串流輸出可以即時接收生成的 token，顯著降低使用者感知延遲。

串流輸出的優勢

降低感知延遲 - 使用者無需等待完整回應，可以立即看到內容
更好的長文本體驗 - 內容像真人打字一樣逐步顯示
成本相同 - 與同步輸出成本完全一致，只是傳輸方式不同