快速开始

本指南将帮助您快速上手智谱开放平台，从注册账号到发起第一次 API 调用，只需几分钟即可完成。

开始使用

1. 注册账号

   访问智谱开放平台，点击右上角的「注册/登录」按钮，按照提示完成账号注册流程。

2. 获取API Key

   登录后，在个人中心页面，点击 API Keys，创建一个新的 API Key。

   请妥善保管您的 API Key，不要泄露给他人，也不要直接硬编码在代码中。建议使用环境变量或配置文件来存储 API Key。

3. 选择模型

   平台提供多种模型，您可以根据自己的需求选择合适的模型。详细的模型介绍请参考模型概况。

   GLM-5.2

   通用旗舰大语言模型

   GLM-5V-Turbo

   多模态 Coding 基座模型

   GLM-Image

   图像生成模型，文字渲染更稳更准

   CogVideoX-3

   视频生成模型，新增首尾帧生成

4. 选择开发方式

   平台提供多种开发方式，您可以根据项目需求和技术栈选择最适合的方式：

   HTTP API

   标准 RESTful API，支持所有编程语言和开发框架

   Python SDK

   官方 Python 开发工具包，提供完整的类型提示和异步支持

   Java SDK

   企业级 Java 开发工具包，支持高并发和高可用性

   API 参考文档

   完整的 API 接口文档和参数说明

5. 发起调用

   准备好 API Key 和选择模型后，您可以开始发起调用。以下是使用 curl 和 Python SDK Java SDK 的示例：

   使用 GLM Coding Plan 时，请按 教程 配置专属端点。

   cURL

   curl -X POST "https://open.bigmodel.cn/api/paas/v4/chat/completions" \
   -H "Content-Type: application/json" \
   -H "Authorization: Bearer YOUR_API_KEY" \
   -d '{
       "model": "glm-5.2",
       "messages": [
           {
               "role": "system",
               "content": "你是一个有用的AI助手。"
           },
           {
               "role": "user",
               "content": "你好，请介绍一下自己。"
           }
       ],
       "temperature": 1.0,
       "stream": true
   }'
   

   Python SDK

   安装 SDK

   # 安装最新版本
   pip install zai-sdk
   
   # 或指定版本
   pip install zai-sdk==0.2.3
   

   验证安装

   import zai
   print(zai.__version__)
   

   使用示例

   from zai import ZhipuAiClient
   
   # 初始化客户端
   client = ZhipuAiClient(api_key="YOUR_API_KEY")
   
   # 创建聊天完成请求
   response = client.chat.completions.create(
       model="glm-5.2",
       messages=[
           {
               "role": "system",
               "content": "你是一个有用的AI助手。"
           },
           {
               "role": "user",
               "content": "你好，请介绍一下自己。"
           }
       ],
       temperature=0.6
   )
   
   # 获取回复
   print(response.choices[0].message.content)
   

   Java SDK

   安装 SDK

   Maven

   <dependency>
       <groupId>ai.z.openapi</groupId>
       <artifactId>zai-sdk</artifactId>
       <version>0.3.5</version>
   </dependency>
   

   Gradle (Groovy)

   implementation 'ai.z.openapi:zai-sdk:0.3.5'
   

   使用示例

   import ai.z.openapi.ZhipuAiClient;
   import ai.z.openapi.service.model.*;
   import java.util.Arrays;
   
   public class QuickStart {
       public static void main(String[] args) {
           // 初始化客户端
           ZhipuAiClient client = ZhipuAiClient.builder().ofZHIPU()
               .apiKey("YOUR_API_KEY")
               .build();
   
           // 创建聊天完成请求
           ChatCompletionCreateParams request = ChatCompletionCreateParams.builder()
               .model("glm-5.2")
               .messages(Arrays.asList(
                   ChatMessage.builder()
                       .role(ChatMessageRole.USER.value())
                       .content("Hello, who are you?")
                       .build()
               ))
               .stream(false)
               .temperature(0.6f)
               .maxTokens(1024)
               .build();
   
           // 发送请求
           ChatCompletionResponse response = client.chat().createChatCompletion(request);
   
           // 获取回复
           System.out.println(response.getData().getChoices().get(0).getMessage());
       }
   }
   

   Python SDK(旧)

   安装 SDK

   # 安装最新版本
   pip install zhipuai
   
   # 或指定版本
   pip install zhipuai==2.1.5.20250726
   

   验证安装

   import zhipuai
   print(zhipuai.__version__)
   

   使用示例

   from zhipuai import ZhipuAI
   
   client = ZhipuAI(api_key="YOUR_API_KEY")
   response = client.chat.completions.create(
       model="glm-5.2",
       messages=[
           {
               "role": "system",
               "content": "你是一个有用的AI助手。"
           },
           {
               "role": "user",
               "content": "你好，请介绍一下自己。"
           }
       ]
   )
   print(response.choices[0].message.content)
   

探索更多功能

流式输出

启用流式输出，获得更自然的对话体验。

{
    "model": "glm-5.2",
    "messages": [
        {
            "role": "user",
            "content": "你好，请介绍一下自己。"
        }
    ],
    "stream": true
}

多模态输入

使用 GLM-5V-Turbo 模型处理图像和文本的混合输入。

{
    "model": "glm-5v-turbo",
    "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "这张图片是什么?"
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "data:image/jpeg;base64,..."
                    }
                }
            ]
        }
    ]
}

函数调用

使用函数调用功能，让模型调用您定义的函数。

{
    "model": "glm-5.2",
    "messages": [
        {
            "type": "text",
            "text": "帮我查询从2024年1月20日，从北京出发前往上海的航班"
        }
    ],
    "tools": [
        {
            "type": "function",
            "function": {
                "name": "get_flight_number",
                "description": "根据始发地、目的地和日期，查询对应日期的航班号",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "departure": {
                            "description": "出发地",
                            "type": "string"
                        },
                        "destination": {
                            "description": "目的地",
                            "type": "string"
                        },
                        "date": {
                            "description": "日期",
                            "type": "string"
                        }
                    },
                    "required": ["departure", "destination", "date"]
                }
            }
        }
    ]
}

常见问题

如何处理API调用错误？

当 API 调用出现错误时，服务器会返回相应的 HTTP 状态码和错误信息。常见的错误包括：

• 401 Unauthorized: API Key 无效或已过期
• 400 Bad Request: 请求参数错误
• 429 Too Many Requests: 超出 API 调用频率限制
• 500 Internal Server Error: 服务器内部错误

建议实现适当的错误处理和重试机制，特别是对于 429 和 500 错误。

查阅 完整错误码说明 或 提交工单

如何优化API调用成本？

以下是一些优化 API 调用成本的建议：

1. 选择适合任务的模型，不同模型的价格不同
2. 减少不必要的上下文信息，降低 token 消耗
3. 使用缓存机制，避免重复调用
4. 设置合理的 max_tokens 参数，避免生成过长的回复
5. 在开发阶段使用较小的模型进行测试

如何处理长文本输入？

对于超过模型上下文窗口大小的长文本，可以采用以下策略：

1. 使用 GLM-4-Long 等支持更长上下文的模型
2. 对文本进行分段处理，然后合并结果
3. 使用文本嵌入模型进行相关性检索，只保留最相关的部分
4. 对文本进行摘要，提取关键信息后再输入模型