Chat Completions 對話補全 | 土土金 API 文件

POST /v1/chat/completions 是最常用的介面：傳入一組對話訊息，返回模型的回覆。格式與 OpenAI Chat Completions 一致，目錄裡標註支援該介面的模型（包括 GPT、Claude、Gemini、DeepSeek、通義千問等）都可以用同一套程式碼呼叫。本介面已在本站實測，包括流式輸出。

POSThttps://www.tutujin.com/v1/chat/completions

請求頭

請求頭	必填	說明
`Authorization`	是	`Bearer sk-...`，控制台建立的 API Key
`Content-Type`	是	`application/json`

請求參數

參數	類型	必填	說明
`model`	string	是	模型名，例如 `gpt-5.4-mini`
`messages`	array	是	對話訊息列表，按時間順序排列，結構見下文
`stream`	boolean	否	設為 `true` 時以 SSE 流式返回，預設 `false`
`stream_options`	object	否	流式時傳 `{"include_usage": true}`，最後一個數據塊會帶上本次用量
`max_tokens`	integer	否	本次最多生成多少 tokens。部分新模型改用 `max_completion_tokens`
`max_completion_tokens`	integer	否	生成上限，包含推理模型的思考 tokens
`temperature`	number	否	取樣溫度，常見範圍 0 到 2，越高越發散。推理模型通常不支援
`top_p`	number	否	核取樣，和 `temperature` 一般只調一個
`n`	integer	否	返回幾個候選回答，每個候選都按實際生成的 tokens 計費
`stop`	string 或 array	否	遇到這些字串時停止生成
`presence_penalty`	number	否	-2 到 2，正值鼓勵模型談新話題
`frequency_penalty`	number	否	-2 到 2，正值減少重複用詞
`response_format`	object	否	`{"type": "json_object"}` 要求輸出 JSON；部分模型支援 `json_schema` 嚴格結構化輸出
`tools`	array	否	可供模型呼叫的函式定義（function calling）
`tool_choice`	string 或 object	否	`auto`、`none`、`required`，或指定某個函式
`reasoning_effort`	string	否	推理模型的思考強度，如 `low`、`medium`、`high`，僅部分模型支援
`seed`	integer	否	儘量讓相同輸入得到相同輸出，不保證完全一致
`user`	string	否	你這邊的終端使用者標識，便於排查濫用

不同廠商的模型對可選參數的支援程度不同。模型不支援的參數可能被忽略，也可能返回 400，接入新模型時先用小流量驗證。

messages 結構

每條訊息是一個物件，role 取以下值之一：

role	用途
`system`	系統提示詞，設定角色、規則和輸出格式，一般放在第一條
`user`	使用者輸入
`assistant`	模型之前的回覆，多輪對話時原樣帶回
`tool`	函式呼叫的執行結果，需帶上對應的 `tool_call_id`

content 可以是字串，也可以是陣列。陣列形式用於圖文混合輸入，適用於支援識圖的模型：

JSON

{
  "role": "user",
  "content": [
    { "type": "text", "text": "这张发票的金额是多少？" },
    { "type": "image_url", "image_url": { "url": "https://example.com/invoice.png" } }
  ]
}

圖片也可以用 data:image/png;base64,... 的形式直接放進 url。

請求示例

curl https://www.tutujin.com/v1/chat/completions \
  -H "Authorization: Bearer $TUTUJIN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.4-mini",
    "messages": [
      {"role": "system", "content": "你是电商客服，回答简短、礼貌。"},
      {"role": "user", "content": "下单后多久发货？"}
    ],
    "temperature": 0.3
  }'

import os
from openai import OpenAI

client = OpenAI(base_url="https://www.tutujin.com/v1", api_key=os.environ["TUTUJIN_API_KEY"])

resp = client.chat.completions.create(
    model="gpt-5.4-mini",
    messages=[
        {"role": "system", "content": "你是电商客服，回答简短、礼貌。"},
        {"role": "user", "content": "下单后多久发货？"},
    ],
    temperature=0.3,
)
print(resp.choices[0].message.content)
print(resp.usage)

import OpenAI from 'openai'

const client = new OpenAI({ baseURL: 'https://www.tutujin.com/v1', apiKey: process.env.TUTUJIN_API_KEY })

const resp = await client.chat.completions.create({
  model: 'gpt-5.4-mini',
  messages: [
    { role: 'system', content: '你是电商客服，回答简短、礼貌。' },
    { role: 'user', content: '下单后多久发货？' },
  ],
  temperature: 0.3,
})
console.log(resp.choices[0].message.content)
console.log(resp.usage)

響應示例

JSON

{
  "id": "chatcmpl-...",
  "object": "chat.completion",
  "created": 1794000000,
  "model": "gpt-5.4-mini",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "您好，现货订单一般在付款后 48 小时内发货。"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 31,
    "completion_tokens": 22,
    "total_tokens": 53
  }
}

欄位	說明
`choices[].message.content`	模型的回答
`choices[].message.tool_calls`	模型決定呼叫函式時出現，包含函式名和 JSON 參數
`choices[].finish_reason`	`stop` 正常結束；`length` 達到生成上限被截斷；`tool_calls` 需要你執行函式；`content_filter` 被內容安全策略攔截
`usage.prompt_tokens`	輸入 tokens，按輸入單價計費
`usage.completion_tokens`	輸出 tokens（推理模型含思考部分），按輸出單價計費
`usage.prompt_tokens_details.cached_tokens`	命中上下文快取的輸入 tokens，模型支援快取時出現，按快取讀取價計費

流式輸出

設定 "stream": true 後，服務端用 Server-Sent Events 逐塊返回。每塊是一行 data: {...}，增量文本在 choices[0].delta.content，最後以 data: [DONE] 結束：

Text

data: {"id":"chatcmpl-...","object":"chat.completion.chunk","choices":[{"index":0,"delta":{"role":"assistant","content":""}}]}

data: {"id":"chatcmpl-...","object":"chat.completion.chunk","choices":[{"index":0,"delta":{"content":"您好"}}]}

data: {"id":"chatcmpl-...","object":"chat.completion.chunk","choices":[{"index":0,"delta":{},"finish_reason":"stop"}]}

data: [DONE]

用 SDK 時直接遍歷返回的流即可：

stream = client.chat.completions.create(
    model="gpt-5.4-mini",
    messages=[{"role": "user", "content": "写一段 100 字的产品介绍"}],
    stream=True,
    stream_options={"include_usage": True},
)
for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)
    if chunk.usage:
        print("\n", chunk.usage)

const stream = await client.chat.completions.create({
  model: 'gpt-5.4-mini',
  messages: [{ role: 'user', content: '写一段 100 字的产品介绍' }],
  stream: true,
  stream_options: { include_usage: true },
})
for await (const chunk of stream) {
  const text = chunk.choices[0]?.delta?.content
  if (text) process.stdout.write(text)
  if (chunk.usage) console.log('\n', chunk.usage)
}

生成較長的內容時建議開啟流式：使用者更早看到結果，也不容易因為單次請求等待太久被閘道器或客戶端超時斷開。

注意事項

模型名要和模型廣場裡的寫法完全一致，大小寫敏感。
同一把 Key 只會走它所在分組的線路。某個模型返回 503 並提示沒有可用渠道時，通常是這個分組不提供該模型，換一把其他分組的 Key 再試，見選擇分組。
推理模型的思考過程也算輸出 tokens，費用可能明顯高於普通模型。可以用 max_completion_tokens 控制上限。
多輪對話需要你把歷史訊息一併傳送，服務端不儲存會話。歷史越長，輸入 tokens 越多，可以按需裁剪。
每次請求的 tokens 與費用都能在控制台「操作日誌」中查到。

支援此介面的模型

模型	廠商	最低價分組	輸入 ¥/百萬	輸出 ¥/百萬	按次 ¥/次
gpt-image-2	OpenAI	標準	—	—	¥0.12
Claude Haiku 5.5	Anthropic	Claude 優質	¥0.4	¥2	—
qwen3.5-plus	通義千問	國產模型	¥1.12	¥6.72	—
gemini-3.8-flash	Google	標準	¥1.5	¥7.5	—
gpt-5.4-mini	OpenAI	標準	¥1.5	¥9	—
deepseek-v4.1-flash	DeepSeek	國產模型	¥2.8	¥11.2	—
Claude Sonnet 5.5	Anthropic	Claude 經濟	¥3.2	¥16	—
GPT-6.1 Sol	OpenAI	標準	¥4	¥20	—
gemini-3.1-pro-preview	Google	標準	¥4	¥24	—
Claude Opus 5.5	Anthropic	Claude 經濟	¥8	¥40	—

價格為人民幣，取各模型最低價分組；價格更新於 2026年11月13日下午6:08。

共 681 個模型支援此介面，上表列出其中一部分。在模型廣場檢視全部

沒找到答案？加客服微信 JsnonoChat，傳送報錯資訊裡的 request id，我們幫你排查。