对话补全

根据对话历史创建模型响应。兼容 OpenAI Chat Completions API，支持流式（SSE）与非流式响应、工具调用、多模态输入。

鉴权：在请求头携带 Authorization: Bearer <令牌>，详见鉴权与令牌。

请求参数

消息结构

messages 数组中每个消息对象包含以下字段：

多模态输入

content 传数组时，每个元素是带 type 字段的对象：

{
  "role": "user",
  "content": [
    { "type": "text", "text": "这张图里有什么？" },
    { "type": "image_url", "image_url": { "url": "https://example.com/pic.png", "detail": "high" } }
  ]
}

请求示例

curl https://api.jimu.chat/v1/chat/completions \
  -H "Authorization: Bearer $JIMU_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [{"role": "user", "content": "你好"}],
    "max_tokens": 1024
  }'

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["JIMU_API_KEY"],
    base_url="https://api.jimu.chat/v1",
)

resp = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[{"role": "user", "content": "你好"}],
    max_tokens=1024,
)
print(resp.choices[0].message.content)

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.JIMU_API_KEY,
  baseURL: "https://api.jimu.chat/v1",
});

const resp = await client.chat.completions.create({
  model: "deepseek-v4-flash",
  messages: [{ role: "user", content: "你好" }],
  max_tokens: 1024,
});
console.log(resp.choices[0].message.content);

响应结构

非流式响应示例（实测，推理模型）：

{
  "id": "58881cdb-747f-4222-b9ea-3e066cc34aab",
  "object": "chat.completion",
  "created": 1785252811,
  "model": "deepseek-v4-flash",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "你好！有什么可以帮你？",
        "reasoning_content": "用户打招呼……"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 5,
    "completion_tokens": 16,
    "total_tokens": 21,
    "prompt_tokens_details": { "cached_tokens": 0 },
    "completion_tokens_details": { "reasoning_tokens": 16 },
    "prompt_cache_hit_tokens": 0,
    "prompt_cache_miss_tokens": 5
  },
  "system_fingerprint": "fp_8b330d02d0_prod0820_fp8_kvcache_20260402"
}

关键字段说明：

• id：响应 ID，格式不固定（UUID、msg_ 前缀等），不要对格式做假设。
• choices[].message：模型生成的消息，role 恒为 assistant。推理模型会额外返回 reasoning_content（思维链）；发起工具调用时携带 tool_calls，此时 content 可能为空字符串，也可能是引导性文字，不要假设它一定为空。
• choices[].finish_reason：结束原因，取值 stop（正常结束）、length（达到 token 上限）、tool_calls（发起工具调用）、function_call（旧版函数调用）、content_filter（内容被过滤）。
• system_fingerprint：上游系统指纹，可能为 null。
• usage：token 计量。权威字段为 prompt_tokens / completion_tokens / total_tokens，是唯一可以写进业务逻辑的计量字段。*_tokens_details 与附加字段（如上例的 prompt_cache_hit_tokens / prompt_cache_miss_tokens）属于上游附加信息，结构不固定，不要依赖其存在或结构。

流式输出

设置 "stream": true 后，响应以 Server-Sent Events 返回（Content-Type: text/event-stream）。每个事件为一行 data: {JSON}，事件间以空行分隔；流末尾发送 data: [DONE] 表示结束。

典型 chunk 序列（实测）：

data: {"id":"ab175b3b-...","object":"chat.completion.chunk","created":1785252811,"model":"deepseek-v4-flash","choices":[{"index":0,"delta":{"role":"assistant","content":""},"finish_reason":null}],"usage":null}

data: {"id":"ab175b3b-...","object":"chat.completion.chunk",...,"choices":[{"index":0,"delta":{"content":"1、2、3"},"finish_reason":null}],"usage":null}

data: {"id":"ab175b3b-...","object":"chat.completion.chunk",...,"choices":[{"index":0,"delta":{"content":""},"finish_reason":"stop"}],"usage":{"prompt_tokens":7,"completion_tokens":32,"total_tokens":39,...}}

data: [DONE]

要点：

• 首个 chunk 的 delta 携带 role: "assistant"，之后每个 chunk 的 delta.content 是增量文本，拼接即为完整回复。推理模型的思维链增量通过 delta.reasoning_content 下发。
• 结束 chunk 的 delta 内容为空，finish_reason 给出结束原因。
• usage 默认不出现在流式 chunk 中（恒为 null）。传 "stream_options": {"include_usage": true} 后，usage 的携带位置有两种实际形态：追加一个 choices 为空数组的专用 chunk，或直接附在携带 finish_reason 的最后一个内容 chunk 上（如上例）。解析器应读取任何携带非空 usage 的 chunk，不要用 choices 是否为空作为判断条件。
• 工具调用的流式返回中，delta.tool_calls 按增量分片下发，function.arguments 为逐步累积的 JSON 字符串片段，需自行拼接后解析。
• 参数类错误（如模型不存在、额度不足）在流建立之前返回，是普通的 JSON 错误响应（HTTP 非 200）。流建立之后若上游中途失败，平台会下发错误事件或直接终止连接（形态取决于上游渠道）。客户端应把「未收到 [DONE] 就结束的流」视为失败，并处理两种出错时机。

工具调用

工具调用是一次「请求 → 执行 → 回填 → 再请求」的往返流程。

1. 在请求中声明工具。 tools 数组每项的结构：

{
  "type": "function",
  "function": {
    "name": "get_weather",
    "description": "查询指定城市天气",
    "parameters": {
      "type": "object",
      "properties": { "city": { "type": "string", "description": "城市名" } },
      "required": ["city"]
    }
  }
}

2. 模型决定调用工具。 响应中 finish_reason 为 tool_calls，message.tool_calls 给出调用参数（实测）：

{
  "choices": [{
    "index": 0,
    "message": {
      "role": "assistant",
      "content": "好的！我来查询一下北京的天气情况。",
      "tool_calls": [{
        "index": 0,
        "id": "call_00_9HGXAbXfVL4Bq2XZJFEN8802",
        "type": "function",
        "function": { "name": "get_weather", "arguments": "{\"city\": \"北京\"}" }
      }]
    },
    "finish_reason": "tool_calls"
  }]
}

注意：function.arguments 是 JSON 字符串（不是对象），需 JSON.parse 后使用，流式模式下分片下发、拼完整再解析；content 此时可能为空字符串，也可能像上例一样带引导文字；tool_calls[].id 的格式不固定（call_...、toolu_... 等）。

3. 执行工具并回填结果。 在你的系统里执行函数，然后把两条消息追加到 messages：

• 上一条 assistant 消息原样回填（含 content 与 tool_calls，不要改写）；
• 一条 role: "tool" 的消息，tool_call_id 对应该次调用的 id，content 为执行结果。

[
  { "role": "user", "content": "北京今天天气如何？" },
  { "role": "assistant", "content": "好的！我来查询一下北京的天气情况。", "tool_calls": [{ "index": 0, "id": "call_00_9HGXAbXfVL4Bq2XZJFEN8802", "type": "function", "function": { "name": "get_weather", "arguments": "{\"city\": \"北京\"}" } }] },
  { "role": "tool", "tool_call_id": "call_00_9HGXAbXfVL4Bq2XZJFEN8802", "content": "{\"temp\": 26, \"cond\": \"晴\"}" }
]

4. 再次发起请求。 模型基于工具结果生成最终自然语言回复，finish_reason 为 stop。

错误情形

错误响应为嵌套 error 对象，HTTP 状态码非 200（实测）：

{
  "error": {
    "code": "model_not_found",
    "message": "模型 xxx 暂无可用渠道，请稍后再试 (request id: 20260728143942943269800tFRTapux)",
    "type": "jimu_api_error"
  }
}

排查时优先读取响应头 X-Jimu-Request-Id 获取请求 ID（成功响应也携带），error.message 末尾的 (request id: ...) 后缀是同一 ID。完整的 type 取值、状态码含义与三种错误形态对照见错误处理与请求追踪。

本端点特有的典型错误：