文本对话（LLM）

本页教你向模型提问，并在程序中读到回答。你可以用它做学习问答、文字整理、写作或编程练习。

先完成快速开始，从模型广场复制一个支持文本对话的模型名称。

选择一种方式

你习惯用什么	看哪一节
Python	Python 示例
macOS / Linux 的 Bash 终端	cURL 示例
Windows PowerShell	PowerShell 示例
WorkBuddy	软件配置步骤

本页使用的完整接口地址：

https://www.taokennet.com/v1/chat/completions

Python 示例

先按 Python 准备教程安装 requests。复制以下完整代码，保存为 chat_demo.py，只需把 YOUR_LLM_MODEL_ID 换成实际模型名称。

import getpass
import requests

API_BASE_URL = "https://www.taokennet.com"
MODEL_ID = "YOUR_LLM_MODEL_ID"
api_key = getpass.getpass("粘贴你的 API Key，然后按回车：").strip()

response = requests.post(
    f"{API_BASE_URL}/v1/chat/completions",
    headers={"Authorization": f"Bearer {api_key}"},
    json={
        "model": MODEL_ID,
        "messages": [
            {"role": "user", "content": "请用三句话解释什么是机器学习。"}
        ],
    },
    timeout=180,
)

if not response.ok:
    print("请求失败：", response.status_code, response.text)
    raise SystemExit(1)

result = response.json()
print(result["choices"][0]["message"]["content"])

运行：

python chat_demo.py

按提示粘贴 API Key，再按回车。成功时，终端会显示模型给出的解释；具体回答每次可能不同。

cURL 示例

下面按 Bash 写法提供。Windows PowerShell 用户请使用下一节，不要混用两种换行符。

把 YOUR_LLM_MODEL_ID 换成模型名称，整段粘贴到 Bash 中执行：

API_BASE_URL='https://www.taokennet.com'
printf '粘贴你的 API Key，然后按回车：'
read -r -s API_KEY
printf '\n'

curl -sS "$API_BASE_URL/v1/chat/completions" \
  -H "Authorization: Bearer $API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "YOUR_LLM_MODEL_ID",
    "messages": [
      {"role": "user", "content": "请用三句话解释什么是机器学习。"}
    ]
  }'

粘贴密钥时屏幕不显示输入是正常现象。请求成功后会显示一段 JSON，回答在 choices[0].message.content。

PowerShell 示例

打开 Windows PowerShell，替换模型名称，再复制运行：

$ErrorActionPreference = 'Stop'
$apiBaseUrl = 'https://www.taokennet.com'
$apiKey = Read-Host '粘贴你的 API Key，然后按回车'
$modelId = 'YOUR_LLM_MODEL_ID'
$headers = @{ Authorization = "Bearer $($apiKey.Trim())" }
$body = @{
  model = $modelId
  messages = @(
    @{ role = 'user'; content = '请用三句话解释什么是机器学习。' }
  )
} | ConvertTo-Json -Depth 8

$result = Invoke-RestMethod `
  -Uri "$apiBaseUrl/v1/chat/completions" `
  -Method Post `
  -Headers $headers `
  -ContentType 'application/json' `
  -Body ([Text.Encoding]::UTF8.GetBytes($body))

$result.choices[0].message.content

成功时，最后一行会直接显示模型回答，不需要自己从整段 JSON 中找文字。

示例里的字段是什么意思？

先保留示例的写法，只替换模型名称和你想问的问题。常用字段在这里就可以查到：

字段	是什么	怎么填写
model	本次使用的模型	从平台模型广场复制，替换 YOUR_LLM_MODEL_ID
messages	这次对话的消息列表	第一次提问放一条消息，继续追问时带上前面的对话
role	这条消息是谁说的	你的问题用 user，模型之前的回答用 assistant
content	消息的文字内容	把示例问题换成自己的问题
stream	是否边生成边返回	不填或填 false 就等待完整回答；填 true 时使用下面的流式读取示例

请求头中的 Authorization: Bearer ... 用来填写平台 API Key，Content-Type: application/json 表示发送 JSON。代码示例已经写好这些部分，按提示输入 Key 即可。

Python 的 timeout 是本次网络请求的等待设置，不是回答字数。第一次调用不需要额外添加其他参数。

成功结果怎么看？

cURL 通常显示完整 JSON，下面是简化后的结构示意，文字只是示例：

{
  "choices": [
    {
      "message": {
        "role": "assistant",
        "content": "机器学习是让计算机从数据中学习规律的方法。"
      }
    }
  ]
}

找到 choices 中第一项的 message.content，就是这次回答。上面的 Python 和 PowerShell 示例已经替你取出了这段文字。

流式回答会分段到达，文字在每段的 choices[0].delta.content 中，收到 [DONE] 表示结束。下面的完整示例已经包含这些读取步骤。

继续追问怎么写？

希望模型知道前面聊过什么，就把相关对话一起放进 messages。例如，把 Python 示例里的消息列表换成：

[
  {"role": "user", "content": "什么是机器学习？"},
  {"role": "assistant", "content": "机器学习是让计算机从数据中学习规律的方法。"},
  {"role": "user", "content": "再举一个生活中的例子。"}
]

user 表示你的问题，assistant 表示模型之前的回答。自己的程序中应保存真实的对话内容。

想让回答逐字显示？

先确认普通对话已经成功，再尝试下面的 Python 示例，保存为 chat_stream.py。它会边收到文字边打印：

import getpass
import json
import requests

API_BASE_URL = "https://www.taokennet.com"
MODEL_ID = "YOUR_LLM_MODEL_ID"
api_key = getpass.getpass("粘贴你的 API Key，然后按回车：").strip()

with requests.post(
    f"{API_BASE_URL}/v1/chat/completions",
    headers={"Authorization": f"Bearer {api_key}"},
    json={
        "model": MODEL_ID,
        "messages": [{"role": "user", "content": "介绍三种有效的学习方法。"}],
        "stream": True,
    },
    stream=True,
    timeout=180,
) as response:
    if not response.ok:
        print("请求失败：", response.status_code, response.text)
        raise SystemExit(1)

    for line in response.iter_lines():
        if not line:
            continue
        text = line.decode("utf-8")
        if not text.startswith("data:"):
            continue
        data = text[5:].strip()
        if data == "[DONE]":
            break
        if not data:
            continue
        chunk = json.loads(data)
        if chunk.get("error"):
            print("\n请求失败：", chunk["error"])
            break
        choices = chunk.get("choices", [])
        if choices:
            print(choices[0].get("delta", {}).get("content") or "", end="", flush=True)
    print()

运行 python chat_stream.py。看到文字陆续出现，而不是等全部完成后一起出现，就说明流式显示已生效。所选模型需要支持流式回答。

没有得到回答？

先检查三处：地址是否照抄本页、API Key 是否完整、模型占位文字是否已经替换。再看常见问题。

本页已包含完成文本对话所需的地址、字段、代码和结果说明，照着操作即可，不需要另外查找接口文档。