LongCat Flash Chat ist Meituans Gesprächsmodell ohne Denkmodus aus der LongCat-Flash-Familie. Der Hersteller beschreibt eine Mixture-of-Experts-Architektur mit insgesamt 560 Milliarden Parametern und dynamischer Aktivierung von 18,6–31,3 Milliarden Parametern, durchschnittlich etwa 27 Milliarden je Token. Sein Training entwickelt textbasiertes Schlussfolgern, Programmierung und Agentenabläufe, mit einem auf 128K erweiterten Kontext.
Geben Sie Frage, relevantes Quellmaterial und erwartetes Ergebnis an. Benennen Sie bei einer Erklärung die Bedingungen und die zu begründende Schlussfolgerung. Stellen Sie bei einer Programmieraufgabe den relevanten Quellcode und das erforderliche Verhalten bereit. Verlangen Sie ein abschliessendes Ergebnis, das anhand der Eingabe geprüft werden kann.
Bewahren Sie Quellenkennungen und wichtige Aufgabenbedingungen in Nachfragen. Eine Korrektur eines Fakts oder Schritts sollte sichtbar bleiben, statt das von der Antwort zu lösende Problem stillschweigend zu ändern.
Der Hersteller dokumentiert Vorlagen für den ersten Beitrag, Systemprompts und mehrteilige Gespräche. Er liefert zudem ein Werkzeugaufrufmuster mit Funktionsname und Argumenten, wobei jeder Aufruf gesondert eingefasst wird. Eine umgebende Anwendung interpretiert den gewählten Aufruf des Modells, führt die Funktion aus und liefert eine Beobachtung zurück.
Geben Sie Funktionen bei einer werkzeuggestützten Aufgabe klare Zwecke und nutzen Sie deren tatsächliche Ergebnisse als Belege für die spätere Antwort. Mehrere gewählte Aufrufe bleiben getrennte Vorgänge; ihre Fertigstellung wird durch die Beobachtungen der Anwendung belegt.
Das dynamische Berechnungsdesign des Herstellers weist je nach Kontext unterschiedliche aktive Kapazität zu. Das beschreibt die Modellarchitektur und keine garantierte Antwortgeschwindigkeit oder Zuteilung gleichzeitiger Ausführungen für eine einzelne Anfrage.
Verwenden Sie die dokumentierten Eingabe- und Generierungsregler der gewählten Schnittstelle und halten Sie relevantes Material im Arbeitskontext. Bewahren Sie die Chat-Identität getrennt von einer separat benannten Schlussfolgerungsedition oder einem späteren LongCat-Profil. Beurteilen Sie den zurückgegebenen Text oder Code anhand der tatsächlichen Quellen und Ausführungsergebnisse der Aufgabe.
", "aboutText": "LongCat Flash Chat ist Meituans Gesprächsmodell ohne Denkmodus aus der LongCat-Flash-Familie. Der Hersteller beschreibt eine Mixture-of-Experts-Architektur mit insgesamt 560 Milliarden Parametern und dynamischer Aktivierung von 18,6–31,3 Milliarden Parametern, durchschnittlich etwa 27 Milliarden je Token. Sein Training entwickelt textbasiertes Schlussfolgern, Programmierung und Agentenabläufe, mit einem auf 128K erweiterten Kontext.\n\n### Eine klare Gesprächsaufgabe vorbereiten\n\nGeben Sie Frage, relevantes Quellmaterial und erwartetes Ergebnis an. Benennen Sie bei einer Erklärung die Bedingungen und die zu begründende Schlussfolgerung. Stellen Sie bei einer Programmieraufgabe den relevanten Quellcode und das erforderliche Verhalten bereit. Verlangen Sie ein abschliessendes Ergebnis, das anhand der Eingabe geprüft werden kann.\n\nBewahren Sie Quellenkennungen und wichtige Aufgabenbedingungen in Nachfragen. Eine Korrektur eines Fakts oder Schritts sollte sichtbar bleiben, statt das von der Antwort zu lösende Problem stillschweigend zu ändern.\n\n### Das Gesprächs- und Werkzeugmuster des Herstellers nutzen\n\nDer Hersteller dokumentiert Vorlagen für den ersten Beitrag, Systemprompts und mehrteilige Gespräche. Er liefert zudem ein Werkzeugaufrufmuster mit Funktionsname und Argumenten, wobei jeder Aufruf gesondert eingefasst wird. Eine umgebende Anwendung interpretiert den gewählten Aufruf des Modells, führt die Funktion aus und liefert eine Beobachtung zurück.\n\nGeben Sie Funktionen bei einer werkzeuggestützten Aufgabe klare Zwecke und nutzen Sie deren tatsächliche Ergebnisse als Belege für die spätere Antwort. Mehrere gewählte Aufrufe bleiben getrennte Vorgänge; ihre Fertigstellung wird durch die Beobachtungen der Anwendung belegt.\n\n### Architektur und Aufgabengrenzen getrennt halten\n\nDas dynamische Berechnungsdesign des Herstellers weist je nach Kontext unterschiedliche aktive Kapazität zu. Das beschreibt die Modellarchitektur und keine garantierte Antwortgeschwindigkeit oder Zuteilung gleichzeitiger Ausführungen für eine einzelne Anfrage.\n\nVerwenden Sie die dokumentierten Eingabe- und Generierungsregler der gewählten Schnittstelle und halten Sie relevantes Material im Arbeitskontext. Bewahren Sie die Chat-Identität getrennt von einer separat benannten Schlussfolgerungsedition oder einem späteren LongCat-Profil. Beurteilen Sie den zurückgegebenen Text oder Code anhand der tatsächlichen Quellen und Ausführungsergebnisse der Aufgabe.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a queue's ordering defect\n\nExplain this queue behavior to a junior developer: the program appends new jobs to a list, then removes jobs with pop() without an index. Jobs A, B and C were added in that order. State the processing order, explain why it differs from first-in-first-out, and show a small correction with a three-job check.A brief explanation, corrected Python queue example and assertion for the expected job order.The explanation identifies C,B,A as current behavior and verifies A,B,C after the proposed correction.LongCat-Flash-ChatLongCat Flash Chat ist Meituans Textmodell ohne Denkmodus für Gespräche, Programmierung und anwendungsgesteuerte Werkzeugaufgaben. Der Hersteller veröffentlicht einen 128K-Kontext und ein dynamisches Mixture-of-Experts-Design mit insgesamt 560B Parametern.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
LongCat Flash Chat ist Meituans Gesprächsmodell ohne Denkmodus aus der LongCat-Flash-Familie. Der Hersteller beschreibt eine Mixture-of-Experts-Architektur mit insgesamt 560 Milliarden Parametern und dynamischer Aktivierung von 18,6–31,3 Milliarden Parametern, durchschnittlich etwa 27 Milliarden je Token. Sein Training entwickelt textbasiertes Schlussfolgern, Programmierung und Agentenabläufe, mit einem auf 128K erweiterten Kontext.
Geben Sie Frage, relevantes Quellmaterial und erwartetes Ergebnis an. Benennen Sie bei einer Erklärung die Bedingungen und die zu begründende Schlussfolgerung. Stellen Sie bei einer Programmieraufgabe den relevanten Quellcode und das erforderliche Verhalten bereit. Verlangen Sie ein abschliessendes Ergebnis, das anhand der Eingabe geprüft werden kann.
Bewahren Sie Quellenkennungen und wichtige Aufgabenbedingungen in Nachfragen. Eine Korrektur eines Fakts oder Schritts sollte sichtbar bleiben, statt das von der Antwort zu lösende Problem stillschweigend zu ändern.
Der Hersteller dokumentiert Vorlagen für den ersten Beitrag, Systemprompts und mehrteilige Gespräche. Er liefert zudem ein Werkzeugaufrufmuster mit Funktionsname und Argumenten, wobei jeder Aufruf gesondert eingefasst wird. Eine umgebende Anwendung interpretiert den gewählten Aufruf des Modells, führt die Funktion aus und liefert eine Beobachtung zurück.
Geben Sie Funktionen bei einer werkzeuggestützten Aufgabe klare Zwecke und nutzen Sie deren tatsächliche Ergebnisse als Belege für die spätere Antwort. Mehrere gewählte Aufrufe bleiben getrennte Vorgänge; ihre Fertigstellung wird durch die Beobachtungen der Anwendung belegt.
Das dynamische Berechnungsdesign des Herstellers weist je nach Kontext unterschiedliche aktive Kapazität zu. Das beschreibt die Modellarchitektur und keine garantierte Antwortgeschwindigkeit oder Zuteilung gleichzeitiger Ausführungen für eine einzelne Anfrage.
Verwenden Sie die dokumentierten Eingabe- und Generierungsregler der gewählten Schnittstelle und halten Sie relevantes Material im Arbeitskontext. Bewahren Sie die Chat-Identität getrennt von einer separat benannten Schlussfolgerungsedition oder einem späteren LongCat-Profil. Beurteilen Sie den zurückgegebenen Text oder Code anhand der tatsächlichen Quellen und Ausführungsergebnisse der Aufgabe.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits LongCat-Flash-Chat | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.001428 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "LongCat-Flash-Chat", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='LongCat-Flash-Chat',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='LongCat-Flash-Chat',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra LongCat-Flash-Chat
Verwenden Sie die oben angezeigten Methodenpfade.
LongCat-Flash-ChatLongCat Flash Chat ist Meituans Textmodell ohne Denkmodus für Gespräche, Programmierung und anwendungsgesteuerte Werkzeugaufgaben. Der Hersteller veröffentlicht einen 128K-Kontext und ein dynamisches Mixture-of-Experts-Design mit insgesamt 560B Parametern.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
LongCat Flash Chat ist Meituans Gesprächsmodell ohne Denkmodus aus der LongCat-Flash-Familie. Der Hersteller beschreibt eine Mixture-of-Experts-Architektur mit insgesamt 560 Milliarden Parametern und dynamischer Aktivierung von 18,6–31,3 Milliarden Parametern, durchschnittlich etwa 27 Milliarden je Token. Sein Training entwickelt textbasiertes Schlussfolgern, Programmierung und Agentenabläufe, mit einem auf 128K erweiterten Kontext.
Geben Sie Frage, relevantes Quellmaterial und erwartetes Ergebnis an. Benennen Sie bei einer Erklärung die Bedingungen und die zu begründende Schlussfolgerung. Stellen Sie bei einer Programmieraufgabe den relevanten Quellcode und das erforderliche Verhalten bereit. Verlangen Sie ein abschliessendes Ergebnis, das anhand der Eingabe geprüft werden kann.
Bewahren Sie Quellenkennungen und wichtige Aufgabenbedingungen in Nachfragen. Eine Korrektur eines Fakts oder Schritts sollte sichtbar bleiben, statt das von der Antwort zu lösende Problem stillschweigend zu ändern.
Der Hersteller dokumentiert Vorlagen für den ersten Beitrag, Systemprompts und mehrteilige Gespräche. Er liefert zudem ein Werkzeugaufrufmuster mit Funktionsname und Argumenten, wobei jeder Aufruf gesondert eingefasst wird. Eine umgebende Anwendung interpretiert den gewählten Aufruf des Modells, führt die Funktion aus und liefert eine Beobachtung zurück.
Geben Sie Funktionen bei einer werkzeuggestützten Aufgabe klare Zwecke und nutzen Sie deren tatsächliche Ergebnisse als Belege für die spätere Antwort. Mehrere gewählte Aufrufe bleiben getrennte Vorgänge; ihre Fertigstellung wird durch die Beobachtungen der Anwendung belegt.
Das dynamische Berechnungsdesign des Herstellers weist je nach Kontext unterschiedliche aktive Kapazität zu. Das beschreibt die Modellarchitektur und keine garantierte Antwortgeschwindigkeit oder Zuteilung gleichzeitiger Ausführungen für eine einzelne Anfrage.
Verwenden Sie die dokumentierten Eingabe- und Generierungsregler der gewählten Schnittstelle und halten Sie relevantes Material im Arbeitskontext. Bewahren Sie die Chat-Identität getrennt von einer separat benannten Schlussfolgerungsedition oder einem späteren LongCat-Profil. Beurteilen Sie den zurückgegebenen Text oder Code anhand der tatsächlichen Quellen und Ausführungsergebnisse der Aufgabe.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits LongCat-Flash-Chat | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.001428 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "LongCat-Flash-Chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'LongCat-Flash-Chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'LongCat-Flash-Chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra LongCat-Flash-Chat
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a queue's ordering defect\n\nExplain this queue behavior to a junior developer: the program appends new jobs to a list, then removes jobs with pop() without an index. Jobs A, B and C were added in that order. State the processing order, explain why it differs from first-in-first-out, and show a small correction with a three-job check.A brief explanation, corrected Python queue example and assertion for the expected job order.The explanation identifies C,B,A as current behavior and verifies A,B,C after the proposed correction.