Extract ialah model pengekstrakan entiti ScaleDown yang dipandu oleh huraian. Daripada memilih daripada satu set jenis entiti yang tetap, pemanggil menghuraikan maklumat yang hendak dicari dalam bahasa Inggeris yang mudah. Model mengembalikan rentang teks yang sepadan bersama keyakinan, ofset aksara dan konteks sekitarnya, menjadikan hasil lebih mudah dihubungkan semula dengan bahan sumber.
Namakan setiap entiti yang diminta berdasarkan tujuan perniagaan yang konkrit. Aliran kerja invois boleh mencari pengecam dokumen, tarikh dan jumlah sebagaimana ditulis. Aliran kerja kontrak boleh mencari pihak yang dinamakan, tarikh akhir atau kewajipan yang ditetapkan. Aliran kerja e-mel boleh mencari butiran hubungan atau tindakan yang diminta.
Huraikan makna sesuatu medan, bukannya bergantung pada nama pendeknya sahaja. Bezakan tarikh dikeluarkan daripada tarikh akhir pembayaran, atau nama seseorang daripada nama organisasi. Apabila beberapa medan mempunyai ungkapan yang serupa, berikan takrif bagi setiap medan untuk membantu memastikan padanan yang dikembalikan tetap berasingan.
Hasil pengekstrakan yang berguna mengekalkan rentang teks sumber bersama ofsetnya dan teks di sekitarnya. Nilai tersebut membolehkan aplikasi mengenal pasti asal padanan dan membolehkan penyemak memeriksa bukti tanpa mencari semula seluruh dokumen. Simpan nilai keyakinan bersama padanan, bukannya menganggap setiap rentang teks yang dikembalikan sama pastinya.
Jika aliran kerja memerlukan tarikh yang dinormalkan, jumlah yang ditukar atau nilai terbitan lain, simpan teks asal bersama transformasi berikutnya. Pengekstrakan entiti mengenal pasti apa yang dinyatakan oleh dokumen; aplikasi menentukan penormalan dan peraturan pengesahan yang diterapkan pada bukti yang dikembalikan.
Julat input model yang diterbitkan merangkumi teks, imej dan fail seperti PDF, dengan OCR terbina dalam untuk dokumen yang diimbas. Gunakan bahan sumber yang boleh dibaca dan kekalkan identiti dokumen serta halaman apabila penting untuk semakan. Imbasan yang kurang jelas boleh menjadikan sesuatu medan samar, jadi periksa konteks yang dikembalikan sebelum menerima nilai yang kritikal.
Tetingkap konteks yang diterbitkan ialah 1,000,000 token. Untuk dokumen atau koleksi yang besar, kekalkan takrif entiti yang diminta secara konsisten dan kaitkan setiap hasil dengan bahan asalnya. Set takrif yang sama boleh membantu aplikasi membandingkan medan yang diekstrak merentas kontrak, invois, mesej atau transkrip.
Modaliti output yang diterbitkan ialah teks. Gunakan aliran kerja pengekstrakan yang melingkunginya untuk mengesahkan sebarang susun atur rekod boleh baca mesin yang diperlukan. Simpan teks yang sepadan dan konteks sumber sebelum menyimpan atau mentransformasikan hasil.
Artifak akhir yang berguna mengandungi nama entiti yang diminta, teks sumber yang sepadan, kedudukan atau konteks yang berkaitan serta nilai keyakinan untuk semakan. Pastikan padanan yang belum diselesaikan atau yang bersaing tetap dapat dilihat, bukannya mereka-reka medan yang tiada. Ini menghasilkan rekod pengekstrakan berasaskan bukti untuk semakan dan transformasi seterusnya.
scaledown/extractExtract mencari entiti yang dihuraikan oleh pemanggil dalam teks, imej dan fail dokumen. Takrifkan medan dalam bahasa Inggeris yang mudah, kemudian simpan rentang teks yang sepadan, skor keyakinan, ofset aksara dan konteks sekitarnya. OCR terbina dalam menyokong bahan imbasan dan PDF, dengan konteks 1,000,000 token yang diterbitkan untuk aliran kerja dokumen.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Extract ialah model pengekstrakan entiti ScaleDown yang dipandu oleh huraian. Daripada memilih daripada satu set jenis entiti yang tetap, pemanggil menghuraikan maklumat yang hendak dicari dalam bahasa Inggeris yang mudah. Model mengembalikan rentang teks yang sepadan bersama keyakinan, ofset aksara dan konteks sekitarnya, menjadikan hasil lebih mudah dihubungkan semula dengan bahan sumber.
Namakan setiap entiti yang diminta berdasarkan tujuan perniagaan yang konkrit. Aliran kerja invois boleh mencari pengecam dokumen, tarikh dan jumlah sebagaimana ditulis. Aliran kerja kontrak boleh mencari pihak yang dinamakan, tarikh akhir atau kewajipan yang ditetapkan. Aliran kerja e-mel boleh mencari butiran hubungan atau tindakan yang diminta.
Huraikan makna sesuatu medan, bukannya bergantung pada nama pendeknya sahaja. Bezakan tarikh dikeluarkan daripada tarikh akhir pembayaran, atau nama seseorang daripada nama organisasi. Apabila beberapa medan mempunyai ungkapan yang serupa, berikan takrif bagi setiap medan untuk membantu memastikan padanan yang dikembalikan tetap berasingan.
Hasil pengekstrakan yang berguna mengekalkan rentang teks sumber bersama ofsetnya dan teks di sekitarnya. Nilai tersebut membolehkan aplikasi mengenal pasti asal padanan dan membolehkan penyemak memeriksa bukti tanpa mencari semula seluruh dokumen. Simpan nilai keyakinan bersama padanan, bukannya menganggap setiap rentang teks yang dikembalikan sama pastinya.
Jika aliran kerja memerlukan tarikh yang dinormalkan, jumlah yang ditukar atau nilai terbitan lain, simpan teks asal bersama transformasi berikutnya. Pengekstrakan entiti mengenal pasti apa yang dinyatakan oleh dokumen; aplikasi menentukan penormalan dan peraturan pengesahan yang diterapkan pada bukti yang dikembalikan.
Julat input model yang diterbitkan merangkumi teks, imej dan fail seperti PDF, dengan OCR terbina dalam untuk dokumen yang diimbas. Gunakan bahan sumber yang boleh dibaca dan kekalkan identiti dokumen serta halaman apabila penting untuk semakan. Imbasan yang kurang jelas boleh menjadikan sesuatu medan samar, jadi periksa konteks yang dikembalikan sebelum menerima nilai yang kritikal.
Tetingkap konteks yang diterbitkan ialah 1,000,000 token. Untuk dokumen atau koleksi yang besar, kekalkan takrif entiti yang diminta secara konsisten dan kaitkan setiap hasil dengan bahan asalnya. Set takrif yang sama boleh membantu aplikasi membandingkan medan yang diekstrak merentas kontrak, invois, mesej atau transkrip.
Modaliti output yang diterbitkan ialah teks. Gunakan aliran kerja pengekstrakan yang melingkunginya untuk mengesahkan sebarang susun atur rekod boleh baca mesin yang diperlukan. Simpan teks yang sepadan dan konteks sumber sebelum menyimpan atau mentransformasikan hasil.
Artifak akhir yang berguna mengandungi nama entiti yang diminta, teks sumber yang sepadan, kedudukan atau konteks yang berkaitan serta nilai keyakinan untuk semakan. Pastikan padanan yang belum diselesaikan atau yang bersaing tetap dapat dilihat, bukannya mereka-reka medan yang tiada. Ini menghasilkan rekod pengekstrakan berasaskan bukti untuk semakan dan transformasi seterusnya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had scaledown/extract | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"scaledown/extract","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="scaledown/extract", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra scaledown/extract
/chat/completions
scaledown/extractExtract mencari entiti yang dihuraikan oleh pemanggil dalam teks, imej dan fail dokumen. Takrifkan medan dalam bahasa Inggeris yang mudah, kemudian simpan rentang teks yang sepadan, skor keyakinan, ofset aksara dan konteks sekitarnya. OCR terbina dalam menyokong bahan imbasan dan PDF, dengan konteks 1,000,000 token yang diterbitkan untuk aliran kerja dokumen.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Extract ialah model pengekstrakan entiti ScaleDown yang dipandu oleh huraian. Daripada memilih daripada satu set jenis entiti yang tetap, pemanggil menghuraikan maklumat yang hendak dicari dalam bahasa Inggeris yang mudah. Model mengembalikan rentang teks yang sepadan bersama keyakinan, ofset aksara dan konteks sekitarnya, menjadikan hasil lebih mudah dihubungkan semula dengan bahan sumber.
Namakan setiap entiti yang diminta berdasarkan tujuan perniagaan yang konkrit. Aliran kerja invois boleh mencari pengecam dokumen, tarikh dan jumlah sebagaimana ditulis. Aliran kerja kontrak boleh mencari pihak yang dinamakan, tarikh akhir atau kewajipan yang ditetapkan. Aliran kerja e-mel boleh mencari butiran hubungan atau tindakan yang diminta.
Huraikan makna sesuatu medan, bukannya bergantung pada nama pendeknya sahaja. Bezakan tarikh dikeluarkan daripada tarikh akhir pembayaran, atau nama seseorang daripada nama organisasi. Apabila beberapa medan mempunyai ungkapan yang serupa, berikan takrif bagi setiap medan untuk membantu memastikan padanan yang dikembalikan tetap berasingan.
Hasil pengekstrakan yang berguna mengekalkan rentang teks sumber bersama ofsetnya dan teks di sekitarnya. Nilai tersebut membolehkan aplikasi mengenal pasti asal padanan dan membolehkan penyemak memeriksa bukti tanpa mencari semula seluruh dokumen. Simpan nilai keyakinan bersama padanan, bukannya menganggap setiap rentang teks yang dikembalikan sama pastinya.
Jika aliran kerja memerlukan tarikh yang dinormalkan, jumlah yang ditukar atau nilai terbitan lain, simpan teks asal bersama transformasi berikutnya. Pengekstrakan entiti mengenal pasti apa yang dinyatakan oleh dokumen; aplikasi menentukan penormalan dan peraturan pengesahan yang diterapkan pada bukti yang dikembalikan.
Julat input model yang diterbitkan merangkumi teks, imej dan fail seperti PDF, dengan OCR terbina dalam untuk dokumen yang diimbas. Gunakan bahan sumber yang boleh dibaca dan kekalkan identiti dokumen serta halaman apabila penting untuk semakan. Imbasan yang kurang jelas boleh menjadikan sesuatu medan samar, jadi periksa konteks yang dikembalikan sebelum menerima nilai yang kritikal.
Tetingkap konteks yang diterbitkan ialah 1,000,000 token. Untuk dokumen atau koleksi yang besar, kekalkan takrif entiti yang diminta secara konsisten dan kaitkan setiap hasil dengan bahan asalnya. Set takrif yang sama boleh membantu aplikasi membandingkan medan yang diekstrak merentas kontrak, invois, mesej atau transkrip.
Modaliti output yang diterbitkan ialah teks. Gunakan aliran kerja pengekstrakan yang melingkunginya untuk mengesahkan sebarang susun atur rekod boleh baca mesin yang diperlukan. Simpan teks yang sepadan dan konteks sumber sebelum menyimpan atau mentransformasikan hasil.
Artifak akhir yang berguna mengandungi nama entiti yang diminta, teks sumber yang sepadan, kedudukan atau konteks yang berkaitan serta nilai keyakinan untuk semakan. Pastikan padanan yang belum diselesaikan atau yang bersaing tetap dapat dilihat, bukannya mereka-reka medan yang tiada. Ini menghasilkan rekod pengekstrakan berasaskan bukti untuk semakan dan transformasi seterusnya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had scaledown/extract | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "scaledown/extract",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'scaledown/extract', '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': 'scaledown/extract', '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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra scaledown/extract
/chat/completions