> ## Documentation Index > Fetch the complete documentation index at: https://docs.xhuoapi.ai/llms.txt > Use this file to discover all available pages before exploring further. # Claude Chat Completion API 申请及使用 > Claude AI 集成指南 - XHuoAPI Anthropic Claude to bardzo potężny system AI do rozmów, który po wprowadzeniu podpowiedzi potrafi w ciągu kilku sekund wygenerować płynne i naturalne odpowiedzi. Claude wyróżnia się w branży dzięki swoim doskonałym zdolnościom rozumienia i generowania języka, a obecnie jest szeroko stosowany w różnych branżach i dziedzinach, a jego wpływ staje się coraz bardziej znaczący. Niezależnie od tego, czy chodzi o codzienne rozmowy, kreatywne pisanie, czy profesjonalne doradztwo i programowanie, Claude może zapewnić zdumiewającą inteligentną pomoc, znacznie zwiększając wydajność i kreatywność ludzi. Dokument ten głównie opisuje proces korzystania z API Claude Chat Completion, dzięki któremu możemy łatwo korzystać z oficjalnych funkcji rozmowy Claude. ## 申请流程 Aby korzystać z API Claude Chat Completion, najpierw można przejść na stronę [Claude Chat Completion API](https://api.xhuoapi.ai/documents/280928a2-2dce-419c-adb5-1ea835e8183a) i kliknąć przycisk „Acquire”, aby uzyskać potrzebne poświadczenia: ![](https://cdn.xhuoapi.ai/nyq0xz.png) Jeśli nie jesteś zalogowany lub zarejestrowany, automatycznie zostaniesz przekierowany na stronę logowania, aby zarejestrować się i zalogować, a po zalogowaniu zostaniesz automatycznie przekierowany z powrotem na bieżącą stronę. Podczas pierwszej aplikacji otrzymasz darmowy limit, który pozwala na bezpłatne korzystanie z tego API. ## 基本使用 Następnie możesz wypełnić odpowiednie treści na interfejsie, jak pokazano na obrazku:

Podczas pierwszego korzystania z tego interfejsu musimy wypełnić co najmniej trzy pola: jedno to `authorization`, które można wybrać bezpośrednio z rozwijanej listy. Kolejnym parametrem jest `model`, który oznacza wybór modelu z oficjalnej strony Claude, mamy tutaj głównie 20 modeli, szczegóły można zobaczyć w dostarczonych modelach. Ostatnim parametrem jest `messages`, `messages` to tablica naszych pytań, która jest tablicą, co oznacza, że można przesłać wiele pytań jednocześnie, każde pytanie zawiera `role` i `content`, gdzie `role` oznacza rolę pytającego, oferujemy trzy tożsamości: `user`, `assistant`, `system`. Drugim `content` jest konkretna treść naszego pytania. Możesz również zauważyć, że po prawej stronie znajduje się odpowiedni kod do wywołania, który możesz skopiować i uruchomić, lub możesz bezpośrednio kliknąć przycisk „Try”, aby przetestować. Często używane opcjonalne parametry: * `max_tokens`: ogranicza maksymalną liczbę tokenów w jednej odpowiedzi. * `temperature`: generuje losowość, w zakresie od 0 do 2, im wyższa wartość, tym bardziej rozproszone. * `n`: ile kandydatów odpowiedzi generować jednocześnie. * `response_format`: ustawienia formatu odpowiedzi.

Po wywołaniu zauważamy, że wynik zwrotny wygląda następująco: ```json theme={null} { "id": "msg_bdrk_01Q6WN27v95ypCa1kbanAQ6K", "model": "claude-opus-4-20250514", "object": "chat.completion", "created": 1768619365, "choices": [ { "index": 0, "message": { "role": "assistant", "content": "Hello! How can I help you today?" }, "finish_reason": "stop" } ], "usage": { "prompt_tokens": 8, "completion_tokens": 12, "total_tokens": 20, "prompt_tokens_details": { "cached_tokens": 0, "text_tokens": 0, "audio_tokens": 0, "image_tokens": 0 }, "completion_tokens_details": { "text_tokens": 0, "audio_tokens": 0, "reasoning_tokens": 0 }, "input_tokens": 0, "output_tokens": 0, "input_tokens_details": null, "claude_cache_creation_5_m_tokens": 0, "claude_cache_creation_1_h_tokens": 0 } } ``` Wynik zwrotny zawiera wiele pól, które są opisane poniżej: * `id`, identyfikator generowanego zadania rozmowy, używany do unikalnej identyfikacji tego zadania rozmowy. * `model`, wybrany model z oficjalnej strony Claude. * `choices`, informacje o odpowiedziach udzielonych przez Claude na pytania. * `usage`: statystyki dotyczące tokenów dla tej sesji pytań i odpowiedzi. Wśród nich `choices` zawiera informacje o odpowiedziach Claude, a w nim `choices` to konkretne informacje o odpowiedzi Claude, co można zobaczyć na obrazku.

Można zauważyć, że pole `content` w `choices` zawiera konkretną treść odpowiedzi Claude. ## 流式响应 Ten interfejs obsługuje również odpowiedzi strumieniowe, co jest bardzo przydatne w integracji z stronami internetowymi, umożliwiając wyświetlanie efektu literowego. Aby uzyskać odpowiedź strumieniową, można zmienić parametr `stream` w nagłówku żądania na `true`. Zmiana jak pokazano na obrazku, jednak kod wywołania musi być odpowiednio zmieniony, aby obsługiwał odpowiedzi strumieniowe.

Po zmianie `stream` na `true`, API będzie zwracać odpowiednie dane JSON w wierszach, a na poziomie kodu musimy wprowadzić odpowiednie zmiany, aby uzyskać wyniki w wierszach. Przykładowy kod wywołania w Pythonie: ```python theme={null} import requests url = "https://api.xhuoapi.ai/v1/v1/chat/completions" headers = { "accept": "application/json", "authorization": "Bearer {token}", "content-type": "application/json" } payload = { "model": "claude-opus-4-20250514", "messages": [{"role":"user","content":"Hello"}], "stream": True } response = requests.post(url, json=payload, headers=headers) print(response.text) ``` Efekt wyjściowy wygląda następująco: ```json theme={null} data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {"content": "", "role": "assistant"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null} data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {"content": ""}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null} data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {"content": "Cześć!"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null} data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {"content": " Jak mogę ci pomóc"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null} data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {"content": " dzisiaj?"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null} data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [{"delta": {}, "logprobs": null, "finish_reason": "stop", "index": 0}], "usage": null} data: {"id": "msg_bdrk_01LPPqDjLKMgfSwTRMRty9VT", "object": "chat.completion.chunk", "created": 1768619445, "model": "claude-opus-4-20250514", "system_fingerprint": null, "choices": [], "usage": {"prompt_tokens": 8, "completion_tokens": 12, "total_tokens": 20, "prompt_tokens_details": {"cached_tokens": 0, "text_tokens": 0, "audio_tokens": 0, "image_tokens": 0}, "completion_tokens_details": {"text_tokens": 0, "audio_tokens": 0, "reasoning_tokens": 0}, "input_tokens": 0, "output_tokens": 0, "input_tokens_details": null, "claude_cache_creation_5_m_tokens": 0, "claude_cache_creation_1_h_tokens": 0}} data: [DONE] ``` Można zauważyć, że odpowiedź zawiera wiele `data`, a `data` wewnątrz `choices` to najnowsza treść odpowiedzi, zgodna z opisanymi wcześniej treściami. `choices` to nowa treść odpowiedzi, którą można zintegrować z systemem. Zakończenie strumieniowej odpowiedzi można ocenić na podstawie zawartości `data`; jeśli zawartość to `[DONE]`, oznacza to, że strumieniowa odpowiedź została zakończona. Zwracane wyniki `data` mają wiele pól, które są opisane poniżej: * `id`, identyfikator generowanego zadania rozmowy, używany do unikalnej identyfikacji tego zadania. * `model`, wybrany model z oficjalnej strony Claude. * `choices`, informacje o odpowiedziach udzielonych przez Claude na podstawie zapytań. JavaScript również jest obsługiwany, na przykład kod do strumieniowego wywołania w Node.js wygląda następująco: ```javascript theme={null} const options = { method: "post", headers: { accept: "application/json", authorization: "Bearer {token}", "content-type": "application/json", }, body: JSON.stringify({ model: "claude-opus-4-20250514", messages: [{ role: "user", content: "Cześć" }], stream: true, }), }; fetch("https://api.xhuoapi.ai/v1/v1/chat/completions", options) .then((response) => response.json()) .then((response) => console.log(response)) .catch((err) => console.error(err)); ``` Przykładowy kod w Javie: ```java theme={null} JSONObject jsonObject = new JSONObject(); jsonObject.put("model", "claude-opus-4-20250514"); jsonObject.put("messages", [{"role":"user","content":"Cześć"}]); jsonObject.put("stream", true); MediaType mediaType = "application/json; charset=utf-8".toMediaType(); RequestBody body = jsonObject.toString().toRequestBody(mediaType); Request request = new Request.Builder() .url("https://api.xhuoapi.ai/v1/v1/chat/completions") .post(body) .addHeader("accept", "application/json") .addHeader("authorization", "Bearer {token}") .addHeader("content-type", "application/json") .build(); OkHttpClient client = new OkHttpClient(); Response response = client.newCall(request).execute(); System.out.print(response.body!!.string()) ``` Inne języki można dostosować samodzielnie, zasada jest taka sama. ## Wieloetapowa rozmowa Jeśli chcesz zintegrować funkcję wieloetapowej rozmowy, musisz przesłać wiele zapytań w polu `messages`, a konkretne przykłady wielu zapytań są pokazane na poniższym obrazku:

Przykładowy kod wywołania w Pythonie: ```python theme={null} import requests url = "https://api.xhuoapi.ai/v1/v1/chat/completions" headers = { "accept": "application/json", "authorization": "Bearer {token}", "content-type": "application/json" } payload = { "model": "claude-opus-4-20250514", "messages": [{"role":"user","content":"Cześć"},{"role":"assistant","content":"Cześć! Jak mogę ci pomóc dzisiaj?"},{"role":"user","content":"Co powiedziałem przed chwilą?"}] } response = requests.post(url, json=payload, headers=headers) print(response.text) ``` Przesyłając wiele zapytań, można łatwo zrealizować wieloetapową rozmowę, uzyskując następującą odpowiedź: ```json theme={null} { "id": "msg_bdrk_01Y1wfQmd89g968TVbFu57Yc", "model": "claude-opus-4-20250514", "object": "chat.completion", "created": 1768619674, "choices": [ { "index": 0, "message": { "role": "assistant", "content": "Powiedziałeś \"Cześć\" - to była twoja pierwsza wiadomość do mnie w naszej rozmowie." }, "finish_reason": "stop" } ], "usage": { "prompt_tokens": 29, "completion_tokens": 20, "total_tokens": 49, "prompt_tokens_details": { "cached_tokens": 0, "text_tokens": 0, "audio_tokens": 0, "image_tokens": 0 }, "completion_tokens_details": { "text_tokens": 0, "audio_tokens": 0, "reasoning_tokens": 0 }, "input_tokens": 0, "output_tokens": 0, "input_tokens_details": null, "claude_cache_creation_5_m_tokens": 0, "claude_cache_creation_1_h_tokens": 0 } } ``` Można zauważyć, że `choices` zawiera informacje zgodne z podstawowym użyciem, które obejmuje konkretne treści odpowiedzi Claude na wiele rozmów, co pozwala na odpowiadanie na odpowiednie pytania na podstawie treści wielu rozmów. ## Głęboki model myślenia Modele claude-opus-4-20250514-thinking i claude-sonnet-4-20250514-thinking różnią się od innych modeli, ponieważ mogą prowadzić głębokie myślenie w odpowiedzi na pytania i zwracać wyniki procesu myślenia. W artykule tym zaprezentujemy funkcję głębokiego myślenia na konkretnym przykładzie, a następnie można wypełnić odpowiednie treści w interfejsie API Claude Chat Completion, jak pokazano na obrazku:

Jednocześnie można zauważyć, że po prawej stronie znajduje się odpowiedni kod wywołania, który można skopiować i uruchomić, lub można bezpośrednio kliknąć przycisk „Try”, aby przetestować.

Po wywołaniu odkrywamy, że zwrócone wyniki są następujące: ```json theme={null} { "id": "msg_018J4YaRoGHtbsTVb4Vvz7oH", "object": "chat.completion", "created": 1755444014, "model": "claude-sonnet-4-20250514-thinking", "choices": [ { "index": 0, "message": { "role": "assistant", "content": "Sinus 30 stopni to **1/2** lub **0.5**.\n\nTo jedna z podstawowych wartości trygonometrycznych. W trójkącie 30-60-90 boki są w proporcji 1:√3:2, gdzie bok naprzeciwko kąta 30° ma długość 1, a przeciwprostokątna ma długość 2, co daje nam sin(30°) = 1/2.", "reasoning_content": "Użytkownik pyta o sinus 30 stopni. To podstawowe pytanie z trygonometrii.\n\nSinus 30 stopni to znana wartość. W trójkącie 30-60-90 boki są w proporcji 1:√3:2.\n\nDla kąta 30°:\n- Bok naprzeciwko wynosi 1\n- Przeciwprostokątna wynosi 2\n- Zatem sin(30°) = naprzeciw/przeciwprostokątna = 1/2 = 0.5\n\nTo jedna z standardowych wartości trygonometrycznych, które są powszechnie zapamiętywane." }, "logprobs": null, "finish_reason": "stop" } ], "usage": { "prompt_tokens": 60, "completion_tokens": 239, "total_tokens": 299, "prompt_tokens_details": { "cached_tokens_details": {} }, "completion_tokens_details": {} } } ``` Można zauważyć, że odpowiedzi w `choices` są wynikiem głębokiego myślenia, a także zawierają odpowiednie treści procesu myślenia, gdzie w `content` `reasoning_content` oznacza proces myślenia modelu. Odpowiedzi w `choices` muszą być renderowane za pomocą składni `markdown`, aby uzyskać najlepsze doświadczenie, co również podkreśla potężną zaletę funkcji łączenia naszego modelu. ## Model wizualny claude-sonnet-4-20250514 to wielomodalny model językowy opracowany przez Claude, który na bazie claude-4 zyskał zdolność rozumienia wizualnego. Model ten może jednocześnie przetwarzać tekst i obrazy, osiągając zrozumienie i generowanie w różnych modalnościach. Przetwarzanie tekstu za pomocą modelu claude-sonnet-4-20250514 jest zgodne z podstawowym użyciem opisanym powyżej, poniżej krótko przedstawimy, jak korzystać z możliwości przetwarzania obrazów modelu. Możliwości przetwarzania obrazów modelu claude-sonnet-4-20250514 są głównie realizowane poprzez dodanie pola `type` do oryginalnej treści `content`, dzięki czemu można określić, czy przesyłany jest tekst, czy obraz, co pozwala na wykorzystanie zdolności przetwarzania obrazów modelu claude-sonnet-4-20250514. Poniżej omówimy, jak wywołać tę funkcję za pomocą dwóch metod: Curl i Python. * Metoda skryptu Curl ``` curl -X POST 'https://api.xhuoapi.ai/v1/v1/chat/completions' \ -H 'accept: application/json' \ -H 'authorization: Bearer {token}' \ -H 'content-type: application/json' \ -d '{ "model": "claude-sonnet-4-20250514", "messages": [ { "role": "user", "content": [ { "type": "text", "text": "Co jest na tym obrazie?" }, { "type": "image_url", "image_url": { "url": "https://cdn.xhuoapi.ai/ueugot.png" } } ] } ] }' ``` * Metoda skryptu Python ```python theme={null} import requests url = "https://api.xhuoapi.ai/v1/v1/chat/completions" headers = { "accept": "application/json", "authorization": "Bearer {token}", "content-type": "application/json" } payload = { "model": "claude-sonnet-4-20250514", "messages": [ { "role": "user", "content": [ { "type": "text", "text": "Co jest na tym obrazie?" }, { "type": "image_url", "image_url": { "url": "https://cdn.xhuoapi.ai/ueugot.png" } }, ], } ] } response = requests.post(url, json=payload, headers=headers) print(response.text) ``` Następnie można uzyskać poniższy wynik, w którym informacje o polach są zgodne z powyższym opisem: ```json theme={null} { "id": "msg_bdrk_01NCrxpZmV17bhQJJRQEFEb9", "model": "claude-sonnet-4-20250514", "object": "chat.completion", "created": 1768628904, "choices": [ { "index": 0, "message": { "role": "assistant", "content": "Ten obraz przedstawia interfejs konfiguracji żądania API dla tego, co wydaje się być usługą zakończenia czatu AI. Oto kluczowe elementy:\n\n**Parametry ciała żądania:**\n\n1. **model** (wymagany ciąg) - Ustawiony na \"claude-opus-4-202505...\" - określa, który model AI ma być użyty\n\n2. **messages** (wymagana tablica) - Zawiera historię rozmowy z:\n - **role** (wymagany ciąg) - Ustawiony na \"user\" \n - **content** (wymagany ciąg) - Zawiera \"Hello\" jako treść wiadomości\n\n3. **stream** (boolean) - Ustawiony na \"true\" - umożliwia częściowe zmiany wiadomości, jak w ChatGPT\n\n4. **max_tokens** (liczba) - Pole do ustawienia maksymalnej liczby tokenów, które mogą być generowane w odpowiedzi\n\n5. **n** (liczba) - Określa, ile wyborów zakończenia czatu ma być generowanych dla każdego wejścia\n\nInterfejs ma ciemny motyw z białym tekstem na czarnych/szaro-ciemnych tle. W prawym dolnym rogu znajduje się przycisk „Fill Example” oraz różne menu rozwijane i pola wejściowe do konfigurowania parametrów żądania API. Widoczna jest czerwona ikona kosza/usuń, prawdopodobnie do usuwania wpisów wiadomości." }, "finish_reason": "stop" } ], "usage": { "prompt_tokens": 1570, "completion_tokens": 252, "total_tokens": 1822, "prompt_tokens_details": { "cached_tokens": 0, "text_tokens": 0, "audio_tokens": 0, "image_tokens": 0 }, "completion_tokens_details": { "text_tokens": 0, "audio_tokens": 0, "reasoning_tokens": 0 }, "input_tokens": 0, "output_tokens": 0, "input_tokens_details": null, "claude_cache_creation_5_m_tokens": 0, "claude_cache_creation_1_h_tokens": 0 } } ``` Można zauważyć, że treść odpowiedzi opiera się na obrazach, dlatego za pomocą powyższych dwóch metod można łatwo wykorzystać zdolności przetwarzania tekstu i obrazów modelu claude-3-7-sonnet-20250219. ## Obsługa błędów Podczas wywoływania API, jeśli wystąpi błąd, API zwróci odpowiedni kod błędu i informacje. Na przykład: * `400 token_mismatched`: Złe żądanie, prawdopodobnie z powodu brakujących lub nieprawidłowych parametrów. * `400 api_not_implemented`: Złe żądanie, prawdopodobnie z powodu brakujących lub nieprawidłowych parametrów. * `401 invalid_token`: Nieautoryzowany, nieprawidłowy lub brakujący token autoryzacyjny. * `429 too_many_requests`: Zbyt wiele żądań, przekroczono limit szybkości. * `500 api_error`: Błąd wewnętrzny serwera, coś poszło nie tak na serwerze. ### Przykład odpowiedzi błędu ``` { "success": false, "error": { "code": "api_error", "message": "fetch failed" }, "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89" } ``` ## Wnioski Dzięki temu dokumentowi zrozumieliście, jak łatwo zrealizować funkcje czatu oficjalnego Claude za pomocą API Claude Chat Completion. Mamy nadzieję, że ten dokument pomoże Wam lepiej zintegrować i korzystać z tego API. W razie jakichkolwiek pytań, prosimy o kontakt z naszym zespołem wsparcia technicznego.