常用代码示例

Python 示例1-1：普通 Post 文本对话

# 这是一个 WolfAI 调用 API 的 Python 例子
import requests
import json

# ------------------------------------------------------------------------------------
#         3秒步接入 WolfAI ：  修改 Key 和 Base url (https://wolfai.top)
# ------------------------------------------------------------------------------------
url = "https://wolfai.top/v1/chat/completions"   # 这里不要用 openai base url，需要改成WolfAI的中转 https://wolfai.top ，下面是已经改好的。

payload = json.dumps({
   "model": "gpt-4o-mini",  # 这里是你需要访问的模型，改成上面你需要测试的模型名称就可以了。
   "messages": [
      {
         "role": "system",
         "content": "You are a helpful assistant."
      },
      {
         "role": "user",
         "content": "周树人和鲁迅是兄弟吗？"
      }
   ]
})
headers = {
   'Accept': 'application/json',
   'Authorization': 'sk-***********************************************', # 这里放你的 WolfAI key
   'User-Agent': 'WolfAI/1.0.0 (https://wolfai.top)',  # 这里也改成 WolfAI 的中转URL https://wolfai.top，已经改好
   'Content-Type': 'application/json'
}
response = requests.request("POST", url, headers=headers, data=payload)
print(response.text)

Python 示例1-2：OpenAI 官方库使用例子

# ------------------------------------------------------------------------------------
# 在 Openai官方库 中使用 WolfAI KEY 的例子
# 需要先 pip install openai
# ------------------------------------------------------------------------------------
from openai import OpenAI

client = OpenAI(
    api_key="sk-********************************************",  # 替换成你的 WolfAI 令牌key
    base_url="https://wolfai.top/v1",  # 需要改成WolfAI的中转 https://wolfai.top/v1 ，这是已经改好的。
)

chat_completion = client.chat.completions.create(
    messages=[
        {
            "role": "user",
            "content": "周树人和鲁迅是兄弟吗？",
        }
    ],
    model="gpt-4o-mini",    #  替换成你先想用的模型全称， 模型全称可以在WolfAI 模型价格页面找到并复制。
)

print(chat_completion)

Python 示例1-3：流式输出

import json
import requests

url = "https://wolfai.top/v1/chat/completions"
payload = {
    "model": "gpt-4o-mini",  # 模型名称
    "stream": True,  # 流式输出True开启
    "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "周树人和鲁迅是兄弟吗？"},
    ],
}
headers = {
    "Accept": "application/json",
    "Authorization": "sk-****************************************************",  # 这里放你的 WolfAI key
    "User-Agent": "WolfAI/1.0.0 (https://wolfai.top)",
    "Content-Type": "application/json",
}
response = requests.post(url, headers=headers, json=payload, stream=True)
buffer = ""
for chunk in response.iter_content(chunk_size=None):
    if chunk:
        buffer += chunk.decode("utf-8")
        while "\n" in buffer:
            line, buffer = buffer.split("\n", 1)
            if line.strip() == "":
                continue
            if line.startswith("data: "):
                data_line = line[len("data: ") :].strip()
                if data_line == "[DONE]":
                    break
                else:
                    try:
                        data = json.loads(data_line)
                        delta = data["choices"][0]["delta"]
                        content = delta.get("content", "")
                        print(content, end="", flush=True)
                    except json.JSONDecodeError:
                        # 如果JSON解析失败，可能是数据不完整，继续累积buffer
                        buffer = line + "\n" + buffer
                        break

Python 示例2：Json 固定格式输出 代码展示

from pydantic import BaseModel
from openai import OpenAI
from dotenv import load_dotenv
import json
from textwrap import dedent

# 加载环境变量，例如 API key 等配置信息
load_dotenv()

# 设置 OpenAI API 的工厂名称，默认为 "openai"
factory = "openai"

# 初始化 OpenAI 客户端，传入 API key 和 base URL
client = OpenAI(
    api_key="sk-***********************************************",  # 替换为你的 WolfAI key
    base_url="https://wolfai.top/v1/"   # 这里是WolfAI的 base url，注意这里需要 /v1/
)

# 定义一个产品信息类，用于解析 API 返回的数据
class ProductInfo(BaseModel):
    product_name: str  # 产品名称，字符串类型
    price: float  # 价格，浮点数类型
    description: str  # 产品描述，字符串类型

# 定义一个提示信息，用于请求模型返回 JSON 格式的产品信息
product_prompt = '''根据给出的产品进行分析，按json格式用中文回答,json format:product_name, price, description.'''

# 获取产品信息的函数，传入用户的问题
def get_product_info(question: str):
    # 使用 OpenAI 客户端进行聊天模型的请求
    completion = client.beta.chat.completions.parse(
        model="gpt-4o-2024-08-06",  # 指定使用的模型
        messages=[
            {"role": "system", "content": dedent(product_prompt)},  # 发送系统消息，设置模型的行为
            {"role": "user", "content": question},  # 发送用户消息，用户提出问题
        ],
        response_format=ProductInfo,  # 指定返回的数据格式为 ProductInfo
    )

    # 返回模型解析的第一个选项的消息结果
    return completion.choices[0].message.parsed

# 初始化一个空的产品信息字典
product_inform = {}

# 定义将解析的结果转换为 JSON 的函数
def transform2JSON(parsed_result):
    # print(parsed_result)  # 打印解析结果

    # 将解析的结果存储到字典中
    product_inform["product_name"] = parsed_result.product_name
    product_inform["price"] = parsed_result.price
    product_inform["description"] = parsed_result.description

    # 将字典转换为 JSON 字符串并返回，ensure_ascii=False 允许中文字符正常显示
    return json.dumps(product_inform, ensure_ascii=False, indent=4)

# 定义用户输入的问题，即一个产品信息的描述
question = "75寸小米电视机"

# 调用函数获取产品信息
result = get_product_info(question)

# 将解析结果转换为 JSON 格式并打印
json_result = transform2JSON(result)
print(json_result)

Python 示例3：Embedding 代码例子

import openai

# 设置OpenAI API密钥和基础URL
openai.api_key = "sk-***********************************************"  # 替换为你的 WolfAI key
openai.base_url = "https://wolfai.top/v1/"  #  这里是WolfAI的 base url，注意这里v1后面需要/，最后的 / 很容易漏掉。

def get_embedding(text):
    response = openai.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    return response.data[0].embedding

# 示例文本
text = "这是一个示例文本,用于演示如何获取文本嵌入。"

# 获取文本嵌入
embedding = get_embedding(text)

print(f"文本: {text}")
print(f"嵌入向量维度: {len(embedding)}")
print(f"嵌入向量前5个元素: {embedding[:5]}")

Python 示例4：2024-09-12 o1-preview 模型代码例子

# 这是一个 WolfAI 调用 API 的 Python 例子
import requests
import json

# ------------------------------------------------------------------------------------
# 这里不要用 openai base url，需要改成WolfAI的中转 https://wolfai.top ，下面是已经改好的。
# ------------------------------------------------------------------------------------
url = "https://wolfai.top/v1/chat/completions"
payload = json.dumps({
   "model": "o1-mini-2024-09-12",  # 01系列模型包括：o1-preview、o1-preview-2024-09-12、o1-mini、o1-mini-2024-09-12
   "messages": [
      # ================== 下面 2个参数，在使用 o1-preview 系列模型时，不需要填写 ==================
      #{ 
      #   "role": "system",
      #   "content": "You are a helpful assistant."
      #}, ================== 上面 2个参数，在使用 o1-preview 系列模型时，不需要填写 ==================
      {
         "role": "user",
         "content": "周树人和鲁迅是兄弟吗？"
      }
   ]
})
headers = {
   'Accept': 'application/json',
   'Authorization': 'sk-**********************************************', # 这里放你的 WolfAI key
   'User-Agent': 'WolfAI/1.0.0 (https://wolfai.top)',  # 这里也改成 WolfAI 的中转URL https://wolfai.top，已经改好
   'Content-Type': 'application/json'
}
response = requests.request("POST", url, headers=headers, data=payload,timeout=(10.0, 300.0))  # 01系列模型不支持流式输出，所以要设置 timeout，避免太长回答造成的超时。
print(response.text)

Python 示例5：LangChain 使用例子（测试成功时间：2024-11-25）

# ------------------------------------------------------------------------------------
# 在 LangChain 中使用 WolfAI KEY 的例子
# ------------------------------------------------------------------------------------
from langchain_openai import ChatOpenAI
model = ChatOpenAI(
    model="gpt-4o-mini",
    base_url="https://wolfai.top/v1",
    api_key="sk-***************************************************",  # 替换成你的 WolfAI 令牌key
)
text = "周树人和鲁迅是兄弟吗？"
print(model(text))

Python 示例6：OpenAI DALL·E 3 & Flux 系列绘图模型

import http.client
import json

# 定义 API 密钥和基本 URL
API_KEY = "sk-*****************************************************"  # 请替换为你的 WolfAI 令牌
API_HOST = "wolfai.top"  # API 主机地址
API_ENDPOINT = "/v1/images/generations"  # API 请求路径

# 请求参数
prompt_text = "科技感的店铺门口，店铺名称是WolfAI"  # 描述生成图像的提示词
model_name = "dall-e-3"  #  除了dall-e-3 还可选：flux-schnell,flux-dev,flux.1.1-pro
image_size = "1024x1024"  # 图像尺寸 参考值：1792x1024, 1024 × 1792, 1024x1024

# 构建请求的 JSON 数据
payload = json.dumps(
    {
        "prompt": prompt_text,
        "n": 1,  # 生产图片数量，修改会报错，默认1就可以。
        "model": model_name,
        "size": image_size,
    }
)

# 定义请求头信息
headers = {
    "Authorization": f"Bearer {API_KEY}",  # 使用变量 API_KEY
    "Accept": "application/json",
    "User-Agent": "WolfAI/1.0.0 (https://wolfai.top)",
    "Content-Type": "application/json",
}

# 建立 HTTPS 连接
conn = http.client.HTTPSConnection(API_HOST)

# 发送 POST 请求
conn.request("POST", API_ENDPOINT, payload, headers)

# 获取响应并读取数据
res = conn.getresponse()
data = res.read()

# 输出结果
print(data.decode("utf-8"))

Python 示例7-1：gpt、claude、gemini 多模态网络图片解析示例

import requests

# 将 URL 和 API key 提取为独立变量，便于管理和修改
域名 = "https://wolfai.top/"  # 定义API的基础域名
API_URL = 域名 + "v1/chat/completions"  # 完整的API请求URL
API_KEY = "sk-***********************************************"  ## <--------------------------------------------- 请替换为你的 WolfAI 令牌

# 图片URL（使用代码B中的图片URL）
IMAGE_URL = "https://pic.rmb.bdstatic.com/bjh/down/9bfc5b8f8f725467a1e3ccc4d7adc160.png"

def analyze_image(api_url, api_key, image_url, prompt):
    """
    使用指定的API对图片进行分析。
    :param api_url: API端点URL
    :param api_key: API密钥
    :param image_url: 需要分析的图片URL
    :param prompt: 分析提示词
    :return: 分析结果文本
    """
    # 构建请求数据payload，包括所需的模型和消息内容
    payload = {
        "model": "gemini-2.0-flash-thinking-exp-1219",  # 指定使用的多模态AI模型  推荐 gemini-2.0-flash-thinking-exp-1219    gpt-4o-2024-08-06
        "messages": [
            {
                "role": "system",
                "content": [
                    {"type": "text", "text": "你是一个图片分析助手。"}
                ],  # 提供系统指令
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "image_url",
                        "image_url": {
                            "url": image_url  # 使用代码B中的图片URL
                        },
                    },
                    {
                        "type": "text",
                        "text": prompt,  # 使用用户指定的提示词
                    },
                ],
            },
        ],
        "temperature": 0.1,  # 设置生成文本的随机性
        "user": "WolfAI",  # 发送请求的用户标识
    }
    # 定义HTTP请求头，包括内容类型和身份验证信息
    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {api_key}",
        "User-Agent": "WolfAI/1.0.0 (https://wolfai.top/)",
    }

    try:
        # 发送POST请求，将请求数据和头信息传入API，获取响应
        response = requests.post(api_url, headers=headers, json=payload)
        # 检查响应状态
        if response.status_code == 200:
            result = response.json()
            # 提取并返回分析结果
            return result["choices"][0]["message"]["content"]
        else:
            # 如果请求失败，打印错误信息
            print(f"请求失败，状态码: {response.status_code}")
            print(response.text)
            return None
    except Exception as e:
        print(f"请求过程中发生异常: {e}")
        return None

if __name__ == "__main__":
    # 定义你的提示词
    prompt = "请详细描述这张图片的内容。"

    # 调用函数进行图片分析
    analysis_result = analyze_image(API_URL, API_KEY, IMAGE_URL, prompt)

    if analysis_result:
        print("图片分析结果:")
        print(analysis_result)

Python 示例7-2：gpt-4o 多模态本地图片解析示例

import base64

import requests

def encode_image(image_path):
    """
    读取本地图片并编码为Base64字符串。
    """
    with open(image_path, "rb") as image_file:
        encoded_string = base64.b64encode(image_file.read()).decode("utf-8")
    return encoded_string

# 将 URL 和 API key 提取为独立变量，便于管理和修改
域名 = "https://wolfai.top/"  # 定义API的基础域名
API_URL = 域名 + "v1/chat/completions"  # 完整的API请求URL
API_KEY = "sk-************************************************"  # <--------------------------------------------- 请替换为你的 WolfAI 令牌

# 本地图片路径
image_path = "33.png"  # <--------------------------------------------- 本地图片路径
base64_image = encode_image(image_path)  # 编码本地图片

# 创建请求数据payload，包括所需的模型和消息内容
payload = {
    "model": "chatgpt-4o-latest",  # 指定使用的多模态AI模型，除了gpt-4o 也推荐使用 claude-3-5-sonnet系列
    "messages": [
        {
            "role": "system",  # 系统角色信息，可以为空
            "content": "",
        },
        {
            "role": "user",  # 用户角色的消息内容
            "content": [
                {"type": "text", "text": "请解释图片里说了哪些内容"},  # 发送文本消息
                {
                    "type": "image_url",  # 发送图片URL
                    "image_url": {
                        # 使用Base64编码的本地图片
                        "url": f"data:image/png;base64,{base64_image}"
                    },
                },
            ],
        },
    ],
    "temperature": 0.1,  # 设置生成文本的随机性，越低输出越有确定性
    "user": "WolfAI",  # 发送请求的用户标识
}
# 定义HTTP请求头，包括内容类型和身份验证信息
headers = {
    "Content-Type": "application/json",  # 设置内容类型为JSON
    "Authorization": f"Bearer {API_KEY}",  # 使用 f-string 动态插入 API_KEY，进行身份验证
    "User-Agent": f"WolfAI/1.0.0 ({域名})",  # 自定义的User-Agent，用于识别客户端信息
}

# 发送POST请求，将请求数据和头信息传入API，获取响应
response = requests.post(API_URL, headers=headers, json=payload)

# 输出API的响应内容
print(response.text)

Python 示例8：gpt-4o 函数调用 FunctionCall 示例

import http.client
import json

# 创建一个 HTTPS 连接对象，连接到指定的域名
conn = http.client.HTTPSConnection("www.xxxx.com")

# 定义请求体，包含了 GPT-4 模型的参数设置
payload = json.dumps(
    {
        "model": "gpt-4o",  # <--------------------------------------------------- 这类填模型全称
        "max_tokens": 100,
        "temperature": 0.8,
        "stream": False,  # 是否启用流式响应，这里设置为 False，表示不使用流式输出
        "messages": [{"role": "user", "content": "上海今天几度？"}],
        "tools": [  # 定义可用工具，这里定义了一个用于获取天气信息的函数
            {
                "type": "function",  # 工具类型为函数
                "function": {
                    "name": "get_current_weather",  # 函数名称
                    "description": "获得天气信息",  # 函数描述
                    "parameters": {
                        "type": "object",  # 参数类型为对象
                        "properties": {  # 参数属性
                            "location": {
                                "type": "string",  # 地点参数的类型为字符串
                                "description": "城市和州名，例如：上海, 中国",  # 地点参数的描述
                            },
                            "unit": {
                                "type": "string",  # 温度单位类型为字符串
                                "enum": [
                                    "celsius",
                                    "fahrenheit",
                                ],  # 支持的单位有摄氏度和华氏度
                            },
                        },
                        "required": ["location"],  # 必须提供地点参数
                    },
                },
            }
        ],
    }
)
# 设置请求头部信息，指定接受和发送的数据格式
headers = {
    "Accept": "application/json",
    "Authorization": "Bearer sk--***********************************************', # ",  ## <------------------- 这里填WolfAI令牌
    "Content-Type": "application/json",
}

# 发送 POST 请求到 API
conn.request("POST", "/v1/chat/completions", payload, headers)

# 获取服务器响应
res = conn.getresponse()

# 读取响应数据
data = res.read()

# 打印解码后的响应数据
print(data.decode("utf-8"))

Python 示例9：OpenAI Whisper 使用示例

import json  # 添加 json 库的导入
import requests

def q_voice_to_text(file_path_wav):
    url = "https://wolfai.top/v1/audio/transcriptions"

    payload = {"model": "whisper-1"}
    files = {"file": ("audio.mp3", open(file_path_wav, "rb"))}

    # 直接使用 API 密钥
    gpt_key = "sk-*******************************************"  ## <------------------- 这里填你的 WolfAI 令牌

    headers = {"Authorization": f"Bearer {gpt_key}"}
    # 发送请求
    response = requests.request("POST", url, headers=headers, data=payload, files=files)

    # 处理响应
    data = json.loads(response.text)

    # 获取返回的文本内容
    voice_text = data["text"] if data["text"] is not None else ""

    return voice_text

print(q_voice_to_text("C:\\kywpy\\jay.mp3"))  ## <------------------- 这里改成你的音频文件