低成本 AI 接入方案：天云港模型平台公测体验

本文首发于平台公测首日，分享从注册到接入的完整体验，以及基于 Python 的详细接入教程。

今天天云港模型开放平台进入公测阶段，笔者在前几天已经参与过本平台，该平台提供与OpenAI兼容的接口，开发者可以无缝迁移现有项目，或从零快速构建 AI 应用。

平台首页 ↑

快速开始

登录

登录方式非常简单，直接使用云港网络知识分享站授权登录即可，账号体系和余额完全互通。

需要购买任意资源包后完成实名。

它的用户中心：

↑ 模型列表

↑ 资源包购买

       资源包购买分为Max（容量100000）、Pro（容量40000）、Lite（容量20000）三种（⚠️重要提示：此站容量是按调用次数算的，调用doubao-seed-2.0-code，kimi-k2.5模型时用量按 “高峰期 3 倍，非高峰期 2 倍” 进行计算；可在复杂任务上切换至GLM模型处理，普通任务上继续使用GLM-4.7，以避免套餐用量额度消耗过快。“高峰期”为每日14:00～18:00。）

💡 性价比建议：Lite 套餐 19.9 元/月的价格相当实惠，一般个人开发者够用。

API 接入教程（Python）

以下示例均基于标准库 http.client。

购买资源包后，新建令牌。

基础示例

import http.client
import json

# 建立 HTTPS 连接
conn = http.client.HTTPSConnection("api.model.yungnet.cn")

# 构造请求体
payload = json.dumps({
    "model": "glm-5",
    "messages": [
        {
            "role": "user",
            "content": "写一首关于春天的诗。"
        }
    ],
    "temperature": 1
})

# 设置请求头（替换为你的真实 API Key）
headers = {
    'Authorization': 'Bearer YOUR_API_KEY',
    'Content-Type': 'application/json'
}

# 发送请求
conn.request("POST", "/v1/chat/completions", payload, headers)
res = conn.getresponse()
data = res.read()

# 解析响应
response = json.loads(data.decode("utf-8"))
print(response["choices"][0]["message"]["content"])

返回结构说明：

{
  "id": "chatcmpl-xxx",
  "object": "chat.completion",
  "created": 1709222400,
  "model": "glm-5",
  "choices": [{
    "index": 0,
    "message": {
      "role": "assistant",
      "content": "春风拂面柳丝长，..."
    },
    "finish_reason": "stop"
  }],
  "usage": {
    "prompt_tokens": 15,
    "completion_tokens": 50,
    "total_tokens": 65
  }
}

带角色设定的对话

payload = json.dumps({
    "model": "glm-5",
    "messages": [
        {
            "role": "system",
            "content": "你是一位专业的 Python 编程导师，擅长用通俗语言解释复杂概念，回答简洁且附带代码示例。"
        },
        {
            "role": "user",
            "content": "什么是递归？"
        }
    ]
})

多轮对话（上下文记忆）

messages = [
    {"role": "system", "content": "你是专业编程助手"},
    {"role": "user", "content": "什么是递归？"},
    {"role": "assistant", "content": "递归是函数调用自身的编程技术..."},
    {"role": "user", "content": "能给我一个 Python 例子吗？"}  # 基于上文
]

payload = json.dumps({
    "model": "glm-5",
    "messages": messages
})

流式输出实现

import http.client
import json

conn = http.client.HTTPSConnection("api.model.yungnet.cn")

payload = json.dumps({
    "model": "glm-5",
    "messages": [{"role": "user", "content": "讲一个科幻故事"}],
    "stream": True  # 关键参数
})

headers = {
    'Authorization': 'Bearer YOUR_API_KEY',
    'Content-Type': 'application/json'
}

conn.request("POST", "/v1/chat/completions", payload, headers)
res = conn.getresponse()

# 逐行读取 SSE 流
buffer = ""
for line in res:
    line = line.decode('utf-8').strip()
    
    if line.startswith('data: '):
        data = line[6:]
        
        if data == '[DONE]':
            break
            
        try:
            chunk = json.loads(data)
            # 提取增量内容
            delta = chunk["choices"][0].get("delta", {})
            content = delta.get("content", "")
            
            if content:
                print(content, end="", flush=True)
                buffer += content
        except json.JSONDecodeError:
            continue

print(f"\n\n完整内容：{buffer}")

SSE数据格式：

data: {"id":"...","choices":[{"delta":{"content":"春"},"index":0}]}
data: {"id":"...","choices":[{"delta":{"content":"天"},"index":0}]}
...
data: [DONE]

多模态：图片理解

payload = json.dumps({
    "model": "glm-4.6v",
    "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/menu.jpg"
                    }
                },
                {
                    "type": "text",
                    "text": "这张菜单有什么招牌菜？推荐三道并估算总价。"
                }
            ]
        }
    ]
})

• type: image_url：网络图片链接
• type: text：文本提示
• 支持同时传入多张图片对比分析

工具调用（Function Calling）

payload = json.dumps({
    "model": "glm-5",
    "messages": [{"role": "user", "content": "今天北京的天气怎么样？"}],
    "tools": [
        {
            "type": "function",
            "function": {
                "name": "get_weather",
                "description": "获取指定城市的天气信息",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "city": {
                            "type": "string",
                            "description": "城市名称，如北京、上海"
                        },
                        "date": {
                            "type": "string",
                            "description": "日期，格式 YYYY-MM-DD，默认今天"
                        }
                    },
                    "required": ["city"]
                }
            }
        }
    ],
    "tool_choice": "auto",  # auto 表示模型自行判断
    "temperature": 0.3      # 低温度确保稳定调用
})

处理工具调用响应：

response = json.loads(data.decode("utf-8"))
message = response["choices"][0]["message"]

# 检查是否触发工具调用
if "tool_calls" in message:
    for tool_call in message["tool_calls"]:
        if tool_call["type"] == "function":
            func_name = tool_call["function"]["name"]
            args = json.loads(tool_call["function"]["arguments"])
            
            print(f"模型请求调用: {func_name}({args})")
            
            # 在这里执行你的本地函数
            if func_name == "get_weather":
                result = get_weather_api(args["city"])
                
                # 将结果传回模型进行总结
                follow_up = {
                    "model": "glm-5",
                    "messages": [
                        {"role": "user", "content": "今天北京的天气怎么样？"},
                        message,  # 保留模型的工具调用请求
                        {
                            "role": "tool",
                            "tool_call_id": tool_call["id"],
                            "content": json.dumps(result)
                        }
                    ]
                }

总结

广告：

• 高性能海外服务器低至200元/年