主题
ChatGPT LLM 实时响应
接口说明
/v3/ai_optimization/chat_gpt/llm_responses/live 用于向指定的 ChatGPT 大模型发起实时请求，并返回结构化响应结果。
请求方式： POST接口地址： https://api.seermartech.cn/v3/ai_optimization/chat_gpt/llm_responses/live
该接口适合需要同步获取模型输出的场景，例如问答生成、市场信息摘要、带网页搜索的事实增强回答等。
计费说明
参考价需结合模型调用和返回的 cost / money_spent 字段综合判断。 扣费以响应头 X-SeerMarTech-Charge-CNY 为准。
从示例响应看，请求总成本为 0.0296424 USD，折合参考价约 ¥0.4743 / 次。
使用限制
- 所有 POST 数据使用
JSON（UTF-8 编码） - 请求体为 JSON 数组：
[{ ... }] - 每次 Live 请求只能 1 个任务
- 频率限制：最高 2000 次 API 调用/分钟
- 并发限制：当前 LLM Responses 每个平台每账号最多 30 个并发 Live 任务
- 执行时长：单个 Live 任务当前最长可达 120 秒
请求参数
任务字段说明
| 字段名 | 类型 | 说明 |
|---|---|---|
user_prompt | string | 填。发送给模型的问题或任务描述。最多 500 个字符。 |
model_name | string | 填。模型名称。由基础模型名和版本组成；如果只传基础名称，系统会自动使用最新版本。例如传 gpt-4.1，可能自动解析为 gpt-4.1-2025-04-14。可通过 /v3/ai_optimization/chat_gpt/llm_responses/models 获取可用模型列表。 |
max_output_tokens | integer | 可选。模型输出的最大 token 数。推理模型（即 Models 接口中 reasoning=true 的模型）最小值为 1024；非推理模型最小值为 16；最大值 4096；默认值 2048。**注意：**如果设置了 web_search=true，或使用了推理模型，输出 token 可能该限制。 |
temperature | float | 可选。控制回答随机性。值越高，输出越发散；值越低，输出越聚焦。范围 0 - 2，默认 0.94。**注意：**推理模型不支持该参数。 |
top_p | float | 可选。控制输出多样性，通过限制 token 候选范围实现。范围 0 - 1，默认 0.92。注意：top_p 不能与 temperature 在同一请求中同时使用。 |
web_search | boolean | 可选。是否启用网页搜索。启用后，模型可访问并引用当前网页信息。默认 false。支持该能力的模型请参考 /v3/ai_optimization/chat_gpt/llm_responses/models。 |
force_web_search | boolean | 可选。是否强制模型使用网页搜索。启用该参数时，同时设置 web_search=true。默认 false。**注意：**即使设置为 true，也不能保证响应中一定返回网页引用；推理模型不支持该参数。 |
web_search_country_iso_code | string | 可选。网页搜索所在国家/地区的 ISO 国家代码。启用该参数时，同时设置 web_search=true。模型会按指定国家进行网页搜索。注意：o3-mini、o1-pro、o1 不支持。 |
web_search_city | string | 可选。网页搜索所在城市名称。注意：o3-mini、o1-pro、o1 不支持。 |
system_message | string | 可选。用于定义模型角色、语气或行为规则。最多 500 个字符。 |
message_chain | array | 可选。历史对话链。数组中每个对象表示一轮历史消息， role 和 message。 role 只能是 user 或 ai；message 为消息，最长 500 个字符。最多支持 10 个消息对象。 |
tag | string | 可选。用户自定义任务标识，最长 255 个字符。可用于请求与结果的业务对账，响应中的 data 对象会返回该值。 |
请求示例
cURL
bash
curl --location --request POST "https://api.seermartech.cn/v3/ai_optimization/chat_gpt/llm_responses/live" \
--header "Authorization: Bearer smt_live_YOUR_KEY" \
--header "Content-Type: application/json" \
--data-raw '[
{
"system_message": "请以商业会议汇报的语气进行回答",
"message_chain": [
{
"role": "user",
"message": "你好，最近法国休闲娱乐行业有哪些趋势？"
},
{
"role": "ai",
"message": "法国休闲娱乐行业正逐步恢复增长，是线下体验型消费。"
}
],
"max_output_tokens": 200,
"model_name": "gpt-4.1-mini",
"web_search": true,
"web_search_country_iso_code": "FR",
"web_search_city": "Paris",
"user_prompt": "请说明当前法国游乐园行业的市场性和发展"
}
]'Python
python
import requests
url = "https://api.seermartech.cn/v3/ai_optimization/chat_gpt/llm_responses/live"
headers = {
"Authorization": "Bearer smt_live_YOUR_KEY",
"Content-Type": "application/json"
}
data = [
{
"system_message": "请以商业会议汇报的语气进行回答",
"message_chain": [
{
"role": "user",
"message": "你好，最近法国休闲娱乐行业有哪些趋势？"
},
{
"role": "ai",
"message": "法国休闲娱乐行业正逐步恢复增长，是线下体验型消费。"
}
],
"max_output_tokens": 200,
"model_name": "gpt-4o",
"web_search": True,
"web_search_country_iso_code": "FR",
"web_search_city": "Paris",
"user_prompt": "请说明当前法国游乐园行业的市场性和发展"
}
]
response = requests.post(url, headers=headers, json=data, timeout=180)
print(response.json)TypeScript
typescript
import axios from "axios";
async function main {
const response = await axios.post(
"https://api.seermartech.cn/v3/ai_optimization/chat_gpt/llm_responses/live",
[
{
system_message: "请以商业会议汇报的语气进行回答",
message_chain: [
{
role: "user",
message: "你好，最近法国休闲娱乐行业有哪些趋势？"
},
{
role: "ai",
message: "法国休闲娱乐行业正逐步恢复增长，是线下体验型消费。"
}
],
max_output_tokens: 200,
model_name: "gpt-4.1-mini",
web_search: true,
web_search_country_iso_code: "FR",
web_search_city: "Paris",
user_prompt: "请说明当前法国游乐园行业的市场性和发展"
}
],
{
headers: {
Authorization: "Bearer smt_live_YOUR_KEY",
"Content-Type": "application/json"
},
timeout: 180000
}
);
console.log(response.data);
}
main.catch(console.error);响应结构
接口返回 JSON 编码结果，顶层 tasks 数组。
顶层字段
| 字段名 | 类型 | 说明 |
|---|---|---|
version | string | 当前 API 版本。 |
status_code | integer | 通用状态码。完整错误码请参考 /v3/appendix/errors。建议在接时实现完整的异常处理机制。 |
status_message | string | 通用状态描述。 |
time | string | 接口执行时间，单位秒。 |
cost | float | 本次请求总成本，单位 USD。 |
tasks_count | integer | tasks 数组中的任务数。 |
tasks_error | integer | 返回错误的任务数。 |
tasks | array | 任务结果数组。 |
tasks[] 字段
| 字段名 | 类型 | 说明 |
|---|---|---|
id | string | 任务唯一标识，UUID 格式。 |
status_code | integer | 任务状态码，范围通常为 10000-60000。 |
status_message | string | 任务状态说明。 |
time | string | 任务执行时间，单位秒。 |
cost | float | 任务成本，单位 USD。基础任务价格与 money_spent。 |
result_count | integer | result 数组数量。 |
path | array | 当前请求的 URL 路径。 |
data | object | 回显请求中提交的参数。 |
result | array | 模型响应结果数组。 |
result[] 字段
| 字段名 | 类型 | 说明 |
|---|---|---|
model_name | string | 实使用的模型名称。 |
input_tokens | integer | token 总数。 |
output_tokens | integer | 输出 token 总数。 |
reasoning_tokens | integer | 推理 token 数量。 |
web_search | boolean | 是否使用了网页搜索。 |
money_spent | float | AI token 实消耗成本，单位 USD。为平台模型提供方收取的费用。 |
datetime | string | 结果返回时间，UTC 格式：yyyy-mm-dd hh-mm-ss +00:00。 |
items | array | 结构化响应数组。 |
fan_out_queries | array | 派生搜索词数组。基于主问题扩展出的检索词，用于提升回答完整性。 |
items[] 字段
reasoning 对象
| 字段名 | 类型 | 说明 |
|---|---|---|
type | string | 固定为 reasoning。 |
sections | array | 推理链摘要分段。推理模型支持，且不保证一定返回。 |
reasoning.sections[] 字段
| 字段名 | 类型 | 说明 |
|---|---|---|
type | string | 固定为 summary_text。 |
text | string | 对模型思考过程的摘要文本。 |
message 对象
| 字段名 | 类型 | 说明 |
|---|---|---|
type | string | 固定为 message。 |
sections | array | 模型最终回答分段。 |
message.sections[] 字段
| 字段名 | 类型 | 说明 |
|---|---|---|
type | string | 固定为 text。 |
text | string | 模型生成的文本。 |
annotations | array / null | 生成回答时使用的引用来源列表。如果 web_search 未启用，则通常为 null。即使启用了 web_search，如果未检索到可引用信息，也可能返回空数组。 |
annotations[] 字段
| 字段名 | 类型 | 说明 |
|---|---|---|
title | string | 引用来源的域名或标题。 |
url | string | 引用来源 URL。 |
响应示例
json
{
"version": "0.1.20251208",
"status_code": 20000,
"status_message": "Ok.",
"time": "4.7042 sec.",
"cost": 0.0296424,
"tasks_count": 1,
"tasks_error": 0,
"tasks": [
{
"id": "7c5f3b4a-4a1d-4b60-9d4f-1d9b3c8a1234",
"status_code": 20000,
"status_message": "Ok.",
"time": "4.6121 sec.",
"cost": 0.0296424,
"result_count": 1,
"path": [
"v3",
"ai_optimization",
"chat_gpt",
"llm_responses",
"live"
],
"data": {
"api": "ai_optimization",
"function": "llm_responses",
"se": "chat_gpt",
"system_message": "communicate as if we are in a business meeting",
"message_chain": [
{
"role": "user",
"message": "Hello, what's up?"
},
{
"role": "ai",
"message": "Hello! I’m doing well, thank you. How can I assist you today? Are there any specific topics or projects you’d like to discuss in our meeting?"
}
],
"temperature": 0.3,
"top_p": 0.5,
"web_search_country_iso_code": "FR",
"web_search_city": "Paris",
"model_name": "gpt-4.1-mini",
"web_search": true,
"user_prompt": "provide information on how relevant the amusement park business is in France now"
},
"result": [
{
"model_name": "gpt-4.1-mini",
"input_tokens": 186,
"output_tokens": 352,
"reasoning_tokens": 0,
"web_search": true,
"money_spent": 0.0276424,
"datetime": "2025-12-08 12:57:46 +00:00",
"items": [
{
"type": "message",
"sections": [
{
"type": "text",
"text": "The amusement park business in France remains highly relevant and is showing signs of growth. The market is expected to reach USD 813.7 million by 2030, with a CAGR of 8.6% from 2025 to 2030.",
"annotations": [
{
"title": "Grand View Research",
"url": "https://www.grandviewresearch.com/horizon/outlook/amusement-parks-market/france"
},
{
"title": "Statista",
"url": "https://www.statista.com/outlook/amo/entertainment/amusement-parks/france"
}
]
}
]
}
],
"fan_out_queries": [
"France amusement park market size",
"France theme park industry growth",
"Paris amusement park visitors"
]
}
]
}
]
}状态码与错误处理
- 顶层
status_code=20000表示请求成功 tasks[].status_code=20000表示单个任务执行成功- 若返回状态码，请根据
/v3/appendix/errors进行处理 - 建议重点处理以下异常场景：
- 参数缺失或格式错误
temperature与top_p同时传- 推理模型使用了不支持的参数
web_search参数组合不合法- 并发数或调用频率限
- Live 任务时
接注意事项
- 每次只能提交一个任务，即使请求体是数组，也只能放 1 个对象。
- 不要同时传
temperature和top_p，否则可能触发参数错误。 - 如果启用
force_web_search，同时设置web_search=true。 - 启用网页搜索后，模型会尽量检索并引用网页信息，但不保证一定返回引用来源。
- 使用推理模型时，部分参数不可用，例如
temperature、force_web_search。 message_chain最多支持 10 轮历史消息，适合补上下文，但不建议塞冗长会话。- 当启用网页搜索或使用推理模型时，输出 token 可能
max_output_tokens。
实用场景
- 生成市场快报：行业问题并启用网页搜索，快速生成带来源引用的行业概览，提升分析师做初步研究的效率。
- 评估区域机会：结合
web_search_country_iso_code和web_search_city，获取特定国家或城市视角下的市场信息，用于区域 SEO 与本地化商业判断。 - 构建智能问答：通过
system_message和message_chain维护回答风格与上下文，打造品牌化的运营、销售或客服问答能力。 - 提取可追溯结论：利用
annotations获取模型引用来源，便于审核、报告引用和事实校验，降低 AI 幻觉风险。 - 比较模型效果与成本：通过
model_name、input_tokens、output_tokens、money_spent对不同模型的效果和花费进行横向评估，优化业务调用策略。