SeerMarTech API 文档

主题

获取 Chat GPT LLM Responses 任务结果 ​

接口说明 ​

该接口用于按任务 ID 获取 Chat GPT 模型生成的结构化响应结果。你可以在创建任务后，使用返回的任务标识查询处理结果。

需要注意：

  • 使用 Standard 方式提交的任务，最长可能需要 72 小时完成
  • 如果任务在 72 小时仍未完成，会被标记为失败，预扣费用会退回
  • 如果账户余额为负，即使任务已成功完成，也无法获取结果
  • 任务结果可在任务创建后的 30 天重复拉取，不会重复收费

请求方式： GET接口地址： https://api.seermartech.cn/v3/ai_optimization/chat_gpt/llm_responses/task_get/$id

计费说明 ​

本接口在创建任务时计费，后续 30 天获取结果。

如按平台基础预扣金额 $0.01 估算，参考价约 ¥0.1600 / 次。 扣费以响应头 X-SeerMarTech-Charge-CNY 为准。

请求参数 ​

路径参数 ​

字段名类型说明
idstring任务唯一标识，UUID 格式。该 ID 可在 30 天用于随时查询任务结果。

响应结构 ​

接口返回 JSON 数据，顶层 tasks 数组，每个任务对应一条结果。

顶层字段 ​

字段名类型说明
versionstring当前 API 版本号。
status_codeinteger通用状态码。完整错误码参见 /v3/appendix/errors。建议在系统中实现完整的异常处理逻辑。
status_messagestring通用状态信息。完整状态说明参见 /v3/appendix/errors。
timestring执行耗时，单位秒。
costfloat本次请求总成本，单位 USD。
tasks_countintegertasks 数组中的任务数量。
tasks_errorintegertasks 数组中返回错误的任务数量。
tasksarray任务结果数组。

tasks[] 字段 ​

字段名类型说明
idstring任务 ID，UUID 格式。
status_codeinteger任务状态码，取值范围通常为 10000-60000。完整错误码参见 /v3/appendix/errors。
status_messagestring任务状态说明。
timestring单任务执行耗时，单位秒。
costfloat任务费用，单位 USD。基础任务费用与 money_spent。
result_countintegerresult 数组中的数量。
patharray请求路径。
dataobject与创建任务时 POST 请求中传的参数一致。
resultarray实结果数组。

tasks[].result[] 字段 ​

字段名类型说明
model_namestring实使用的 AI 模型名称。
input_tokensinteger消耗的 token 总数。
output_tokensinteger输出生成的 token 总数。
reasoning_tokensinteger用于推理生成的 token 数量。
web_searchboolean是否启用了网页搜索。
money_spentfloatAI token 消耗成本，单位 USD。由第三方模型提供方按计费规则产生。
datetimestring结果接收时间，UTC 格式：yyyy-mm-dd hh-mm-ss +00:00。例如：2019-11-15 12:57:46 +00:00
itemsarray结构化 AI 响应数组。
fan_out_queriesarray扩展查询词数组。表示围绕主问题自动派生的检索词，用于生成更完整的回答。

items[] 字段 ​

items 中通常不同类型的响应片段，常见为 reasoning 和 message。

reasoning 对象 ​

字段名类型说明
typestring素类型，固定为 reasoning。
sectionsarray推理链分段。部分支持推理能力的模型返回，不保证一定出现。

reasoning.sections[] 字段 ​

字段名类型说明
typestring类型，固定为 summary_text。
textstring推理链摘要文本，用于概括模型的思考过程。

message 对象 ​

字段名类型说明
typestring素类型，固定为 message。
sectionsarrayAI 最终回答的分段。

message.sections[] 字段 ​

字段名类型说明
typestring类型，固定为 text。
textstringAI 生成的文本。
annotationsarray回答生成时引用的来源信息。若 web_search 未设置为 true，该字段为 null。即使启用了网页搜索，也可能为空，表示模型尝试检索但未找到合适引用。

annotations[] 字段 ​

字段名类型说明
titlestring引用来源的域名或标题。
urlstring引用来源 URL。

请求示例 ​

cURL ​

bash
id="02031608-0696-0110-0000-a81d0414edbe"

curl --location --request GET "https://api.seermartech.cn/v3/ai_optimization/chat_gpt/llm_responses/task_get/${id}" \
--header "Authorization: Bearer smt_live_YOUR_KEY" \
--header "Content-Type: application/json"

Python ​

python
import requests

task_id = "07211938-0696-0613-0000-674a0f948d6b"
url = f"https://api.seermartech.cn/v3/ai_optimization/chat_gpt/llm_responses/task_get/{task_id}"

headers = {
 "Authorization": "Bearer smt_live_YOUR_KEY",
 "Content-Type": "application/json"
}

response = requests.get(url, headers=headers)
print(response.json)
# 可在此处理任务结果

TypeScript ​

typescript
import axios from "axios";

const taskId = "02231934-2604-0066-2000-570459f04879";

axios({
 method: "get",
 url: `https://api.seermartech.cn/v3/ai_optimization/chat_gpt/llm_responses/task_get/${taskId}`,
 headers: {
 Authorization: "Bearer smt_live_YOUR_KEY",
 "Content-Type": "application/json"
 }
})
 .then((response) => {
 console.log(response.data);
 // 可在此处理任务结果
 })
 .catch((error) => {
 console.error(error);
 });

响应示例 ​

json
{
 "version": "0.1.20250724",
 "status_code": 20000,
 "status_message": "Ok.",
 "time": "0.0849 sec.",
 "cost": 0,
 "tasks_count": 1,
 "tasks_error": 0,
 "tasks": [
 {
 "id": "07211938-0696-0613-0000-674a0f948d6b",
 "status_code": 20000,
 "status_message": "Ok.",
 "time": "0.0312 sec.",
 "cost": 0,
 "result_count": 1,
 "path": [
 "v3",
 "ai_optimization",
 "chat_gpt",
 "llm_responses",
 "task_get",
 "07211938-0696-0613-0000-674a0f948d6b"
 ],
 "data": {
 "api": "ai_optimization",
 "function": "llm_responses",
 "se": "chat_gpt",
 "system_message": "communicate as if we are in a business meeting",
 "message_chain": [],
 "max_output_tokens": 1024,
 "temperature": 0.3,
 "top_p": 0.5,
 "web_search_country_iso_code": "FR",
 "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": 0,
 "output_tokens": 0,
 "reasoning_tokens": 0,
 "web_search": true,
 "money_spent": 0,
 "datetime": "2025-07-24 12:57:46 +00:00",
 "items": [
 {
 "type": "message",
 "sections": [
 {
 "type": "text",
 "text": "法国游乐园行业目前仍较高市场性，受业、家庭娱乐消费和大型主题园持续带动。回答中可市场规模、主要园区、技术趋势、成本压力等。",
 "annotations": [
 {
 "title": "示例来源 1",
 "url": "https://example.com/source-1"
 },
 {
 "title": "示例来源 2",
 "url": "https://example.com/source-2"
 }
 ]
 }
 ]
 }
 ],
 "fan_out_queries": [
 "france amusement park market size",
 "disneyland paris attendance",
 "france tourism leisure trends"
 ]
 }
 ]
 }
 ]
}

状态码与错误处理 ​

建议至少按以下层级处理错误：

  • HTTP 层错误：如 401、404、500
  • 顶层状态错误：检查 status_code 和 status_message
  • 任务级错误：遍历 tasks[]，检查每个任务的 status_code
  • 结果未就绪：任务可能仍在处理中，应结合状态码与任务状态说明进行重试
  • 结果为空：result_count = 0 时表示暂未返回可用结果或任务失败

完整错误码说明请参考 /v3/appendix/errors。

使用说明 ​

  1. 通过对应的创建任务接口创建 LLM Responses 任务
  2. 记录返回的任务 ID
  3. 使用本接口按 ID 轮询任务状态与结果
  4. 当任务完成后，从 tasks[].result[] 中解析模型输出
  5. 如启用了网页搜索，可进一步读取 annotations 与 fan_out_queries 做来源分析和扩展研究

实用场景 ​

  • 追踪问答结果落地：获取指定提示词的最终结构化回答，用于评估 AI 对品牌、产品或行业问题的输出效果。
  • 提取引用来源做审校：读取 annotations 中的来源网址，核查 AI 回答是否引用了可信站点，降低事实性风险。
  • 分析模型推理与输出成本：结合 input_tokens、output_tokens、reasoning_tokens 和 money_spent，评估不同提示词方案的成本与产出比。
  • 挖掘扩展搜索意图：利用 fan_out_queries 发现模型围绕主问题延展出的检索词， SEO 选题和补。
  • 监控地区化行业洞察生成结果：结合 web_search_country_iso_code 与回答，验证模型在特定国家/地区场景下的行业分析是否。

统一入口：官网 · LLM API · 控制台

© 2026 SeerMarTech · GEO · SEO 营销数据 API