ai_optimization/gemini/llm_responses/live

POST /v3/ai_optimization/gemini/llm_responses/live

Live Gemini LLM Responses

方法： POST
路径： https://api.seermartech.cn/v3/ai_optimization/gemini/llm_responses/live

本接口用于调用指定的 Gemini 模型，并根据参数返回结构化的模型响应。

所有请求数据使用 UTF-8 编码的 JSON 格式。请求体是 JSON 数组，每次调用支持提交一个任务：

平台限流以认证说明中的 30/60/120 次/分钟规则为准；

每次 Live Gemini LLM Responses 请求只能 1 个任务；
每个平台、每个账户最多同时执行 30 个 Live 任务；
单个任务最长执行时间为 120 秒。

计费说明

本接口的费用由基础任务费用和模型调用产生的 AI Token 费用组成。扣费以响应头 X-SeerMarTech-Charge-CNY 为准。

请求参数

请求体格式：

json

[
  {
    "user_prompt": "请分析当前法国主题园行业的发展性",
    "model_name": "gemini-2.5-flash"
  }
]

任务参数

参数	类型	填	说明
`user_prompt`	string	是	发送给 AI 模型的问题或任务，最多 500 个字符。
`model_name`	string	是	AI 模型名称。可填写基础模型名称，平台会自动使用该模型的最新版本。例如，填写 `gemini-1.5-pro` 时，系统可能自动设置为 `gemini-1.5-pro-002`。可通过模型列表接口获取可用模型：`GET /v3/ai_optimization/gemini/llm_responses/models`。
`max_output_tokens`	integer	否	AI 响应生成的最大 Token 数。取值范围为 `1`–`4096`，默认值为 `2048`。当 `web_search` 为 `true` 或请求使用推理模型时，输出 Token 数可能该限制。当 `use_reasoning` 为 `true` 时，最小值为 `1024`。
`temperature`	float	否	控制响应随机性。值越高，输出越多样；值越低，输出越稳定、集中。取值范围为 `0`–`2`，默认值为 `1.3`。
`top_p`	float	否	控制响应多样性，通过限制候选 Token 范围影响生成结果。取值范围为 `0`–`1`，默认值为 `0.9`。
`web_search`	boolean	否	是否启用联网搜索，使模型能够访问并引用当前网络信息。默认值为 `false`。并非所有模型都支持该参数，请通过模型列表接口确认。
`system_message`	string	否	用于设定 AI 的角色、语气或行为规则，最多 500 个字符。
`message_chain`	array	否	对话历史，由消息对象组成。最多 10 个对象。每个对象 `role` 和 `message` 字段 `role` 只能是 `user` 或 `ai`，`message` 最多 500 个字符。
`use_reasoning`	boolean	否	是否启用模型推理。启用后，模型会进行推理，再生成最终响应。默认值为 `false`。部分模型支持该功能。当该参数为 `true` 时，`max_output_tokens` 最小值为 `1024`。对于 Gemini Pro 模型，该参数会自动设置为 `true`。
`tag`	string	否	自定义任务标识，最多 255 个字符。可用于请求和响应，返回结果中的 `data` 对象会该值。

`message_chain` 示例

json

[
  {
    "role": "user",
    "message": "你好，最近怎么样？"
  },
  {
    "role": "ai",
    "message": "我很好，谢谢。请问今天需要讨论什么主题？"
  }
]

请求示例

cURL

bash

curl --location --request POST \
  "https://api.seermartech.cn/v3/ai_optimization/gemini/llm_responses/live" \
  --header "Authorization: Bearer smt_live_YOUR_KEY" \
  --header "Content-Type: application/json" \
  --data-raw '[
    {
      "system_message": "请以商务会议的方式进行沟通",
      "message_chain": [
        {
          "role": "user",
          "message": "你好，最近怎么样？"
        },
        {
          "role": "ai",
          "message": "我很好，谢谢。请问今天需要讨论什么主题？"
        }
      ],
      "max_output_tokens": 200,
      "temperature": 0.3,
      "top_p": 0.5,
      "model_name": "gemini-2.5-flash",
      "web_search": true,
      "user_prompt": "请分析当前法国主题园行业的发展性"
    }
  ]'

Python

python

import requests

url = "https://api.seermartech.cn/v3/ai_optimization/gemini/llm_responses/live"

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

payload = [
    {
        "system_message": "请以商务会议的方式进行沟通",
        "message_chain": [
            {
                "role": "user",
                "message": "你好，最近怎么样？",
            },
            {
                "role": "ai",
                "message": "我很好，谢谢。请问今天需要讨论什么主题？",
            },
        ],
        "max_output_tokens": 200,
        "temperature": 0.3,
        "top_p": 0.5,
        "model_name": "gemini-2.5-flash",
        "web_search": True,
        "user_prompt": "请分析当前法国主题园行业的发展性",
    }
]

try:
    response = requests.post(url, headers=headers, json=payload, timeout=120)
    response.raise_for_status()
    result = response.json()
    print(result)
except requests.RequestException as error:
    print(f"请求失败：{error}")

TypeScript

typescript

import axios from "axios";

const response = await axios.post(
  "https://api.seermartech.cn/v3/ai_optimization/gemini/llm_responses/live",
  [
    {
      system_message: "请以商务会议的方式进行沟通",
      message_chain: [
        {
          role: "user",
          message: "你好，最近怎么样？",
        },
        {
          role: "ai",
          message: "我很好，谢谢。请问今天需要讨论什么主题？",
        },
      ],
      max_output_tokens: 200,
      temperature: 0.3,
      top_p: 0.5,
      model_name: "gemini-2.5-flash",
      web_search: true,
      user_prompt: "请分析当前法国主题园行业的发展性",
    },
  ],
  {
    headers: {
      Authorization: "Bearer smt_live_YOUR_KEY",
      "Content-Type": "application/json",
    },
    timeout: 120000,
  }
);

console.log(response.data);

响应结构

接口返回 JSON 对象 tasks 数组。

顶层字段

字段	类型	说明
`version`	string	当前 API 版本。
`status_code`	integer	通用状态码。成功时通常为 `20000`。完整错误码请参考 `/v3/appendix/errors`。建议在业务系统中实现异常和错误处理机制。
`status_message`	string	通用状态消息。
`time`	string	请求执行耗时，单位为秒。
`cost`	float	平台原始 USD 成本兼容字段；人民币实扣以 `X-SeerMarTech-Charge-CNY` 为准。
`tasks_count`	integer	`tasks` 数组中的任务数量。
`tasks_error`	integer	`tasks` 数组中返回错误的任务数量。
`tasks`	array	任务结果数组。

`tasks` 字段

字段	类型	说明
`id`	string	任务唯一标识，采用 UUID 格式。
`status_code`	integer	任务状态码，通常在 `10000`–`60000` 范围。
`status_message`	string	任务状态说明。
`time`	string	任务执行耗时，单位为秒。
`cost`	float	平台原始 USD 成本兼容字段；人民币实扣以 `X-SeerMarTech-Charge-CNY` 为准。
`result_count`	integer	`result` 数组中的数量。
`path`	array	请求 URL 路径。
`data`	object	请求中提交的任务参数。
`result`	array	AI 模型响应结果数组。

`result` 字段

字段	类型	说明
`model_name`	string	实使用的 AI 模型名称。
`input_tokens`	integer	Token 总数。
`output_tokens`	integer	AI 响应生成的输出 Token 总数。
`reasoning_tokens`	integer	用于生成推理的 Token 总数。
`web_search`	boolean	是否使用了联网搜索。
`money_spent`	float	AI Token 产生的模型调用费用。扣费以响应头 `X-SeerMarTech-Charge-CNY` 为准。
`datetime`	string	接收结果的 UTC 时间，格式为 `yyyy-mm-dd hh-mm-ss +00:00`。
`items`	array	结构化 AI 响应。
`fan_out_queries`	array	基于主查询生成的搜索查询，用于帮助模型获取更的信息。

`items` 字段

items 数组响应，主要 reasoning 和 message。

`reasoning`

推理模型可能返回该对象，但并不保证一定存在。

字段	类型	说明
`type`	string	固定为 `reasoning`。
`sections`	array	推理链分段数组。

sections 中的字段：

字段	类型	说明
`type`	string	固定为 `summary_text`。
`text`	string	对模型推理过程的摘要文本。

`message`

字段	类型	说明
`type`	string	固定为 `message`。
`sections`	array	AI 响应分段数组。

sections 中的字段：

字段	类型	说明
`type`	string	固定为 `text`。
`text`	string	AI 生成的文本。
`annotations`	array/null	生成响应时使用的引用来源。当 `web_search` 不为 `true` 时通常为 `null`。即使启用了联网搜索，也可能返回空数组，因为模型可能未找到网页。

annotations 对象中的字段：

字段	类型	说明
`title`	string	被引用来源的域名或标题。
`url`	string	被引用来源的跳转 URL，通常会跳转至原始来源。
`start_index`	integer	引用标注的起始索引。
`end_index`	integer	引用标注的结束索引。
`text`	string	被标注的引用文本。

响应示例

json

{
  "version": "0.1.20260717",
  "status_code": 20000,
  "status_message": "Ok.",
  "time": "6.9528 sec.",
  "cost": 0.0378958,
  "tasks_count": 1,
  "tasks_error": 0,
  "tasks": [
    {
      "id": "00000000-0000-0000-0000-000000000000",
      "status_code": 20000,
      "status_message": "Ok.",
      "time": "6.9528 sec.",
      "cost": 0.0378958,
      "result_count": 1,
      "path": [
        "v3",
        "ai_optimization",
        "gemini",
        "llm_responses",
        "live"
      ],
      "data": {
        "api": "ai_optimization",
        "function": "llm_responses",
        "se": "gemini",
        "system_message": "请以商务会议的方式进行沟通",
        "message_chain": [
          {
            "role": "user",
            "message": "你好，最近怎么样？"
          },
          {
            "role": "ai",
            "message": "我很好，谢谢。请问今天需要讨论什么主题？"
          }
        ],
        "temperature": 0.3,
        "model_name": "gemini-2.5-flash",
        "top_p": 0.5,
        "web_search": true,
        "user_prompt": "请分析当前法国主题园行业的发展性"
      },
      "result": [
        {
          "model_name": "gemini-2.5-flash",
          "input_tokens": 85,
          "output_tokens": 200,
          "reasoning_tokens": 0,
          "web_search": true,
          "money_spent": 0.0123,
          "datetime": "2026-07-17 12:57:46 +00:00",
          "items": [
            {
              "type": "message",
              "sections": [
                {
                  "type": "text",
                  "text": "模型生成的分析",
                  "annotations": [
                    {
                      "title": "示例来源",
                      "url": "https://example.com/source",
                      "start_index": 0,
                      "end_index": 10,
                      "text": "示例引用文本"
                    }
                  ]
                }
              ]
            }
          ],
          "fan_out_queries": [
            "法国主题园市场趋势",
            "法国娱乐行业需求"
          ]
        }
      ]
    }
  ]
}

错误处理

请根据顶层或任务级别的 status_code 和 status_message 判断请求是否成功：

顶层 status_code 表示整个 API 请求的处理状态；
tasks[].status_code 表示任务的执行状态；
tasks_error 大于 0 时，表示至少有一个任务执行失败；
完整状态码和错误信息请参考 /v3/appendix/errors。

实用场景

分析行业趋势：结合 web_search 获取最新网络信息，评估目标行业的市场热度和商业性，为市场决策提供依据。
生成 SEO提纲：使用 system_message 设定专家角色，批量生成符合目标主题和受众需求的文章结构，提高策划效率。
评估搜索意图：通过 message_chain 提供上下文，让模型判断背后的信息型、商业型或交易型意图，分组和页面规划。
验证竞品与市场信息：启用联网搜索并读取 annotations 引用来源，核验竞品动态、行业数据和新闻信息，降低人工调研成本。
构建多轮分析流程：使用 use_reasoning 和对话历史，让模型逐步完成实体识别、主题归纳和结论生成，支持复杂 SEO 研究任务。

ai_optimization/gemini/llm_responses/live ​

Live Gemini LLM Responses ​

计费说明 ​

请求参数 ​

任务参数 ​

message_chain 示例 ​

请求示例 ​

cURL ​

Python ​

TypeScript ​

响应结构 ​

顶层字段 ​

tasks 字段 ​

result 字段 ​

items 字段 ​

reasoning ​

message ​

响应示例 ​

错误处理 ​

实用场景 ​

ai_optimization/gemini/llm_responses/live

Live Gemini LLM Responses

计费说明

请求参数

任务参数

`message_chain` 示例

请求示例

cURL

Python

TypeScript

响应结构

顶层字段

`tasks` 字段

`result` 字段

`items` 字段

`reasoning`

`message`

响应示例

错误处理

实用场景