更多精彩内容在公众号。

kimi现在算是国内火得不行的AI工具。最近使用人太多，都经常出现响应不过来的情况。借助这波热潮，kimi顺势推出了API使用。

来看kimi的官方介绍使用。https://platform.moonshot.cn

文本生成模型

Moonshot的文本生成模型（指moonshot-v1）是训练用于理解自然语言和书面语言的，它可以根据输入生成文本输出。对模型的输入也被称为“prompt”。通常我们建议您提供明确的指令以及给出一些范例，来让模型能够完成既定的任务，设计 prompt 本质上就是学会如何“训练”模型。moonshot-v1模型可以用于各种任务，包括内容或代码生成、摘要、对话、创意写作等。

Token

文本生成模型以 Token 为基本单位来处理文本。Token 代表常见的字符序列。例如，单个汉字"夔"可能会被分解为若干 Token 的组合，而像"中国"这样短且常见的短语则可能会使用单个 Token 。大致来说，对于一段通常的中文文本，1 个 Token 大约相当于 1.5-2 个汉字。

需要注意的是，对于我们的文本模型，Input 和 Output 的总和长度不能超过模型的最大上下文长度。

模型列表

你可以使用我们的 List Models API 来获取当前可用的模型列表。

当前的，我们支持的模型有：

• moonshot-v1-8k: 它是一个长度为 8k 的模型，适用于生成短文本。

• moonshot-v1-32k: 它是一个长度为 32k 的模型，适用于生成长文本。

• moonshot-v1-128k: 它是一个长度为 128k 的模型，适用于生成超长文本。

以上模型的区别在于它们的最大上下文长度，这个长度包括了输入消息和生成的输出，在效果上并没有什么区别。这个主要是为了方便用户选择合适的模型。

使用方法：

需要提供一个 API 密钥和一个模型名称。模型名称在前面已经列出。那么首先申请一个API密钥

API密钥申请在kimi的控制台：https://platform.moonshot.cn/console/info

账号登录后看到账户总览里面，送了15元

在API key管理界面中新建一个key

生成后可以看到创建的key，注意：密钥是不会在界面上显示的，创建成功后需要自己保存。

python调用方法：

首先安装openai库

pip3 install openai

pip3 show openai可以查看openai的版本.openai的版本要大于1.0

来看一个代码示例，在这个例子中让kimi给出了python lxml库的介绍以及使用方法。其中api_key替换成自己申请的密钥

from openai import OpenAI

client = OpenAI(
    api_key="api_key",
    base_url="https://api.moonshot.cn/v1",
)

completion = client.chat.completions.create(
    model="moonshot-v1-8k",
    messages=[
        {"role": "system",
         "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。"},
        {"role": "user", "content": "你好，请给出python库lxml的介绍以及详细用法"}
    ],
    temperature=0.3,
)

print(completion.choices[0].message)

返回的结果如下。格式需要另外整理下

ChatCompletionMessage(content="你好！`lxml` 是一个用 Python 编写的库，它提供了一个简单而强大的方式来处理 XML 和 HTML 数据。`lxml` 具有多种功能，包括解析、创建、修改、查询和转换 XML 和 HTML 文档。它支持 XPath 和 XSLT，并且通常被认为是 Python 中处理 XML 数据最快的库之一。\n\n### 特点：\n- 高性能：`lxml` 使用 C 语言编写核心解析器，因此它比纯 Python 解决方案更快。\n- 易用性：`lxml` 提供了一个简洁的 API，使得处理 XML 和 HTML 变得简单。\n- 功能全面：支持 XPath 表达式进行数据查询，XSLT 转换，以及轻松处理命名空间。\n\n### 安装：\n你可以使用 pip 来安装 `lxml` 库。在命令行中运行以下命令：\n\n```bash\npip install lxml\n```\n\n### 基本用法：\n\n#### 解析 XML/HTML：\n```python\nfrom lxml import etree\n\n# 解析字符串\nxml_string = '<root><element>Content</element></root>'\ntree = etree.fromstring(xml_string)\n\n# 解析文件\nwith open('example.xml', 'r') as file:\n    tree = etree.parse(file)\n\n# 遍历 XML 元素\nfor element in tree.iter('element'):\n    print(element.text)\n```\n\n#### 创建 XML：\n```python\n# 创建一个新的 XML 树\nroot = etree.Element('root')\nchild = etree.Element('child')\ntext = etree.SubElement(child, 'text', text='Some content')\n\n# 添加子元素到根元素\nroot.append(child)\n\n# 将 XML 树写入字符串\nxml_string = etree.tostring(root, pretty_print=True)\nprint(xml_string)\n```\n\n#### 使用 XPath 查询：\n```python\n# 假设我们已经解析了一个 XML 文档到 tree 变量\n# 使用 XPath 查询选择所有 <element> 标签\nfor element in tree.xpath('//root/element'):\n    print(element.text)\n\n# 使用 XPath 选择第一个 <element> 标签\nelement = tree.xpath('//root/element[1]')\nprint(element[0].text if element else None)\n```\n\n#### 应用 XSLT 转换：\n```python\nfrom lxml import xslt\n\n# 假设我们有一个 XSLT 文件 transform.xslt\nxslt_string = 'transform.xslt'\n\n# 编译 XSLT\ntransform = xslt.parse(", rolxslt_string)\n\n# 应用 XSLT 转换到 XML 文档\nresult_tree = transform(tree)\nprint(etree.tostring(result_tree, pretty_print=True))\n```\n\n这些是 `lxml` 的一些基本用法。`lxml` 的功能非常强大，可以处理复杂的 XML 和 HTML 数据，包括但不限于数据抓取、数据清洗、模板转换等。如果你需要更详细的文档和高级用法，可以查看 `lxml` 的官方文档。e='assistant', function_call=None, tool_calls=None)

上传文档并解析的方法：

from pathlib import Path
from openai import OpenAI
 
client = OpenAI(
    api_key="MOONSHOT_API_KEY",
    base_url="https://api.moonshot.cn/v1",
)
 
# xlnet.pdf 是一个示例文件, 我们支持 pdf, doc 以及图片等格式, 对于图片和 pdf 文件，提供 ocr 相关能力
# xlnet.pdf 是一个示例文件, 我们支持 pdf, doc 以及图片等格式, 对于图片和 pdf 文件，提供 ocr 相关能力
file_object = client.files.create(file=Path("xlnet.pdf"), purpose="file-extract")
 
# 获取结果
# file_content = client.files.retrieve_content(file_id=file_object.id)
# 注意，之前 retrieve_content api 在最新版本标记了 warning, 可以用下面这行代替
# 如果是旧版本，可以用 retrieve_content
file_content = client.files.content(file_id=file_object.id).text
 
# 把它放进请求中
messages=[
    {
        "role": "system",
        "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。",
    },
    {
        "role": "system",
        "content": file_content,
    },
    {"role": "user", "content": "请简单介绍 xlnet.pdf 讲了啥"},
]
 
# 然后调用 chat-completion, 获取 kimi 的回答
completion = client.chat.completions.create(
  model="moonshot-v1-32k",
  messages=messages,
  temperature=0.3,
)
 
print(completion.choices[0].message)

更多的使用方法参考API文档：

收费限速标准

kimi的收费标准参考下表

限速标准如下

官方的解释：

速率限制通过4种方式衡量：并发、RPM（每分钟请求数）、TPM（每分钟 Token 数）、TPD（每天 Token 数）。速率限制可能会在任何一种选项中达到，取决于哪个先发生。例如，你可能向 ChatCompletions 发送了 20 个请求，每个请求只有 100 个 Token ，那么你就达到了限制（如果你的 RPM 限制是 20），即使你在这些 20 个请求中没有发满 200k 个 Token （假设你的TPM限制是 200k）。

对网关，出于方便考虑，我们会基于请求中的 max_tokens 参数来计算速率限制。这意味着，如果你的请求中包含了 max_tokens 参数，我们会使用这个参数来计算速率限制。如果你的请求中没有包含 max_tokens 参数，我们会使用默认的 max_tokens 参数来计算速率限制。当你发出请求后，我们会基于你请求的 token 数量加上你 max_tokens 参数的数量来判断你是否达到了速率限制。而不考虑实际生成的 token 数量。

而在计费环节中，我们会基于你请求的 token 数量加上实际生成的 token 数量来计算费用。

我刚才的查询消耗695个token，还没到1M的标准

因此还没扣钱

这收费和限速标准还是略贵