AB
AiBoss
チュートリアル

智谱清言

チュートリアル

用智谱清言完成对话、创建智能体并调用 BigModel API

面向初次接触智谱清言的读者,讲清三件事:在对话界面里把 GLM 模型用起来、按角色描述与指令创建一个可复用的智能体、在 BigModel 平台申请密钥并用 Python 或 curl 调用 GLM 接口。含完整可跑通的最小示例、模型选择思路与额度计费方面的注意事项。

智谱清言是智谱AI推出的 AI 对话助手,底层由 GLM 系列大模型驱动。它把三种用法放在同一个入口下:普通用户直接在对话框里提问;需要反复使用同一套规则的人可以创建智能体,把角色、知识库和指令固定下来;开发者则可以申请 BigModel API 密钥,把 GLM 模型接进自己的程序。GLM 系列的部分版本已经开源,在学术圈和开发者社区里有一定口碑,这也是不少人选择它的原因之一。如果你只是想找一个能直接注册、直接对话的中文助手,可以从 智谱清言 开始了解;如果你打算把它做成一个长期使用的工具,那么对话、智能体、API 这三条路径都值得走一遍。

这篇教程按「先会用、再会配、最后会接」的顺序组织:先讲清对话界面里能做什么、模型怎么选;再讲智能体的创建流程,包括名称、描述、指令该怎么写;最后讲 BigModel API 的申请与调用,给出可以直接运行的 Python 与 curl 示例。文中涉及的价格、免费额度、模型版本等信息会随时间调整,请以官网当前公布的信息为准。

准备工作

账号与访问方式

使用智谱清言不需要额外的网络配置,注册后即可使用。准备工作按使用深度分三档:

  • 只想对话:准备一个手机号或邮箱即可完成注册。网页端和移动端 App(iOS、Android 均有)都能用,注册后自动进入对话界面。
  • 想创建智能体:同样只需要普通账号。智能体功能在左侧菜单里,创建时填写名称、描述、指令,可选地挂知识库。
  • 想调用 API:需要单独在 BigModel 平台申请 API 密钥。这是开发者通道,和对话账号是两套东西,密钥要妥善保存,不要写进公开的代码仓库。

开发环境(仅 API 部分需要)

调用 API 只需要一个能发 HTTP 请求的环境。素材给出的示例覆盖 Python 和 curl 两种方式,因此准备下面任意一种即可:

  • 本机装有 Python 3,并能用 pip 安装 HTTP 客户端库;
  • 或者一个终端,装有 curl,能直接发 POST 请求。

如果你打算把调用逻辑放进正式项目,建议先在本地用最小脚本跑通一次,确认密钥、模型名、请求体格式都对,再往业务代码里搬。这样出问题时容易定位是鉴权、参数还是网络的问题。

先想清楚要用哪一档

三档能力对应的使用成本不一样:对话是免费加付费的模式,智能体消耗的是账号内的额度,API 按 token 计费。动手之前先判断自己属于哪一类,可以少走弯路——比如只是偶尔写文案,就没必要去申请 API 密钥;反过来,如果要把模型接进内部系统,那在对话框里试效果只是第一步,最终还是要落到 API 上。

操作步骤

第一步:在对话界面里把基本能力摸清

注册完成后会直接进入对话界面。在输入框里打字提问即可,支持多轮对话,上下文会延续。第一次可以输入一句简单的问候,确认服务正常,它会回复一段自我介绍。之后建议用几个真实任务测试它的边界,比如:

  • 让它写一封请假邮件,看格式和语气是否符合你的习惯;
  • 让它解释一个专业概念,看它会不会给出结构化的说明;
  • 上传一份 PDF 让它总结要点,测试文档理解能力;
  • 让它写一段代码并解释算法思路,测试编程辅助能力。

对话默认调用 GLM-4 或 GLM-4-Flash 模型。如果需要在不同版本之间切换,可以在设置里选择:偏重响应速度的场景选 Flash 一类的轻量版本,偏重输出质量的场景选 Pro 一类的更强版本。模型版本会更新,具体可选列表以界面中实际显示的为准。

多轮对话有一个实用习惯值得养成:把任务拆成「先给背景、再给要求、最后给格式」。例如不要只说「帮我写个总结」,而是先贴原文,再说明读者是谁、要多长,最后指定输出结构。这样得到的初稿返工成本明显更低。

第二步:创建一个可复用的智能体

如果你发现自己反复在对话框里输入同一套前置说明,那就该把它做成智能体了。操作路径是:在左侧菜单找到「智能体」或「清流」,选择「创建智能体」,然后依次填写下面几项。

名称与描述:名称要能一眼看出用途,比如「英语口语教练」「合同条款审阅助手」。描述写这个智能体解决什么问题、面向谁,它既是给自己看的备忘,也是别人在列表里判断要不要用的依据。

指令:这是最关键的一项。指令要写清楚角色、边界和输出规则。以英语口语教练为例,可以这样写:

你是一名英语口语教练。
每次用户发来一句英文或中文表达时,按以下顺序回应:
1. 先指出其中的语法或搭配错误,并说明原因;
2. 给出至少一种更地道的说法,并标注适用场景(正式/日常);
3. 最后用一句话追问,引导用户继续练习。
不要一次性给出长篇语法讲解,每次只聚焦当前这句话的问题。

指令里写「不要做什么」往往比写「要做什么」更有效。上面这段里「不要一次性给出长篇语法讲解」就是一条约束,能防止模型把每次回复都写成教科书。

知识库:如果智能体需要基于特定资料回答(比如公司内部制度、某门课的讲义),可以在创建时挂上知识库。这样回答会优先依据你提供的材料,而不是模型的通用知识。

保存之后,这个智能体就会出现在你的对话列表里,可以直接开始聊。它也可以分享给他人使用;反过来,平台上别人做好的智能体同样可以拿来用,适合不想从零配置的场景。

第三步:申请 API 密钥

进入「开发者」或「API」页面,按提示申请密钥。拿到密钥后先做一件事:把它放进环境变量,而不是硬编码在脚本里。例如在终端里设置:

export ZHIPU_API_KEY="你的密钥"

后面的示例都从环境变量读取密钥。这样做的好处是脚本可以安全地分享或提交,密钥不会跟着泄露。

第四步:用 curl 发第一个请求

先用 curl 验证鉴权和请求格式,比直接写完整程序更容易排查问题。请求体是 JSON,包含模型名和消息列表:

curl -X POST "https://open.bigmodel.cn/api/paas/v4/chat/completions" \
  -H "Authorization: Bearer $ZHIPU_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-4-flash",
    "messages": [
      {"role": "user", "content": "用三句话解释什么是向量数据库"}
    ]
  }'

返回结果里,正文在 choices 数组的第一项中,路径是 choices[0].message.content;usage 字段会给出本次消耗的 token 数,计费就按这个算。如果返回鉴权错误,先检查密钥是否复制完整、请求头里的 Bearer 前缀有没有漏掉。

第五步:用 Python 封装成可复用的函数

验证通过后,把调用逻辑写成函数,方便在项目里反复使用。下面是一个最小实现,只依赖标准库和 requests:

import os
import requests

API_URL = "https://open.bigmodel.cn/api/paas/v4/chat/completions"

def chat(prompt, model="glm-4-flash", history=None):
    messages = list(history or [])
    messages.append({"role": "user", "content": prompt})
    resp = requests.post(
        API_URL,
        headers={
            "Authorization": f"Bearer {os.environ['ZHIPU_API_KEY']}",
            "Content-Type": "application/json",
        },
        json={"model": model, "messages": messages},
        timeout=60,
    )
    resp.raise_for_status()
    data = resp.json()
    return data["choices"][0]["message"]["content"], data.get("usage")

if __name__ == "__main__":
    answer, usage = chat("用三句话解释什么是向量数据库")
    print(answer)
    print("token 用量:", usage)

这个函数保留了 history 参数,多轮对话时把之前的消息按 {"role": ..., "content": ...} 的形式传进来即可。注意历史越长,每次请求消耗的 token 越多,长会话要定期裁剪。

一个完整示例

下面把前面的步骤串起来,做一个「文档要点提取器」:读取一段文本,按固定结构输出摘要,并把结果写入文件。这个例子同时用到了对话能力、结构化输出约束和 API 调用,跑通之后可以按需替换提示词。

import os
import json
import requests

API_URL = "https://open.bigmodel.cn/api/paas/v4/chat/completions"

SYSTEM_PROMPT = """你是一名文档编辑。用户会给你一段文本,请按以下结构输出:
一、核心结论(不超过三句)
二、关键要点(3 到 5 条,每条一行)
三、待确认问题(如果没有,写“无”)
只输出这三部分,不要添加开场白和结束语。"""

def summarize(text, model="glm-4-flash"):
    resp = requests.post(
        API_URL,
        headers={
            "Authorization": f"Bearer {os.environ['ZHIPU_API_KEY']}",
            "Content-Type": "application/json",
        },
        json={
            "model": model,
            "messages": [
                {"role": "system", "content": SYSTEM_PROMPT},
                {"role": "user", "content": text},
            ],
        },
        timeout=120,
    )
    resp.raise_for_status()
    return resp.json()["choices"][0]["message"]["content"]

if __name__ == "__main__":
    sample = """(这里放你要处理的正文,可以是会议记录、论文段落或产品说明)"""
    result = summarize(sample)
    print(result)
    with open("summary.txt", "w", encoding="utf-8") as f:
        f.write(result)

运行前确认环境变量已设置。如果文本很长,先按段落切分再逐段调用,比一次性塞进去更稳定,也更容易控制单次消耗。输出结构由 system 消息约束,如果模型偶尔多写了开场白,可以在提示词里再加一句「第一行必须直接是『一、核心结论』」。

这个示例也可以改造成智能体:把 SYSTEM_PROMPT 的内容原样填进智能体的「指令」字段,保存后就能在对话界面里反复使用,不必每次都跑脚本。两条路径的取舍在于:脚本适合批量处理,智能体适合人工逐份查看。

注意事项

额度与计费

智谱清言采取免费加付费的模式。免费用户每天有一定的对话次数,具体额度会调整,以官网当前信息为准,轻度使用基本够用。付费版本提供更高的模型权限、更快的响应和更多的智能体额度,价格同样以官网为准。BigModel API 按 token 计费,不同模型版本单价不同:轻量版本价格较低,适合个人开发者测试;更强的版本单价更高,适合生产环境。企业级服务需要联系销售按需定制。个人开发者在正式付费前通常可以先用一定额度试用,具体规则请查看平台说明。

模型选择

对话界面和 API 都支持切换模型。判断标准不是「哪个更强」,而是任务对延迟和质量的敏感度:批量分类、格式转换这类任务用轻量版本就够;需要长文推理、复杂代码生成时再换更强的版本。先用轻量版本跑通流程,再针对效果不达标的具体环节升级模型,是成本更低的做法。

密钥安全

API 密钥等同于账户凭证。不要写进前端代码,不要提交到公开仓库,不要在截图或教程里露出完整字符串。一旦怀疑泄露,立即在平台上作废并重新生成。团队协作时给每个环境分配独立密钥,出问题能快速定位来源。

智能体指令的常见坑

指令写得太笼统,智能体的表现就和普通对话没区别;写得太长太细,又容易让模型顾此失彼。比较稳妥的做法是先写三条以内的核心规则,实际用几轮之后,把反复出现的问题补成新规则。另外,涉及事实性回答的场景建议挂知识库,仅靠指令约束并不能保证内容准确。

输出稳定性

需要结构化结果时,在提示词里明确字段名和顺序,并在代码里对返回内容做校验。不要假设模型每次都会严格按格式输出,尤其是长文本输入时。对格式要求高的场景,可以在解析失败时重试一次,或把温度等参数调低以减少随机性。

合规使用

服务在各地均按其适用法律法规运营。用于对外发布的文案、涉及专业判断的内容(法律、医疗、财务等),都需要人工复核后再使用,不要直接把模型输出当作最终结论。