Qwen/Kimi/GLM三大国产大模型API接入指南：5分钟搞定

一、三大模型概览

国产大模型在2026年已经形成了清晰的差异化定位。选择哪个模型，取决于你的具体场景：

二、通义千问 Qwen 3.5 全系列

Qwen 3.5 版本详情

三、智谱 GLM-5 系列

GLM-5 版本详情

四、月之暗面 Kimi K2 系列

Kimi K2 版本详情

五、三大模型横向对比

以下从开发者最关注的几个维度进行对比：

六、一个API Key同时调用三个模型

分别注册 Qwen、Kimi、GLM 三家的开发者账号意味着：三次注册、三套 SDK、三个计费系统、三次企业认证……太麻烦了。

通过 AI Token，你可以用一个 API Key、一种接口格式，调用所有三个模型（以及更多 38+ 模型）：

# 传统方式：需要分别对接 3 家 API
# 1. 阿里云 DashScope → Qwen API    （注册 + 企业认证）
# 2. 月之暗面平台 → Kimi API        （注册 + 等待审核）
# 3. 智谱开放平台 → GLM API         （注册 + 企业认证）

# ✅ AI Token 方式：一个 Key 搞定
from openai import OpenAI

client = OpenAI(
    base_url="http://47.237.87.92:3001/v1",
    api_key="sk-your-ai-token-key"
)

# 调用 Qwen —— 只需改 model 参数
qwen_resp = client.chat.completions.create(
    model="qwen/qwen3.5-flash",
    messages=[{"role": "user", "content": "写一首关于春天的诗"}]
)

# 调用 Kimi —— 同样的接口！
kimi_resp = client.chat.completions.create(
    model="moonshot/kimi-k2.7",
    messages=[{"role": "user", "content": "总结这篇20万字的论文"}]
)

# 调用 GLM —— 还是一样！
glm_resp = client.chat.completions.create(
    model="zhipu/glm-5-flash",
    messages=[{"role": "user", "content": "调用天气API查询北京今天天气"}]
)

七、Python 完整代码示例

以下是一个完整的多模型调用示例，包含错误处理、流式输出和自动重试：

"""
三大多模型调用示例
通过 AI Token 统一接口调用 Qwen / Kimi / GLM
"""
from openai import OpenAI
import json

# ============================================
# 1. 初始化客户端
# ============================================
client = OpenAI(
    base_url="http://47.237.87.92:3001/v1",
    api_key="sk-your-ai-token-key"  # 替换为你的 AI Token Key
)

# ============================================
# 2. 调用 Qwen 3.5 - 中文创意写作
# ============================================
def call_qwen(prompt: str) -> str:
    """调用通义千问 Qwen 3.5 Flash"""
    response = client.chat.completions.create(
        model="qwen/qwen3.5-flash",
        messages=[
            {"role": "system", "content": "你是通义千问，擅长中文创意写作和代码生成。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.8,
        max_tokens=1000
    )
    return response.choices[0].message.content

# ============================================
# 3. 调用 Kimi K2 - 长文档分析
# ============================================
def call_kimi(long_text: str, question: str) -> str:
    """调用 Kimi K2.7，擅长长文本理解"""
    response = client.chat.completions.create(
        model="moonshot/kimi-k2.7",
        messages=[
            {"role": "system", "content": "你是 Kimi，擅长处理超长文本和深度推理。"},
            {"role": "user", "content": f"请阅读以下文本并回答问题：\n\n{long_text}\n\n问题：{question}"}
        ],
        temperature=0.3,
        max_tokens=2000
    )
    return response.choices[0].message.content

# ============================================
# 4. 调用 GLM-5 - 工具调用（Function Calling）
# ============================================
def call_glm_with_tools(user_input: str) -> str:
    """调用智谱 GLM-5，展示工具调用能力"""
    tools = [
        {
            "type": "function",
            "function": {
                "name": "get_weather",
                "description": "获取指定城市的天气信息",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "city": {"type": "string", "description": "城市名称"},
                        "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
                    },
                    "required": ["city"]
                }
            }
        }
    ]

    response = client.chat.completions.create(
        model="zhipu/glm-5",
        messages=[
            {"role": "system", "content": "你是智谱清言，擅长工具调用和结构化任务。"},
            {"role": "user", "content": user_input}
        ],
        tools=tools,
        tool_choice="auto"
    )

    msg = response.choices[0].message
    if msg.tool_calls:
        # 模型决定调用工具
        tool_call = msg.tool_calls[0]
        return f"GLM 决定调用工具: {tool_call.function.name}({tool_call.function.arguments})"
    else:
        return msg.content

# ============================================
# 5. 流式输出示例
# ============================================
def stream_response(model: str, prompt: str):
    """流式输出，适合实时展示"""
    stream = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        stream=True
    )
    for chunk in stream:
        if chunk.choices[0].delta.content:
            print(chunk.choices[0].delta.content, end="", flush=True)
    print()

# ============================================
# 6. 运行测试
# ============================================
if __name__ == "__main__":
    # Qwen: 创意写作
    print("=== Qwen 3.5 ===")
    result = call_qwen("用三句话描述深圳的秋天")
    print(result)

    # Kimi: 长文本分析（示例用短文本代替）
    print("\n=== Kimi K2.7 ===")
    result = call_kimi(
        "深圳位于广东省南部，是中国经济特区...",
        "深圳在哪个省？"
    )
    print(result)

    # GLM: 工具调用
    print("\n=== GLM-5 ===")
    result = call_glm_with_tools("北京今天天气怎么样？")
    print(result)

    # 流式输出
    print("\n=== 流式输出 (Qwen) ===")
    stream_response("qwen/qwen3.5-flash", "讲一个程序员的笑话")

八、常见问题

延伸阅读