Kimi K2 Thinking API-Leitfaden: Multi-Step-Agenten ohne Verlust des Reasoning-Zustands aufbauen

TL;DR

• Verwenden Sie kimi-k2-thinking, wenn Sie ein dediziertes Always-Thinking-Modell für Multi-Step-Agenten möchten.
• Verwenden Sie kimi-k2.5, wenn Sie eine flexiblere Standardoption benötigen, bei der Thinking aktiviert oder deaktiviert werden kann.
• Bewahren Sie reasoning_content im Kontext, setzen Sie max_tokens auf mindestens 16000, halten Sie temperature bei 1.0, und bevorzugen Sie Streaming.
• Moonshoots geprüfte Dokumentation unterstützt eindeutig mehrstufige Tool-Calls, veröffentlicht jedoch kein stabiles öffentliches „300-Schritt"-Kontingent auf den für diese Überarbeitung verwendeten Seiten – Ihre Anwendung sollte daher eigene Schleifenlimits durchsetzen.

Was Moonshoots aktuelle Dokumentation tatsächlich bestätigt

Welche Kimi-Route sollten Sie wählen?

Das Implementierungsdetail, das die meisten Leitfäden übersehen

Das ist wichtig, weil ein Multi-Step-Agent keine einzelne Anfrage ist. Es ist eine Schleife:

1. Das Modell denkt nach.
2. Das Modell ruft ein Tool auf.
3. Ihre Anwendung führt das Tool aus.
4. Das Modell denkt erneut nach, diesmal unter Berücksichtigung des vorherigen Tool-Ergebnisses.

Minimale Multi-Step-Agenten-Schleife

Dieses Beispiel ist bewusst klein gehalten. Es soll den Kontrollfluss zeigen, der für Kimis Thinking-Modelle entscheidend ist.

import json
import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.moonshot.ai/v1",
    api_key=os.environ["MOONSHOT_API_KEY"],
)

tools = [
    {
        "type": "function",
        "function": {
            "name": "search_docs",
            "description": "Search internal product documentation",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string"}
                },
                "required": ["query"]
            }
        }
    }
]

messages = [
    {"role": "system", "content": "You are a careful research agent."},
    {"role": "user", "content": "Find the API limits for our billing service and summarize the risks."},
]

for _ in range(8):
    completion = client.chat.completions.create(
        model="kimi-k2-thinking",
        messages=messages,
        tools=tools,
        tool_choice="auto",
        temperature=1.0,
        max_tokens=16000,
    )

    message = completion.choices[0].message

    # Preserve the assistant turn exactly, including reasoning_content when present.
    messages.append(message.model_dump(exclude_none=True))

    if not message.tool_calls:
        print(message.content)
        break

    for tool_call in message.tool_calls:
        args = json.loads(tool_call.function.arguments)

        if tool_call.function.name == "search_docs":
            result = {"matches": ["rate_limit=500 rpm", "burst_limit=1000 rpm"]}
        else:
            result = {"error": "unknown tool"}

        messages.append(
            {
                "role": "tool",
                "tool_call_id": tool_call.id,
                "name": tool_call.function.name,
                "content": json.dumps(result),
            }
        )

Vier Regeln, die mehr zählen als Modell-Marketing

Zwei weitere Hinweise für den Produktionseinsatz sind erwähnenswert:

• Behandeln Sie die Schleifenlänge als Ihre eigene Richtlinie. Die geprüfte Dokumentation besagt, dass Kimi tiefes Reasoning über mehrere Tool-Calls hinweg unterstützt, veröffentlicht jedoch kein stabiles universelles öffentliches Schritt-Kontingent, das in einem Blogbeitrag fest codiert werden sollte.
• Validieren Sie Tool-Argumente, bevor Sie Nebeneffekte ausführen. Das ist Implementierungshinweis, keine Moonshot-Garantie – aber es ist der Unterschied zwischen einem nützlichen Agenten und einer kostspieligen Retry-Schleife.

Kimi K2 Thinking über EvoLink verwenden

Der einfachste Weg, auf Kimi K2 Thinking zuzugreifen, ohne Moonshot-Zugangsdaten direkt einzubinden, ist EvoLinks OpenAI-kompatibles Gateway.

from openai import OpenAI

client = OpenAI(
    base_url="https://api.evolink.ai/v1",
    api_key="YOUR_EVOLINK_API_KEY",
)

completion = client.chat.completions.create(
    model="kimi-k2-thinking",
    messages=[{"role": "user", "content": "Analyze the tradeoffs of event sourcing vs CRUD."}],
    temperature=1.0,
    max_tokens=16000,
)

Alternative: OpenClaw-Integration

Wenn Ihre Laufzeitumgebung OpenClaw ist und nicht eine direkte API oder ein EvoLink-Gateway, listet die Moonshot-Provider-Dokumentation von OpenClaw derzeit:

• moonshot/kimi-k2.5
• moonshot/kimi-k2-thinking
• moonshot/kimi-k2-thinking-turbo

Die dokumentierte Onboarding-Abkürzung lautet:

openclaw onboard --auth-choice moonshot-api-key
openclaw models list
openclaw models set moonshot/kimi-k2-thinking
openclaw models status

OpenClaw dokumentiert außerdem eine binäre native Thinking-Steuerung für Moonshot:

• /think off deaktiviert das Moonshot-Thinking
• Jeder Thinking-Level außer off wird auf thinking.type=enabled zurückgeführt

Das ist nützlich, wenn Sie ein einziges Gateway benötigen, das zwischen einem günstigeren Nicht-Thinking-Durchlauf und einem tieferen Reasoning-Durchlauf wechseln kann.

Ein sichereres Entscheidungsframework

FAQ

Ist Kimi K2 Thinking dasselbe wie Kimi K2.5?

Was bringt die meisten mehrstufigen Kimi-Agenten zum Scheitern?

Zählt reasoning_content zu den Tokens?

Sollte ich Thinking für jede einfache Aufgabe deaktivieren?

Kann ich Kimi K2 Thinking über EvoLink verwenden?

Kann ich Kimi K2 Thinking in OpenClaw verwenden?

Woher sollte ich Preisangaben beziehen?

Von Moonshoots aktuellen Preisseiten – nicht aus Drittanbieter-Benchmark-Tabellen oder älteren Vergleichsbeiträgen. Diese Überarbeitung verzichtet bewusst auf fest codierte Preisangaben, da sich diese schneller ändern als Modellverhalten-Dokumentation.

Kimi über ein einziges Gateway testen

Wenn Sie Kimi neben Claude, GPT und anderen agenten-freundlichen Modellen testen möchten, ohne jeden Anbieter einzeln einzubinden, nutzen Sie eine Gateway-Schicht und prüfen Sie die aktuell verfügbaren Routen, bevor Sie einen Kostenvergleich veröffentlichen.

Quellen

• Moonshot Thinking-Model-Leitfaden
• Moonshot API-Preisindex
• OpenClaw Moonshot-Provider-Dokumentation