> ## Documentation Index
> Fetch the complete documentation index at: https://evolink.ai/docs/llms.txt
> Use this file to discover all available pages before exploring further.
# API tous modèles GLM - Démarrage rapide Messages
> - Appelez les modèles de la série GLM via le protocole Anthropic Messages, le modèle précis étant choisi avec le paramètre `model`
- Les trois paramètres `model`, `max_tokens` et `messages` suffisent (`max_tokens` est obligatoire dans le protocole Anthropic)
- Fenêtre de contexte de 1M tokens sur toute la série, jusqu'à 131 072 tokens en sortie
- La **réflexion est active par défaut** sur toute la série : le `content` de la réponse contient un bloc `type="thinking"`, comptabilisé dans les tokens de sortie
- Pour le streaming, les appels d'outils, l'entrée image et les autres capacités, consultez la page « Référence complète »
**BaseURL** : la BaseURL par défaut est `https://direct.evolink.ai`, qui offre une meilleure prise en charge des modèles textuels et des connexions de longue durée. `https://api.evolink.ai` est le point de terminaison principal pour les services multimodaux et sert d'adresse de repli pour les modèles textuels.
**La série GLM active la réflexion par défaut** : le tableau `content` de la réponse contient un bloc `type="thinking"`, comptabilisé dans les tokens de sortie. `max_tokens` ne doit donc pas être trop faible ; 1024 au minimum est recommandé, faute de quoi la réponse peut être tronquée avant la fin de la réflexion et vous n'obtenez pas le texte de réponse.
## OpenAPI
````yaml fr/api-manual/language-series/glm/messages/messages-quickstart.json POST /v1/messages
openapi: 3.1.0
info:
title: API tous modèles GLM - Démarrage rapide Messages
description: >-
Exemple de démarrage rapide pour appeler les modèles de texte Zhipu GLM via
le protocole Anthropic Messages. `model`, `max_tokens` et `messages`
suffisent pour lancer une conversation ; pour l'ensemble des paramètres,
consultez la page « Référence complète ».
license:
name: MIT
version: 1.0.0
servers:
- url: https://direct.evolink.ai
description: Production (recommandée, meilleure prise en charge des modèles textuels)
- url: https://api.evolink.ai
description: URL alternative
security:
- bearerAuth: []
tags:
- name: Messages
description: Points de terminaison du protocole Anthropic Messages
paths:
/v1/messages:
post:
tags:
- Messages
summary: Conversation rapide GLM (tous modèles, compatible Anthropic)
description: >-
- Appelez les modèles de la série GLM via le protocole Anthropic
Messages, le modèle précis étant choisi avec le paramètre `model`
- Les trois paramètres `model`, `max_tokens` et `messages` suffisent
(`max_tokens` est obligatoire dans le protocole Anthropic)
- Fenêtre de contexte de 1M tokens sur toute la série, jusqu'à 131 072
tokens en sortie
- La **réflexion est active par défaut** sur toute la série : le
`content` de la réponse contient un bloc `type="thinking"`, comptabilisé
dans les tokens de sortie
- Pour le streaming, les appels d'outils, l'entrée image et les autres
capacités, consultez la page « Référence complète »
operationId: glmMessagesQuick
requestBody:
required: true
content:
application/json:
schema:
$ref: '#/components/schemas/CreateMessageQuickRequest'
examples:
simple:
summary: Appel minimal
value:
model: glm-5.3
max_tokens: 1024
messages:
- role: user
content: Bonjour, présentez-vous en une phrase
flash:
summary: Passer au modèle léger
description: >-
`glm-5.3-flash` coûte bien moins cher que `glm-5.3` et
convient aux appels fréquents.
value:
model: glm-5.3-flash
max_tokens: 1024
messages:
- role: user
content: Expliquez en une phrase ce qu'est HTTP
multi_turn:
summary: Conversation multi-tours
value:
model: glm-5.3
max_tokens: 1024
messages:
- role: user
content: >-
Recommandez un langage de programmation adapté aux
débutants
- role: assistant
content: >-
Je recommande Python : syntaxe concise et écosystème
riche.
- role: user
content: Combien de temps faut-il environ pour l'apprendre ?
responses:
'200':
description: Objet message
content:
application/json:
schema:
$ref: '#/components/schemas/MessageResponse'
examples:
with_thinking:
summary: Inclut par défaut un bloc de contenu thinking
value:
id: msg_0842a705-9d0b-4eaa-b12d-09a4106326c5
type: message
role: assistant
model: glm-5.3
content:
- type: thinking
thinking: >-
L'utilisateur demande de saluer en un seul mot, il
suffit de répondre « Hi ».
signature: ''
- type: text
text: Hi.
stop_reason: end_turn
usage:
input_tokens: 18
output_tokens: 101
cache_creation_input_tokens: 0
cache_read_input_tokens: 0
prompt_tokens_details:
cached_tokens: 0
tool_use:
summary: Déclenche un appel d'outil (stop_reason=tool_use)
value:
id: msg_067e85db-53df-43a1-bd38-09c53375f2f0
type: message
role: assistant
model: glm-5.3
content:
- type: tool_use
id: toolu_36b8a98e284c426799f08612
name: get_weather
input:
city: Tokyo
stop_reason: tool_use
usage:
input_tokens: 161
output_tokens: 11
cache_creation_input_tokens: 0
cache_read_input_tokens: 0
prompt_tokens_details:
cached_tokens: 0
'400':
description: Paramètres de requête invalides
content:
application/json:
schema:
$ref: '#/components/schemas/ErrorResponse'
example:
type: error
request_id: req_xxx
error:
type: invalid_request_error
message: Invalid request
'401':
description: Erreur d'authentification
content:
application/json:
schema:
$ref: '#/components/schemas/ErrorResponse'
example:
type: error
error:
type: authentication_error
message: Authentication error
'402':
description: Quota insuffisant
content:
application/json:
schema:
$ref: '#/components/schemas/ErrorResponse'
example:
type: error
error:
type: billing_error
message: Insufficient quota
'403':
description: Erreur de permission
content:
application/json:
schema:
$ref: '#/components/schemas/ErrorResponse'
example:
type: error
error:
type: permission_error
message: Permission denied
'404':
description: Modèle ou ressource introuvable
content:
application/json:
schema:
$ref: '#/components/schemas/ErrorResponse'
example:
type: error
error:
type: not_found_error
message: Model not found
'429':
description: Limite de fréquence
content:
application/json:
schema:
$ref: '#/components/schemas/ErrorResponse'
example:
type: error
error:
type: rate_limit_error
message: Rate limited
'500':
description: Erreur interne du serveur
content:
application/json:
schema:
$ref: '#/components/schemas/ErrorResponse'
'502':
description: Erreur du service en amont
content:
application/json:
schema:
$ref: '#/components/schemas/ErrorResponse'
'503':
description: Service temporairement indisponible
content:
application/json:
schema:
$ref: '#/components/schemas/ErrorResponse'
components:
schemas:
CreateMessageQuickRequest:
title: Create Message Quick Request
type: object
required:
- model
- max_tokens
- messages
properties:
model:
type: string
description: >
Modèle à appeler :
| ID du modèle | Positionnement |
|---|---|
| `glm-5.3` | Modèle phare, progression générale sur l'ingénierie
logicielle complexe et les tâches d'agent ; contexte de 1M |
| `glm-5.3-flash` | Modèle multimodal léger, coût très faible,
entrée image native ; contexte de 1M |
| `glm-5.2` | Modèle phare de la génération précédente, raisonnement
complexe et contexte très long ; contexte de 1M |
enum:
- glm-5.3
- glm-5.3-flash
- glm-5.2
default: glm-5.3
example: glm-5.3
max_tokens:
type: integer
description: >-
Nombre maximal de tokens générés pour cette requête ;
**obligatoire** dans le protocole Anthropic.
Remarque : la série GLM active la réflexion par défaut, et le
contenu de réflexion consomme aussi des tokens de sortie. Cette
valeur ne doit donc pas être trop faible — 1024 au minimum est
recommandé.
minimum: 1
maximum: 131072
default: 1024
example: 1024
messages:
type: array
description: >-
Liste des messages de la conversation, dans l'ordre chronologique.
Au moins un message est requis.
minItems: 1
items:
$ref: '#/components/schemas/MessageSimple'
MessageResponse:
type: object
description: Réponse de message au style Anthropic
properties:
id:
type: string
description: 'ID unique du message (format : `msg_`)'
type:
type: string
enum:
- message
description: Type d'objet de réponse
role:
type: string
enum:
- assistant
model:
type: string
description: Modèle réellement utilisé
example: glm-5.3
content:
type: array
description: >-
Liste des blocs de contenu de la réponse
**Types de blocs possibles** :
- `thinking` : processus de raisonnement (lorsque la réflexion est
activée, par défaut)
- `text` : texte de la réponse finale
- `tool_use` : appel d'outil initié par le modèle
items:
$ref: '#/components/schemas/OutputContentBlock'
stop_reason:
type: string
description: >-
Raison de l'arrêt
- `end_turn` : fin naturelle (renvoyé également lorsqu'une séquence
stop_sequences est rencontrée)
- `max_tokens` : limite max_tokens atteinte
- `tool_use` : le modèle a déclenché un appel d'outil
enum:
- end_turn
- max_tokens
- tool_use
usage:
$ref: '#/components/schemas/AnthropicUsage'
ErrorResponse:
type: object
properties:
type:
type: string
enum:
- error
error:
type: object
properties:
type:
type: string
description: >-
Type d'erreur (par ex. invalid_request_error /
authentication_error / billing_error, etc.)
message:
type: string
description: Description de l'erreur
request_id:
type: string
description: ID de suivi de la requête
MessageSimple:
title: Message
type: object
required:
- role
- content
properties:
role:
type: string
enum:
- user
- assistant
description: >-
Rôle du message
- `user` : entrée de l'utilisateur
- `assistant` : réponse du modèle (incluse lors des conversations
multi-tours)
Transmettez l'invite système via le champ `system` de premier
niveau, et non dans `messages`.
example: user
content:
type: string
description: Contenu du message (texte brut)
example: Bonjour, présentez-vous en une phrase
OutputContentBlock:
type: object
description: Bloc de contenu dans la réponse
properties:
type:
type: string
enum:
- text
- thinking
- tool_use
text:
type: string
description: Texte lorsque type=`text`
thinking:
type: string
description: Texte du processus de raisonnement lorsque type=`thinking`
signature:
type: string
description: Signature lorsque type=`thinking` (peut être une chaîne vide)
id:
type: string
description: ID de l'appel d'outil lorsque type=`tool_use`
name:
type: string
description: Nom de l'outil lorsque type=`tool_use`
input:
type: object
description: >-
Arguments d'entrée JSON générés par le modèle lorsque
type=`tool_use`
AnthropicUsage:
type: object
description: Statistiques d'utilisation des tokens (spécification Anthropic)
properties:
input_tokens:
type: integer
description: Nombre de tokens en entrée (partie non trouvée en cache)
example: 18
output_tokens:
type: integer
description: Nombre de tokens en sortie (y compris la réflexion)
example: 101
cache_creation_input_tokens:
type: integer
description: >-
Nombre de tokens d'entrée écrits dans le cache (toujours 0 pour la
série GLM)
example: 0
cache_read_input_tokens:
type: integer
description: >-
Nombre de tokens d'entrée trouvés en cache (lors d'une touche du
cache implicite, environ la longueur du préfixe commun)
example: 0
prompt_tokens_details:
type: object
description: >-
Détail des tokens d'entrée (champs de cache, également renvoyés par
la série GLM)
properties:
cached_tokens:
type: integer
description: Nombre de tokens d'entrée trouvés en cache
example: 0
securitySchemes:
bearerAuth:
type: http
scheme: bearer
description: >-
##Toutes les API nécessitent une authentification par Bearer Token##
**Obtenir une clé API** :
Visitez la [page de gestion des clés
API](https://evolink.ai/dashboard/keys) pour obtenir votre clé API
**Ajouter à l'en-tête de requête** :
```
Authorization: Bearer YOUR_API_KEY
```
**Remarque** : EvoLink applique une authentification unifiée par Bearer
Token pour `/v1/messages`.
````