BigModel API 第一步：密钥、请求与提示词放置

很多开发者拿到 GLM 的 API Key 之后卡在第一步：请求格式怎么写、提示词该放 system 还是 user、thinking 模式怎么开。这篇文章按真实调用顺序把链路走一遍——建密钥、发请求、放提示词，每个环节都给出可直接复制的模板，照着粘贴就能跑通。

一、拿到密钥：BigModel 控制台的正确姿势

登录 BigModel 开放平台（bigmodel.cn）控制台，在「API 密钥」页面创建密钥。几个实操要点：

• 密钥只在创建时完整展示一次，立即复制保存到本地环境变量，不要写死在代码里；
• 建议为不同项目分别建密钥，方便在用量页面按密钥排查消耗；
• 本地开发时用环境变量加载：

bash
export ZHIPUAI_API_KEY="你的密钥"

计费方式、免费额度与各模型定价随版本调整，调用前以官方页面为准。

二、第一条请求：接口地址与报文结构

BigModel API 兼容业界通用的 chat/completions 风格报文。先用 curl 验证链路：

bash
curl -s https://open.bigmodel.cn/api/paas/v4/chat/completions \
  -H "Authorization: Bearer $ZHIPUAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-4.6",
    "messages": [
      {"role": "user", "content": "用一句话解释什么是递归"}
    ]
  }'

几个容易踩的坑：Authorization 头要用 Bearer 前缀；model 字段填你在模型广场确认的模型名，GLM 系列版本迭代较快，具体可用模型名以官方文档为准；如果走 Python，官方 SDK 与 OpenAI 兼容写法都可以，把 base_url 指向 BigModel 即可。

三、提示词放在哪：system 与 user 的分工

GLM 系列对提示词位置的响应与主流模型一致：system 存放长期规则与人设，user 存放当次任务输入。常见错误是把「请扮演资深翻译、输出仅保留译文」这类规则塞进 user——每次请求都重复一遍，且优先级不如 system 稳定。

下面是一份可复制的 system + user 模板，用于结构化中文文本处理：

【system】
你是一名严谨的中文文本编辑，规则如下：
1. 只修改错别字、标点和明显的语病，不改变原意与语气；
2. 输出仅包含修改后的文本，不要任何解释、前缀或 Markdown 包裹；
3. 若无需修改，原样返回输入。

【user】
{{待处理文本}}

配合 GLM 的 thinking 深度思考模式，适合逻辑推理类任务。开启方式通常是在请求中传入思考相关参数（不同版本的参数名有差异，以官方 API 文档为准）：

【system】
你是一名算法工程师。收到题目后先在思考中列出边界条件与时间复杂度分析，再给出最终代码。最终答案部分用 Python 实现，包含函数签名、完整逻辑和一个测试用例，不要输出与题目无关的内容。

【user】
题目：{{算法题面}}

要点：把「推理过程与最终答案分离」的要求写进 system，thinking 模式下的输出结构会稳定得多；编码场景下 GLM 系列的推理与代码能力是其强项，模板里明确指定语言和测试用例能显著降低返工。

四、多模态与进阶：GLM-4V 与参数建议

需要图片理解时，使用 GLM-4V 系列模型，报文里 content 改为数组形式，图片以 URL 方式传入（具体字段格式以官方文档为准）。一个可复制的视觉问答模板：

【system】
你是图像内容审核助手。对图片逐一检查以下维度并输出 JSON：
{"has_text": bool, "text_summary": str, "contains_person": bool, "risk_level": "low|medium|high"}
只输出 JSON，不要多余文字。

【user】
（附图片）请按规则分析这张图。

参数层面给三条经验：温度（temperature）处理事实与代码类任务建议压低；max_tokens 在开 thinking 时要给足余量，否则思考被截断、答案质量下降；流式输出（stream）做交互界面时必开，长推理等待感会小很多。

五、和 GPT/Claude/Kimi/DeepSeek 的差异怎么影响调用

从调用层看，GLM 与这些模型都是 chat/completions 风格，迁移成本主要在提示词习惯上：中文语料占比高，中文指令遵循表现稳定，很多场景无需英文重写提示词；DeepSeek 用户迁过来会发现 thinking 参数思路相近；Coding Plan 套餐面向高频编码调用，配 Claude Code 等工具时按官方接入文档配置即可。开源权重侧，GLM 系列提供开放权重可供本地部署，线上 API 与本地部署的提示词模板可以复用同一套，只需替换接入端点。

跑通第一条请求只是起点。建议把这个流程固化成你自己的调用脚手架：密钥进环境变量、system 模板入库、每个项目单独一个密钥便于核算。之后无论是接 GLM-4V 做多模态，还是开 thinking 啃硬题，都只是在这个骨架上换模型名和提示词的事。