文本生成

功能描述

文本生成支持基于用户输入的文本提示 Prompt ，生成符合语境、逻辑连贯的续写内容，或直接创作全新文本。无论是长文创作，还是特定风格的内容生成，均能通过简洁的 API 调用实现，且兼容 OpenAI 风格接口，降低开发者接入成本。

功能特点：

多场景适配：支持文案创作、代码生成、内容摘要等多类场景
风格可控：可通过参数精准控制生成内容的随机性、长度、语气风格
无缝集成：兼容主流开发框架 LangChain 、 LlamaIndex 等），支持函数调用、工具链扩展
高效响应：支持流式输出 Stream ，减少等待时间，提升交互体验

模力方舟集成了多种高性能文本生成模型，您可以在 AI 模型广场中了解其特性并体验效果，也可以通过基础文本生成示例快速上手。

快速上手：基础文本生成示例

示例一：通过 curl 快速使用大模型能力

一些框架、插件封装度较高，curl 可清晰了解请求路径、参数的原始情况：

Bash
JavaScript

curl https://api.moark.com/v1/chat/completions \
      -H "Content-Type: application/json" \
      -H "Authorization: Bearer 您的访问令牌" \
      -d '{
        "model": "Qwen2.5-72B-Instruct",
        "stream": false,
        "messages": [
          {
            "role": "system",
            "content": "你是聪明的助手"
          },
          {
            "role": "user",
            "content": "老鼠生病了可以吃老鼠药治好吗？"
          }
        ]
      }'

async function query(data) {
  
    const response = await fetch('https://api.moark.com/v1/chat/completions', {

        headers: {
            Authorization: 'Bearer xxxxx',
            'Content-Type': 'application/json',
        },
        method: 'POST',
        body: JSON.stringify(data),
    });
    const result = await response.json();
    return result;
}

query({
  "messages": [
    {
      "role": "system",
      "content": "你是聪明的助手"
    },
    {
      "role": "user",
      "content": "老鼠生病了可以吃老鼠药治好吗？"
    }
  ],
  "model": "Qwen2.5-72B-Instruct",
  "stream": false,
  "max_tokens": 512,
  "temperature": 0.7,
  "top_p": 0.7,
  "frequency_penalty": 1
}).then((response) => {
  console.log(JSON.stringify(response));
});

AI 模型响应：

{
	"id": "chat-476266af435142d2bb7d342ea54694f2",
	"object": "chat.completion",
	"created": 1731401912,
	"model": "Qwen2.5-72B-Instruct",
	"choices": [{
		"index": 0,
		"message": {
			"role": "assistant",
			"content": "不可以。老鼠药是用于杀死老鼠的毒药，而不是治疗老鼠的疾病。如果老鼠生病了，应该寻求兽医的帮助。",
			"tool_calls": []
		},
		"logprobs": null,
		"finish_reason": "stop",
		"stop_reason": null
	}],
	"usage": {
		"prompt_tokens": 27,
		"total_tokens": 57,
		"completion_tokens": 30
	},
	"prompt_logprobs": null
}

示例二：使用 OpenAI 客户端调用模力方舟模型 API

模力方舟的 Serverless API 兼容开发者喜爱且社区流行的 OpenAI 风格 API。

所有支持 OpenAI API 的工具都可以直接使用模力方舟的 Serverless API 工作。

获取访问凭证：登录模力方舟控制台，在 工作台 -> 访问令牌 中创建访问令牌。
安装客户端：以 OpenAI 客户端为例，首先安装依赖：

pip install openai -i https://mirrors.cloud.tencent.com/pypi/simple

如果您有 javascript 经验可使用 OpenAI nodejs 客户端

通过简单接口调用，生成指定内容：

python
from openai import OpenAI
import json

base_url = "https://api.moark.com/v1"

model_name = "Qwen2.5-72B-Instruct"

# https://moark.com/dashboard/settings/tokens 获取您的访问令牌
GITEE_AI_API_KEY = "您的访问令牌"
client = OpenAI(base_url=base_url, api_key=GITEE_AI_API_KEY)

completion = client.chat.completions.create(
    model=model_name, # 指定模型名称 例如 Qwen2.5-72B-Instruct，可访问 https://moark.com/serverless-api  查看
    stream=True,
    temperature=0.7,
    top_p=0.95,
    frequency_penalty=1.05,
    messages=[
        {"role": "system", "content": "你是一个有用的助手。"},
        {"role": "user", "content": "写一个 python 简明教程"}
    ]
)

for chunk in completion:
    print(chunk.choices[0].delta.content, end="")

除了纯文本，您还可以让模型以 JSON 格式返回结构化数据 —— 此功能称为 结构化输出 ，在模力方舟中可通过 guided_json 参数实现。

流式响应

对于长文本生成，启用流式响应 stream=True 可实时获取结果，减少等待时间：

python
from openai import OpenAI

# 初始化客户端
client = OpenAI(
    base_url="https://api.moark.com/v1",
    api_key="您的访问令牌"
)

stream = client.chat.completions.create(
    model="Qwen2.5-72B-Instruct",# 替换成指定模型名称
    messages=[
        {"role": "user", "content": "写一段关于人工智能发展历程的短文"}
    ],
    stream=True,  # 启用流式输出
    temperature=0.6
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

更多示例代码您可参考模力方舟示例代码仓库。

核心参数说明

tool_choice：支持 auto 由模型自动选择工具，也支持强制选择工具，写法如下：

"tool_choice": {"type": "function", "function": {"name": "function_name"}},

guided_json：让模型以指定的 JSON Schema 响应。不建议与 tools、guided_json 同时传入。

JSON Schema 更多信息可参阅：JSON Schema
guided_choice: 让模型选择提供的字符串列表之一，不建议与 tools、guided_json 同时传入。

例如判断用户输入正负面性可传入：

"guided_choice": ["正面", "负面", "中性"]

其他参数详见接口文档

模型选择

通过 API 生成内容时，一个关键选择是您想要使用的模型，即上述代码示例中的 model 参数。您可以在模型广场找到可用模型的完整列表。选择文本生成模型时，需要考虑以下几个因素：

任务场景适配

通用文本创作：如文案撰写、故事续写，优先选语言理解与生成能力均衡的模型，适配日常多样化表达需求
专业领域任务：代码生成、数学推理等场景，需聚焦模型在对应领域的专项能力，像代码逻辑推导、公式运算精度
长文本处理：万字级文档生成，关注模型上下文窗口（如 32K、128K 等），确保完整承接信息逻辑

功能特性需求

工具调用能力：需结合外部系统（如函数调用、多模态工具），优先选标注 “Function Calling” 的模型（如 kimi-k2-instruct、Qwen2.5-72B-Instruct），实现与业务系统深度交互
多语言支持：涉及中英双语或小语种，关注 “多语言” 标签模型（如 ERNIE-4.5-Turbo ），保障跨语言文本质量

选型实践建议

快速验证：先用免费模型（如 Qwen3-8B、Qwen3-4B ）跑通流程，验证任务可行性
场景深化：聚焦核心需求（如长文本选 kimi-k2-instruct 、专业推理选 DeepSeek-R1 ），迁移至对应模型优化效果

结合以上考虑因素，可根据实际业务的文本场景复杂度、功能依赖等精准匹配模力方舟模型广场中的模型，提升文本生成效率与质量。

提示工程

提示工程是为模型编写有效指令的过程，目的是让模型持续生成符合需求的内容。由于模型生成具有非确定性，构建精准提示词需结合艺术与科学，但通过技术和最佳实践可稳定获取优质结果。

核心原则-模型适配性：不同模型、同系列不同版本对提示的响应存在差异。

消息角色与指令遵循

通过 instructions 参数或消息角色，可分层向模型注入指令，控制响应逻辑。

instructions 参数：全局指令优先级

instructions 为模型提供高级指令（语气、目标、示例等），优先级高于 input 内容。

javascript
import OpenAI from 'openai';
const client = new OpenAI({
 baseURL: 'https://api.moark.com/v1',
 apiKey: '您的模力方舟API密钥',
});

const response = await client.responses.create({
 model: '对应模型名称',
 // 定义全局风格/规则
 instructions: '用老奶奶的语气说话，带点生活化的比喻和慈祥的唠叨',
 input: 'JavaScript中的分号是可选的吗？',
});

console.log(response.output_text);
// 示例输出："哎哟孩子啊，JavaScript里这个分号嘛，就像咱们包饺子放盐——可放可不放！不过奶奶跟你说啊，该放的时候还是得放，不然煮出来容易破皮（出bug）哩！"

消息角色：精细化场景控制

结合 system 、user、 assistant 角色，可更灵活定义交互逻辑。

若需深度定制 AI 人设（如二次元风格、专业助手），可扩展阅读：定制AI的聊天角色风格

提示词格式化技巧

通过 Markdown 和 XML 标签增强提示词结构，帮助模型理解逻辑边界，提升输出准确性。

推荐结构（developer 消息）：

身份：描述助手的角色、沟通风格和目标
指令：明确规则（必做 / 禁止事项）
示例：提供输入输出样例
上下文：补充私有数据或相关信息（建议放末尾，便于动态替换）

示例：代码生成提示词

# 身份
你是一名编码助手，帮助在JavaScript代码中强制使用蛇形命名法变量，并编写可在Internet Explorer 6中运行的代码。

# 指令
定义变量时，使用蛇形命名法（例如my_variable）而不是驼峰命名法（例如myVariable）。
为了支持旧浏览器，使用较旧的"var"关键字声明变量。
不要用Markdown格式回应，只需按要求返回代码。

# 示例
<user_query>
如何声明一个用于名字的字符串变量？
</user_query>

<assistant_response>
var first_name = "安娜";
</assistant_response>

少样本学习

通过在提示词中包含少量输入 / 输出示例，引导模型快速掌握任务（无需微调）。模型会隐式学习示例中的模式并应用于新输入。

示例：情感分类任务

# 身份
你是一个有帮助的助手，将简短的产品评论标记为正面、负面或中性。

# 指令
* 响应中只输出一个单词，不包含额外格式或评论。
* 你的响应只能是"正面"、"负面"或"中性"中的一个。

# 示例
<product_review id="example-1">
我非常喜欢这副耳机——音质太棒了！
</product_review>

<assistant_response id="example-1">
正面
</assistant_response>

<product_review id="example-2">
电池续航还行，但感觉很廉价。
</product_review>

<assistant_response id="example-2">
中性
</assistant_response>

<product_review id="example-3">
客户服务太糟糕了，我再也不会从他们那里买东西了。
</product_review>

<assistant_response id="example-3">
负面
</assistant_response>

函数调用与提示词结合

当提示词需要外部数据（如实时天气、数据库查询）时，可通过函数调用扩展模型能力。模型会根据提示词判断是否调用工具、调用哪个工具及参数，客户端执行后返回结果即可。

详细实现方法可参考: 函数调用

上下文与性能优化

上下文窗口规划模型可处理的最大数据量有限，称为上下文窗口：

不同模型支持的窗口大小不同
长文本处理建议：分段输入、使用摘要工具压缩上下文

提示词缓存优化将重复使用的固定内容（如系统指令）放在提示词开头，利用缓存减少计算成本：

python
# 高效结构：固定内容在前，动态内容在后
messages = [
    {"role": "system", "content": "固定的系统指令，如'你是电商客服，需礼貌回答订单问题'"},  # 可被缓存
    {"role": "user", "content": "动态用户输入：我的订单12345什么时候发货？"}           # 实时处理
]

功能描述​

快速上手：基础文本生成示例​

示例一：通过 curl 快速使用大模型能力​

示例二：使用 OpenAI 客户端调用模力方舟模型 API​

流式响应​

核心参数说明​

模型选择​

任务场景适配​

功能特性需求​

选型实践建议​

提示工程​

消息角色与指令遵循​

提示词格式化技巧​

少样本学习​

函数调用与提示词结合​

上下文与性能优化​