Openai请求格式（通用） on 神马中转API_低价稳定中转API推荐

适用范围：♥ 所有模型

Mon, 01 Jan 0001 00:00:00 +0000

适用范围：♥ 所有模型 #

API 统一请求格式 #

所有模型（包括非OpenAI模型）的请求格式已统一为OpenAI格式。

功能特点 #

使用OpenAI请求格式可调用所有模型（Claude、Gemini、Doubao、Qwen等）
支持直接使用OpenAI SDK调用任意模型

基础信息 #

Base URL: https://api.whatai.cc
认证方式: API Key (替换为******)

Python示例代码 #

import openai

# 配置API密钥
openai.api_key = "******"  # 替换为你的实际API密钥
openai.api_base = "https://api.whatai.cc"  # 设置API基础地址

# 调用示例（以Claude模型为例）
response = openai.ChatCompletion.create(
    model="claude",  # 指定模型名称
    messages=[
        {"role": "user", "content": "你好"}
    ]
)

print(response.choices[0].message.content)

注意：实际使用时请将******替换为你的真实API密钥

普通文本对话（非流）

Mon, 01 Jan 0001 00:00:00 +0000

普通文本对话（非流） #

基础信息 #

接口地址: https://api.whatai.cc
认证方式: Bearer Token (API Key)

普通对话接口 #

POST 请求示例

import requests
import json

# 配置API参数
url = "https://api.whatai.cc/v1/chat/completions"  # API端点
payload = {
    "model": "gpt-4o-mini",  # 指定模型
    "messages": [
        {
            "role": "system",
            "content": "You are a helpful assistant."
        },
        {
            "role": "user",
            "content": "周树人和鲁迅是兄弟吗？"
        }
    ]
}
headers = {
    'Accept': 'application/json',
    'Authorization': 'sk-******',  # 替换为你的API Key
    'User-Agent': 'xxx/1.0.0',
    'Content-Type': 'application/json'
}

# 发送请求
response = requests.post(url, headers=headers, data=json.dumps(payload))
print(response.text)

使用OpenAI官方SDK #

from openai import OpenAI

# 初始化客户端
client = OpenAI(
    api_key="sk-******",  # 替换为你的API Key
    base_url="https://api.whatai.cc/v1"  # API中转地址
)

# 创建对话
chat_completion = client.chat.completions.create(
    messages=[
        {
            "role": "user",
            "content": "周树人和鲁迅是兄弟吗？",
        }
    ],
    model="o1",  # 指定模型
)

print(chat_completion)

注意事项 #

请妥善保管API Key，不要泄露

普通文本对话（流式输出）

Mon, 01 Jan 0001 00:00:00 +0000

普通文本对话（流式输出） #

基础信息 #

接口地址: https://api.whatai.cc
认证方式: Bearer Token (API Key)

请求参数 #

参数	类型	说明
model	string	模型名称(如gpt-4o-mini)
stream	boolean	是否开启流式输出
messages	array	对话消息列表

Python 请求示例 #

import json
import requests

# 配置请求参数
url = "https://api.whatai.cc/v1/chat/completions"
headers = {
    "Authorization": "Bearer sk-******",  # 替换为你的API Key
    "Content-Type": "application/json"
}
payload = {
    "model": "gpt-4o-mini",
    "stream": True,  # 开启流式输出
    "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "周树人和鲁迅是兄弟吗？"},
    ]
}

# 发送请求并处理流式响应
response = requests.post(url, headers=headers, json=payload, stream=True)
buffer = ""

for chunk in response.iter_content(chunk_size=None):
    if chunk:
        buffer += chunk.decode("utf-8")
        while "\n" in buffer:
            line, buffer = buffer.split("\n", 1)
            if not line.strip():  # 跳过空行
                continue
                
            if line.startswith("data: "):
                data_line = line[6:].strip()  # 去除"data: "前缀
                
                if data_line == "[DONE]":  # 流式结束标记
                    break
                    
                try:
                    data = json.loads(data_line)
                    # 提取并打印响应内容
                    content = data["choices"][0]["delta"].get("content", "")
                    print(content, end="", flush=True)
                except json.JSONDecodeError:
                    # 处理不完整JSON数据
                    buffer = line + "\n" + buffer
                    break

注意事项 #

请妥善保管API Key

固定格式化输出Json

Mon, 01 Jan 0001 00:00:00 +0000

固定格式化输出Json #

格式化输出接口说明 #

通过OpenAI API获取产品信息，返回JSON格式数据。

请求地址 #

POST https://api.whatai.cc/v1/chat/completions

请求参数 #

Headers #

参数名	类型	必填	说明
Authorization	string	是	API密钥，格式: `Bearer ******`
Content-Type	string	是	固定值: `application/json`

Body #

{
  "model": "gpt-4o-2024-08-06",
  "messages": [
    {
      "role": "system",
      "content": "根据给出的产品进行分析，按json格式用中文回答,json format:product_name, price, description."
    },
    {
      "role": "user",
      "content": "产品描述"
    }
  ],
  "response_format": {
    "type": "json_object"
  }
}

Python示例代码 #

from pydantic import BaseModel
from openai import OpenAI
from dotenv import load_dotenv
import json
from textwrap import dedent

# 加载环境变量，例如 API key 等配置信息
load_dotenv()

# 设置 OpenAI API 的工厂名称，默认为 "openai"
factory = "openai"

# 初始化 OpenAI 客户端，传入 API key 和 base URL
client = OpenAI(
    api_key="sk-*******************************",  # 替换为你的 API key
    base_url="https://api.whatai.cc/v1/"   # 这里是 base url，注意这里需要 /v1/
)

# 定义一个产品信息类，用于解析 API 返回的数据
class ProductInfo(BaseModel):
    product_name: str  # 产品名称，字符串类型
    price: float  # 价格，浮点数类型
    description: str  # 产品描述，字符串类型

# 定义一个提示信息，用于请求模型返回 JSON 格式的产品信息
product_prompt = '''根据给出的产品进行分析，按json格式用中文回答,json format:product_name, price, description.'''

# 获取产品信息的函数，传入用户的问题
def get_product_info(question: str):
    # 使用 OpenAI 客户端进行聊天模型的请求
    completion = client.beta.chat.completions.parse(
        model="gpt-4o-2024-08-06",  # 指定使用的模型
        messages=[
            {"role": "system", "content": dedent(product_prompt)},  # 发送系统消息，设置模型的行为
            {"role": "user", "content": question},  # 发送用户消息，用户提出问题
        ],
        response_format=ProductInfo,  # 指定返回的数据格式为 ProductInfo
    )

    # 返回模型解析的第一个选项的消息结果
    return completion.choices[0].message.parsed

# 初始化一个空的产品信息字典
product_inform = {}

# 定义将解析的结果转换为 JSON 的函数
def transform2JSON(parsed_result):
    # print(parsed_result)  # 打印解析结果

    # 将解析的结果存储到字典中
    product_inform["product_name"] = parsed_result.product_name
    product_inform["price"] = parsed_result.price
    product_inform["description"] = parsed_result.description

    # 将字典转换为 JSON 字符串并返回，ensure_ascii=False 允许中文字符正常显示
    return json.dumps(product_inform, ensure_ascii=False, indent=4)

# 定义用户输入的问题，即一个产品信息的描述
question = "75寸小米电视机"

# 调用函数获取产品信息
result = get_product_info(question)


# 将解析结果转换为 JSON 格式并打印
json_result = transform2JSON(result)
print(json_result)

返回示例 #

{
    "product_name": "小米电视75寸",
    "price": 4999.0,
    "description": "4K超高清画质，支持HDR，内置小爱同学语音助手"
}

注意事项 #

请妥善保管API密钥

embedding代码例子

Mon, 01 Jan 0001 00:00:00 +0000

embedding代码例子 #

基本概念 #

什么是Embedding？ #

Embedding（嵌入）是将离散数据（如单词、句子）映射到连续向量空间的技术。通过Embedding：

语义相似的文本在向量空间中距离更近
便于机器学习模型处理文本数据
典型应用：搜索、推荐、分类等场景

常见Embedding模型 #

text-embedding-3-small Openai主流emb模型
text-embedding-3-large
text-embedding-ada-002

技术特点 #

特性	说明
维度	通常为数百到数千维（如1024维）
归一化	多数Embedding会做L2归一化
距离度量	常用余弦相似度计算向量距离
多语言支持	现代模型通常支持多语言嵌入

请求地址 #

POST https://api.whatai.cc/v1/embeddings

认证方式 #

需要在请求头中添加 API Key：

headers = {
    "Authorization": "Bearer sk-******",  # 替换为你的API令牌
    "Content-Type": "application/json"
}

请求参数 #

参数名	类型	必填	说明
input	string/array	是	单条文本或文本列表
model	string	是	使用的模型名称
encoding_format	string	否	返回格式（float/base64）

请求示例 #

import openai

# 设置OpenAI API密钥和基础URL
openai.api_key = "sk-***************************"  # 替换为你的 key
openai.base_url = "https://api.whatai.cc/v1/"  #  这里是API的 base url，注意这里v1后面需要/，最后的 / 很容易漏掉。

def get_embedding(text):
    response = openai.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    return response.data[0].embedding

# 示例文本
text = "这是一个示例文本,用于演示如何获取文本嵌入。"

# 获取文本嵌入
embedding = get_embedding(text)

print(f"文本: {text}")
print(f"嵌入向量维度: {len(embedding)}")
print(f"嵌入向量前5个元素: {embedding[:5]}")

典型应用场景 #

语义搜索：通过向量相似度匹配查询和文档

网络图片解析

Mon, 01 Jan 0001 00:00:00 +0000

网络图片解析 #

接口说明 #

通过多模态AI模型分析图片内容，理解图片、提取图片信息，包括OCR功能。

主流图片分析模型 #

模型名称	描述
gpt-4o	目前图片分析调用量最大的模型，稳定、并发高
gemini-2.5-flash	谷歌旗舰模型，速度快，性价比好
claude-sonnet-4-20250514	图片分析做的不错，但性价比略差
doubao-1.5-vision-pro-250328	国内图片分析主流模型，性价比好，稳定、并发高

基础信息 #

Base URL: https://api.whatai.cc
请求方式: POST
Content-Type: application/json

接口地址 #

POST /v1/chat/completions

请求头 #

参数	类型	必填	说明
Authorization	string	是	Bearer token，格式：`Bearer ******`
Content-Type	string	是	固定值：`application/json`
User-Agent	string	否	客户端标识

请求参数 #

{
  "model": "gemini-2.0-flash-thinking-exp-1219",
  "messages": [
    {
      "role": "system",
      "content": [
        {"type": "text", "text": "你是一个图片分析助手。"}
      ]
    },
    {
      "role": "user",
      "content": [
        {
          "type": "image_url",
          "image_url": {
            "url": "图片URL"
          }
        },
        {
          "type": "text",
          "text": "分析提示词"
        }
      ]
    }
  ],
  "temperature": 0.1,
  "user": "whatai"
}

参数说明 #

参数	类型	必填	说明
model	string	是	模型名称，推荐：`gemini-2.5-flash` 或 `gpt-4o`
messages	array	是	消息内容数组
temperature	float	否	生成文本的随机性，0-1之间
user	string	否	用户标识

Python 调用示例 #

import requests

# API配置
BASE_URL = "https://api.whatai.cc/"
API_ENDPOINT = BASE_URL + "v1/chat/completions"
API_KEY = "sk-******"  # 替换为你的API密钥
IMAGE_URL = "https://api.whatai.cc/111.jpg"  # 替换为你的图片URL

def analyze_image(image_url, prompt):
    """
    图片分析函数
    :param image_url: 图片URL
    :param prompt: 分析提示词
    :return: 分析结果文本
    """
    payload = {
        "model": "gemini-2.0-flash-thinking-exp-1219",
        "messages": [
            {
                "role": "system",
                "content": [{"type": "text", "text": "你是一个图片分析助手。"}]
            },
            {
                "role": "user",
                "content": [
                    {"type": "image_url", "image_url": {"url": image_url}},
                    {"type": "text", "text": prompt}
                ]
            }
        ],
        "temperature": 0.1
    }
    
    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {API_KEY}"
    }

    try:
        response = requests.post(API_ENDPOINT, headers=headers, json=payload)
        response.raise_for_status()
        return response.json()["choices"][0]["message"]["content"]
    except Exception as e:
        print(f"请求失败: {e}")
        return None

# 使用示例
if __name__ == "__main__":
    result = analyze_image(IMAGE_URL, "请描述这张图片的内容")
    if result:
        print("分析结果:", result)

常见错误码 #

状态码	说明
400	请求参数错误，看看图片是不是太大了
500	服务器内部错误

本地图片解析

Mon, 01 Jan 0001 00:00:00 +0000

本地图片解析 #

接口说明 #

通过多模态AI模型分析图片内容，支持OCR和图片信息提取功能。

主流图片分析模型

模型名称	描述
gpt-4o	目前图片分析调用量最大的模型，稳定、并发高
gemini-2.5-flash	谷歌旗舰模型，速度快，性价比好
claude-sonnet-4-20250514	图片分析做的不错，但性价比略差
doubao-1.5-vision-pro-250328	国内图片分析主流模型，性价比好，稳定、并发高

本地图片分析预处理 #

需要先把本地图片转为 base64 再提交给模型。

参数说明 #

model: 指定使用的AI模型
messages: 包含用户指令和图片数据
temperature: 控制输出随机性(0-1)
image_url: 支持Base64编码的本地图片或网络图片URL

请求示例 #


import base64
import requests

def encode_image(image_path):
    """将本地图片编码为Base64字符串"""
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

# API配置
BASE_URL = "https://api.whatai.cc/"
API_ENDPOINT = BASE_URL + "v1/chat/completions"
API_KEY = "sk-******"  # 替换为你的API密钥

# 准备请求数据
image_data = encode_image("example.png")  # 本地图片路径

payload = {
    "model": "gpt-4o",  # 指定分析模型
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请分析图片内容"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{image_data}"
                    }
                }
            ]
        }
    ],
    "temperature": 0.1
}

headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {API_KEY}"
}

# 发送请求
response = requests.post(API_ENDPOINT, headers=headers, json=payload)
print(response.json())  # 输出响应结果

注意事项 #

图片需小于20MB

函数调用FunctionCall

Mon, 01 Jan 0001 00:00:00 +0000

函数调用FunctionCall #

概念介绍 #

函数调用(Function Calling\Tools Calling)是AI大模型的一种能力。允许大语言模型在对话过程中调用外部函数/工具。当用户提问需要实时数据(如天气、股票等)时，模型会返回函数调用请求，开发者可以在后端执行相应函数并返回结果。

API 基础信息 #

请求地址: https://api.whatai.cc/v1/chat/completions
请求方法: POST
认证方式: Bearer Token

请求示例 #

import http.client
import json

# 创建HTTPS连接
conn = http.client.HTTPSConnection("api.whatai.cc")

# 构造请求体
payload = json.dumps({
    "model": "gpt-4o",  # 指定模型
    "max_tokens": 300,  # 最大返回token数
    "temperature": 0.8,  # 生成结果的随机性控制
    "stream": False,  # 是否流式输出
    "messages": [{
        "role": "user",
        "content": "上海今天几度？"  # 用户提问
    }],
    "tools": [{  # 定义可用工具
        "type": "function",
        "function": {
            "name": "get_current_weather",  # 函数名称
            "description": "获得天气信息",  # 功能描述
            "parameters": {  # 参数定义
                "type": "object",
                "properties": {
                    "location": {  # 必填参数：地点
                        "type": "string",
                        "description": "城市和州名，例如：上海, 中国"
                    },
                    "unit": {  # 可选参数：温度单位
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"]
                    }
                },
                "required": ["location"]  # 必填参数列表
            }
        }
    }]
})

# 请求头设置
headers = {
    "Accept": "application/json",
    "Authorization": "Bearer sk-**********************",  # 替换为你的 API 令牌
    "Content-Type": "application/json"
}

# 发送请求
conn.request("POST", "/v1/chat/completions", payload, headers)

# 获取响应
res = conn.getresponse()
data = res.read()

# 输出结果
print(data.decode("utf-8"))

响应处理 #

当用户提问需要调用函数时，API会返回包含函数调用信息的JSON响应。开发者需要：

whisper使用示例

Mon, 01 Jan 0001 00:00:00 +0000

whisper使用示例 #

whisper 模型接口说明 #

该接口基于 Whisper 模型实现语音转文本功能，支持常见音频格式。

基础概念 #

Whisper模型: OpenAI 开源的语音识别模型，支持多语言转写
音频格式: 支持 mp3、wav、m4a 等常见格式

接口地址 #

POST https://api.whatai.cc/v1/audio/transcriptions

请求参数 #

参数名	类型	必填	说明
model	string	是	固定值 “whisper-1”
file	file	是	要转写的音频文件

请求头 #

Authorization: Bearer sk- **** **** **** **** **** * # 替换为你的 API 令牌

Python 调用示例 #

import json
import requests

def voice_to_text(file_path):
    """
    语音转文本功能
    
    参数:
        file_path: 音频文件路径
        
    返回:
        识别出的文本内容
    """
    url = "https://api.whatai.cc/v1/audio/transcriptions"
    
    # 构造请求参数
    payload = {"model": "whisper-1"}
    files = {"file": ("audio.mp3", open(file_path, "rb"))}
    
    # 设置请求头(请替换为你的API密钥)
    headers = {"Authorization": "Bearer sk-***************************"} # 替换为你的 API 令牌
    
    # 发送POST请求
    response = requests.post(url, headers=headers, data=payload, files=files)
    
    # 解析响应数据
    data = json.loads(response.text)
    
    # 返回识别结果
    return data.get("text", "")

# 使用示例
print(voice_to_text("audio.mp3"))  # 替换为你的音频文件路径

响应示例 #

成功响应:

gpt-tts

Mon, 01 Jan 0001 00:00:00 +0000

gpt-tts #

接口说明 #

提供基于 gpt-4o-mini-tts TTS 模型的文本转语音服务，支持多种音色选择。

基础概念 #

TTS(Text-to-Speech): 将文本转换为自然语音的技术
音色(Voice): 合成语音的声音特征，本API支持多种预设音色

请求地址 #

POST https://api.whatai.cc/v1/audio/speech

请求头 #

headers = {
    "Authorization": "Bearer ******",  # 替换为您的API密钥
    "Content-Type": "application/json"
}

请求参数 #

参数名	类型	必填	说明
model	string	是	固定值 “gpt-4o-mini-tts”
input	string	是	需要转换为语音的文本内容
voice	string	是	音色类型，如 “alloy”

Python 调用示例 #

import requests
import json

url = "https://api.whatai.cc/v1/audio/speech"
api_key = "******"  # 替换为您的API密钥

payload = {
    "model": "gpt-4o-mini-tts",
    "input": "我是API，欢迎使用语音合成服务",
    "voice": "alloy"
}

try:
    # 发送POST请求
    response = requests.post(url, 
                           headers={"Authorization": f"Bearer {api_key}"},
                           json=payload)
    
    # 检查响应状态
    response.raise_for_status()
    
    # 处理音频响应
    if response.headers["Content-Type"] in ("audio/mpeg", "audio/mp3"):
        with open("output.mp3", "wb") as f:
            f.write(response.content)  # 写入音频文件
        print("语音合成成功，已保存为output.mp3")
    else:
        print("错误响应:", response.text)

except Exception as e:
    print(f"请求出错: {e}")

响应说明 #

成功: 返回MP3格式的音频流，Content-Type为audio/mpeg

gpt文生图

Mon, 01 Jan 0001 00:00:00 +0000

gpt文生图 #

概念介绍 #

文生图(Text-to-Image)是一种通过自然语言描述生成对应图像的技术。本API基于OpenAI的GPT模型实现，支持多种图像生成模型和尺寸规格。

基础信息 #

请求方式: POST
Base URL: https://api.whatai.cc
接口路径: /v1/images/generations
认证方式: Bearer Token

请求参数 #

参数名	类型	必填	说明
prompt	string	是	图像描述文本
n	int	否	生成图片数量(默认1)
model	string	否	模型选择(默认gpt-image-1)
aspect_ratio	string	否	宽高比(如"16:9")
size	string	否	图像尺寸(如"1024x1536")
seed	int	否	随机种子(-1表示随机)

支持的模型 #

gpt-image-1: 基础模型(支持1024x1024,1024x1536,1536x1024)
seedream-3.0: 国内最强，豆包团队开发，即梦3 AI绘图大模型。
gpt-image-1: Openai GPT 的画图模型，文本理解与图像生成深度融合，适合文字驱动型创作
imagen4: 谷歌的绘图模型，对标 gpt-image
flux-kontext-max: Black Forest Labs推出商业级精度的图像生成，满足专业设计需求

gpt图生图

Mon, 01 Jan 0001 00:00:00 +0000

gpt图生图 #

概念介绍 #

本API提供图像编辑功能，支持：

单图修改：基于提示词对单张图片进行内容修改
多图合并：将多张图片按提示词要求合并处理

基础信息 #

请求方式：POST
Base URL：https://api.whatai.cc/v1/images/edits
认证方式：Bearer Token

单图修改示例

Python代码示例 #

import base64
import json
import requests

# API配置
url = "https://api.whatai.cc/v1/images/edits"
api_key = "sk-******"  # 替换为你的API密钥

headers = {
    "Authorization": f"Bearer {api_key}"
}

# 请求参数
payload = {
    "prompt": "给哪吒带上一个红色的鸭舌帽，风格保持不变",  # 编辑指令
    # "size": "1024x1024"  # 可选输出尺寸
}

# 准备图片文件
files = [
    ("image",  # 固定参数名
        ("nezha.png",  # 文件名
         open("/path/to/nezha.png", "rb"),  # 文件路径
         "image/png")  # 文件类型
    )
]

# 发送请求
response = requests.post(url, headers=headers, data=payload, files=files)

# 处理响应
if response.status_code == 200:
    try:
        data = response.json()
        
        # 提取base64编码的图片数据
        if data.get("data") and isinstance(data["data"], list):
            image_b64 = data["data"][0].get("b64_json")
            
            if image_b64:
                # 解码并保存图片
                with open("output.png", "wb") as f:
                    f.write(base64.b64decode(image_b64))
                print("图片保存成功")
            else:
                print("未获取到有效图片数据")
        else:
            print("响应数据结构异常")
    except json.JSONDecodeError:
        print("JSON解析失败")
else:
    print(f"请求失败: {response.status_code}")

参数说明 #

参数名	必选	类型	说明
image	是	file	要编辑的图片文件
prompt	是	string	编辑指令描述
size	否	string	输出图片尺寸，如"1024x1024"

响应格式 #

成功响应示例：

Openai请求格式（通用） on 神马中转API_低价稳定中转API推荐

适用范围：♥ 所有模型

适用范围：♥ 所有模型 #

API 统一请求格式 #

功能特点 #

基础信息 #

Python示例代码 #

普通文本对话（非流）

普通文本对话（非流） #

基础信息 #

普通对话接口 #

使用OpenAI官方SDK #

注意事项 #

普通文本对话（流式输出）

普通文本对话（流式输出） #

基础信息 #

请求参数 #

Python 请求示例 #

注意事项 #

固定格式化输出Json

固定格式化输出Json #

格式化输出 接口说明 #

请求地址 #

请求参数 #

Headers #

Body #

Python示例代码 #

返回示例 #

注意事项 #

embedding代码例子

embedding代码例子 #

基本概念 #

什么是Embedding？ #

常见Embedding模型 #

技术特点 #

请求地址 #

认证方式 #

请求参数 #

请求示例 #

典型应用场景 #

网络图片解析

网络图片解析 #

接口说明 #

主流图片分析模型 #

基础信息 #

接口地址 #

请求头 #

请求参数 #

参数说明 #

Python 调用示例 #

常见错误码 #

本地图片解析

本地图片解析 #

接口说明 #

本地图片分析预处理 #

参数说明 #

请求示例 #

注意事项 #

函数调用FunctionCall

函数调用FunctionCall #

概念介绍 #

API 基础信息 #

请求示例 #

响应处理 #

whisper使用示例

whisper使用示例 #

whisper 模型接口说明 #

基础概念 #

接口地址 #

请求参数 #

请求头 #

Python 调用示例 #

响应示例 #

gpt-tts

gpt-tts #

接口说明 #

基础概念 #

请求地址 #

请求头 #

请求参数 #

格式化输出接口说明 #