主题
Claude 消息
POST
/v1/messages
本接口使用 Anthropic Claude Messages 格式。可发送文字,也可在同一条 user 消息中发送提示词、图片和 PDF;回答位于响应的 content 数组中。具体可用能力取决于所选模型。
- 纯文本对话:直接在
messages中发送文字。 - 图片理解:将本地 JPEG 图片编码为 Base64,与提示词放在同一条
user消息中。 - PDF 与图片核对:将本地 PDF、商品照片和提示词放在同一条
user消息中;该场景已在一个 Claude 模型上实测通过,其他模型需单独核对。 - 非流式响应:设置
stream: false后返回完整 JSON;读取content中type为text的内容。
适用模型
Claude 全系模型:claude-sonnet、claude-opus
价格
对话模型按 token 计费,价格随模型和API 密钥分组变化。请查看 大语言模型价格。
认证
使用 ClawPower API Key 进行 Bearer 认证,并在请求头中传入:
Authorization: Bearer <CLAWPOWER_API_KEY>同时传入 anthropic-version: 2023-06-01,指定 Messages API 版本。
类型 HTTP (bearer)
还没有 API Key?先创建API 密钥,并选择模型支持的分组。
参数
请求头参数
anthropic-version*
Messages API 版本;本页示例使用 2023-06-01。
类型
必填string
示例
"2023-06-01"请求体
application/json
所选 Claude 模型的具体模型 ID;须与API 密钥分组匹配。
本次回答最多生成的 token 数;为必填项。
最小值
1按顺序排列的 user、assistant 消息;继续追问时重新传入需要参考的历史消息。系统提示词使用顶层 system 字段。
最小项数
1可选系统提示词,用于指定回答要求;不写为 messages 中的 system 角色。
本页示例使用 false,返回完整 JSON。
默认
false可选采样温度;具体支持范围以所选模型为准。
最小值
0最大值
1可选核采样参数;具体支持情况以所选模型为准。
最小值
0最大值
1响应
成功返回 Claude 消息。示例文本和 token 数仅用于说明字段位置。
application/json
JSON "id": "string", "type": "string", "role": "string", "model": "string", "content": [ { "type": "string", "text": "string" } ], "stop_reason": "string", "stop_sequence": "string", "usage": { "input_tokens": 0, "output_tokens": 0 }
{
}
场景一:只发送文字
例如,你想让 Claude 用三句话解释什么是图像识别。先准备 API Key,从适用模型中选择一个模型:
bash
export CLAWPOWER_API_KEY='你的 API Key'
export CLAWPOWER_MODEL='从模型列表复制的 Claude 模型 ID'
curl -sS --fail-with-body 'https://api.clawpowerai.com/v1/messages' \
-H "Authorization: Bearer $CLAWPOWER_API_KEY" \
-H 'anthropic-version: 2023-06-01' \
-H 'Content-Type: application/json' \
--data-binary @- <<JSON
{
"model": "$CLAWPOWER_MODEL",
"max_tokens": 384,
"messages": [
{"role": "user", "content": "用三句话解释什么是图像识别。"}
],
"stream": false
}
JSON回答位于 content 数组中 type 为 text 的内容块,例如 content[0].text。Claude Messages 的 max_tokens 是必填项,用来限制本次回答的长度。这条纯文字请求已通过公共 API 实测。
场景二:发送本地截图和提示词
例如你有一张本地的抖音截图 screenshot.jpg,想让 Claude 概括其中可见的人物、标识和文字。先把图片编码为 Base64,再与提示词放进同一条消息。沿用上面设置的 CLAWPOWER_API_KEY 和 CLAWPOWER_MODEL:
bash
IMAGE_BASE64=$(base64 < screenshot.jpg | tr -d '\n')
curl -sS --fail-with-body 'https://api.clawpowerai.com/v1/messages' \
-H "Authorization: Bearer $CLAWPOWER_API_KEY" \
-H 'anthropic-version: 2023-06-01' \
-H 'Content-Type: application/json' \
--data-binary @- <<JSON
{
"model": "$CLAWPOWER_MODEL",
"max_tokens": 384,
"messages": [{
"role": "user",
"content": [
{"type": "image", "source": {"type": "base64", "media_type": "image/jpeg", "data": "$IMAGE_BASE64"}},
{"type": "text", "text": "请用中文概括这张截图中可见的内容,包括人物、平台标识和文字;不要推断视频未展示的动作。"}
]
}],
"stream": false
}
JSON将 screenshot.jpg 换成你的本地图片路径。data 填图片的原始 Base64 字符串,不要加 data:image/jpeg;base64, 前缀。图片和提示词通过一个请求发送;本地 JPEG 截图的这种输入方式已通过公共 API 实测。
返回的总结
响应结构示例如下。文本和 token 数字不是每次请求的固定结果:
json
{
"id": "msg_example",
"type": "message",
"role": "assistant",
"model": "<MODEL_ID>",
"content": [
{"type": "text", "text": "截图顶部有抖音标识;画面中两人在室内场地面对面站立;底部有账号和文字说明。"}
],
"stop_reason": "end_turn",
"stop_sequence": null,
"usage": {"input_tokens": 1200, "output_tokens": 90}
}从 content 中选取 type 为 text 的块读取回答;若返回多个文本块,按顺序拼接。stop_reason 表示结束原因,usage 是 token 用量。不同模型的响应可能还包含其他类型的内容块或用量明细。图片输入能力需按所选模型核对;本页未逐一验证所有模型和图片格式。
场景三:核对网购订单和收到的商品
例如,你从网购平台下载了订单 PDF,又拍了一张收到的商品及包装照片。你想核对商品名称、颜色、规格和数量是否与订单一致。将本地文件分别保存为 order.pdf 和 package.jpg,沿用前面设置的 CLAWPOWER_API_KEY 与 CLAWPOWER_MODEL:
bash
PDF_BASE64=$(base64 < order.pdf | tr -d '\n')
IMAGE_BASE64=$(base64 < package.jpg | tr -d '\n')
curl -sS --fail-with-body 'https://api.clawpowerai.com/v1/messages' \
-H "Authorization: Bearer $CLAWPOWER_API_KEY" \
-H 'anthropic-version: 2023-06-01' \
-H 'Content-Type: application/json' \
--data-binary @- <<JSON
{
"model": "$CLAWPOWER_MODEL",
"max_tokens": 384,
"messages": [{
"role": "user",
"content": [
{"type": "document", "source": {"type": "base64", "media_type": "application/pdf", "data": "$PDF_BASE64"}},
{"type": "image", "source": {"type": "base64", "media_type": "image/jpeg", "data": "$IMAGE_BASE64"}},
{"type": "text", "text": "请对照订单 PDF 和收到商品的包装图片,核对商品名称、颜色、规格和数量。只根据材料中看得见的信息,列出一致项、不一致项和无法确认项。"}
]
}],
"stream": false
}
JSONPDF、图片和提示词通过一次请求发送;source.data 填文件的原始 Base64,不是本地路径或 data URI。成功后同样读取响应 content 中的文本块。本场景使用模拟订单 PDF 和包装照片,在一个 Claude 模型上通过公共 API 实测:订单的蓝色、500 mL 与包装的红色、350 mL 被正确识别为不一致,数量被列为无法确认。另一个 Claude 模型虽然返回成功状态,却未能读出 PDF;因此使用前应以所选模型实际读取文件内容的结果为准,不能只看 HTTP 状态。
对话方式:添加系统提示词
如果希望 Claude 按固定要求回答,在请求体顶层加入 system。例如,要求它始终用通俗中文、最多三句话作答:
bash
curl -sS --fail-with-body 'https://api.clawpowerai.com/v1/messages' \
-H "Authorization: Bearer $CLAWPOWER_API_KEY" \
-H 'anthropic-version: 2023-06-01' \
-H 'Content-Type: application/json' \
--data-binary @- <<JSON
{
"model": "$CLAWPOWER_MODEL",
"max_tokens": 384,
"system": "请用通俗中文回答,每次最多三句话;不确定的内容请明确说明。",
"messages": [
{"role": "user", "content": "什么是图像识别?"}
],
"stream": false
}
JSONClaude Messages 的系统提示词写在顶层 system,不要在 messages 中创建 system 角色消息。此方式已通过公共 API 实测。
对话方式:基于图片继续追问
前面的三个场景展示了发送哪些内容。多轮续问解决的是另一个问题:第一次得到回答后,怎样让 Claude 结合前面的内容继续回答。例如,Claude 已总结场景二的截图,你接着想问“截图下方白色卡片写了什么”。
先按场景二发送第一次请求,并在那条 curl 命令末尾加上 > first-response.json 保存完整响应。第二次请求还需当前目录中的 screenshot.jpg,并用 jq 从第一次响应提取文本回答:
bash
FIRST_REPLY=$(jq -er '[.content[] | select(.type == "text") | .text] | join("\n") | select(length > 0)' first-response.json)
jq -n \
--arg model "$CLAWPOWER_MODEL" \
--arg assistant "$FIRST_REPLY" \
--rawfile image <(base64 < screenshot.jpg | tr -d '\n') \
'{
model: $model,
max_tokens: 384,
messages: [
{
role: "user",
content: [
{type: "image", source: {type: "base64", media_type: "image/jpeg", data: $image}},
{type: "text", text: "请用中文概括这张截图中可见的内容,包括人物、平台标识和文字;不要推断视频未展示的动作。"}
]
},
{role: "assistant", content: $assistant},
{role: "user", content: "请把截图下方白色卡片中的文字抄出来;看不清的地方请说明。"}
],
stream: false
}' |
curl -sS --fail-with-body 'https://api.clawpowerai.com/v1/messages' \
-H "Authorization: Bearer $CLAWPOWER_API_KEY" \
-H 'anthropic-version: 2023-06-01' \
-H 'Content-Type: application/json' \
--data-binary @-第二次仍调用 POST /v1/messages。messages 依次包含第一次的提问和图片(user)、第一次的回答(assistant)、新的追问(user)。接口不会自动保存前一轮对话;如果续问需要查看原图,第二次也要传入原图。此消息结构已使用本地截图通过公共 API 实测。
