Doubao API 购买指南：全面解析与实战应用

利用JAVA语言调用豆包大模型接口实战指南

一、API接口的概念与分类

API（Application Programming Interface）是一种软件接口，定义了不同应用程序之间如何相互通信和交互的规则。其主要目的是提供应用程序之间的交互标准，使得不同软件可以通过API进行数据和功能的交换。常见的API接口包括Web API、数据库API和操作系统API等。Web API是当前应用最广泛的接口类型，它通过HTTP协议提供服务，能够返回JSON或XML等格式的数据，支持跨平台的交互和集成。

API接口的出现大大简化了应用程序的开发过程，开发者可以通过调用API来实现复杂的功能，而无需从头开始开发。这种特性使得API成为现代软件开发中的一个重要组成部分，尤其是在构建微服务架构和云计算环境中。

二、豆包API模型详解

豆包API提供了一系列强大的模型，适用于不同的应用场景。根据响应速度和性价比的不同，用户可以选择最适合自己需求的模型。以下是豆包API模型的详细介绍：

模型名称	简介
Doubao-lite-4k	该模型以极致的响应速度为特点，提供4k上下文窗口的推理和精调，适合高效、灵活的场景应用。
Doubao-lite-32k	提供更长的上下文窗口，适合需要处理更多数据的应用场景。
Doubao-lite-128k	用于处理超大规模数据的应用，提供128k上下文窗口的支持。
Doubao-pro-4k	主力模型，适合复杂任务，如参考问答、创作和文本分类，支持4k上下文窗口。
Doubao-pro-32k	适合更复杂的任务处理，支持更长的上下文窗口。
Doubao-pro-128k	提供最强的处理能力，支持128k上下文窗口，适合复杂的角色扮演和创作场景。

这些模型的选择应根据用户的具体需求和预算进行。不同的模型在响应速度、上下文长度以及处理能力上各有优势，用户可以根据自己的应用场景灵活选择。

三、前置条件与准备工作

创建推理接入点

要使用豆包API模型，首先需要创建一个推理接入点。推理接入点的创建有多个入口：

火山方舟平台：登录后在左侧导航栏中选择“模型推理”并点击“创建推理接入点”。
模型广场：在模型卡片详情页右上角找到“模型推理”按钮。
模型仓库：通过列表页右侧的操作栏点击“模型推理”。

创建推理接入点

创建推理接入点时，需要填写接入点名称、描述以及选择具体的模型和版本。用户还需选择合适的购买方式，包括按Token付费或按模型单元付费两种。

模型单元的概念

什么是模型单元

模型单元是指调用某个特定模型的TPM（Token per Minute）配额。当选择按模型单元付费时，用户可以获得比按Token付费更大的并发量，而无需为Token消耗单独付费。这种模式适合需要高并发和稳定资源的应用场景。

建议购买模型单元的场景

线上生产业务：需要高确定性的资源保障，尤其是在流量高峰期。
高并发业务：TPM或RPM（Request per Minute）超过平台默认值的场景。

支持模型单元的模型

豆包系列模型和一些开源模型支持模型单元，具体可以参考产品计费的支持范围。

使用说明

在配置推理接入点时，可以选择购买模型单元，并设置数量、时长以及是否自动续费。自动续费可以根据需要自定义配置，避免因未及时续费而导致的业务中断。

模型单元购买配置

四、SDK开发指南

4.1 Maven引入SDK

要开始使用豆包API进行开发，首先需要在项目中引入Maven依赖：

  com.volcengine

  volcengine-java-sdk-ark-runtime

  LATEST

4.2 代码实现

以下是一个简单的Java代码示例，展示了如何使用豆包API进行聊天模型的调用：

import com.volcengine.ark.runtime.model.completion.chat.ChatCompletionRequest;

import com.volcengine.ark.runtime.model.completion.chat.ChatMessage;

import com.volcengine.ark.runtime.model.completion.chat.ChatMessageRole;

import com.volcengine.ark.runtime.service.ArkService;



import java.util.ArrayList;

import java.util.List;



public class DouBaoDemo {



    public static void main(String[] args) {

        ArkService service = new ArkService("ARK_API_KEY");



        System.out.println("n----- 标准请求 -----");

        final List messages = new ArrayList();

        final ChatMessage systemMessage = ChatMessage.builder().role(ChatMessageRole.SYSTEM).content("你是豆包，是由字节跳动开发的 AI 人工智能助手").build();

        final ChatMessage userMessage = ChatMessage.builder().role(ChatMessageRole.USER).content("请自我介绍？").build();

        messages.add(systemMessage);

        messages.add(userMessage);



        ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder()

                .model("${YOUR_ENDPOINT_ID}")

                .messages(messages)

                .build();



        service.createChatCompletion(chatCompletionRequest).getChoices().forEach(choice -> System.out.println(choice.getMessage().getContent()));



        System.out.println("n----- 流请求 -----");

        final List streamMessages = new ArrayList();

        final ChatMessage streamSystemMessage = ChatMessage.builder().role(ChatMessageRole.SYSTEM).content("你是豆包，是由字节跳动开发的 AI 人工智能助手").build();

        final ChatMessage streamUserMessage = ChatMessage.builder().role(ChatMessageRole.USER).content("请自我介绍？").build();

        streamMessages.add(streamSystemMessage);

        streamMessages.add(streamUserMessage);



        ChatCompletionRequest streamChatCompletionRequest = ChatCompletionRequest.builder()

                .model("${YOUR_ENDPOINT_ID}")

                .messages(streamMessages)

                .build();



        service.streamChatCompletion(streamChatCompletionRequest)

                .doOnError(Throwable::printStackTrace)

                .blockingForEach(

                        choice -> {

                            if (choice.getChoices().size() > 0) {

                                System.out.print(choice.getChoices().get(0).getMessage().getContent());

                            }

                        }

                );

        service.shutdownExecutor();

    }

}