kimiglm国产模型apiopenai 兼容接入指南

Kimi K3 与 GLM 接入指南：EXAIV 上可调用的两个国产旗舰

2026年11月8日by EXAIV Team

Kimi K3 与 GLM 接入指南：EXAIV 上可调用的两个国产旗舰

在国产开源模型里，月之暗面的 Kimi 和智谱的 GLM 是两条不同路线的代表：Kimi 以长上下文和推理见长，GLM 以工具调用和智能体场景见长。EXAIV 云端目录已接入 kimi-k3 和 glm-5.3-flash，注册后一个 API Key 就能调用，走标准 OpenAI 兼容端点，不需要换 SDK。本文讲清两者的定位差异、接入步骤、流式输出、以及本地想跑更大版本（Kimi-K3.1-Pro、GLM-5.3）时的路线。

30 秒版本

EXAIV 云端模型 ID：kimi-k3（月之暗面 K3）和 glm-5.3-flash（智谱 5.3 Flash）。接入：base_url 填 https://exaiv.com/api/ai/v1，model 填对应 ID，其余和 OpenAI 调用完全一样。本地想跑更大的 Kimi-K3.1-Pro（2026-11 最新）或 GLM-5.3，走社区 GGUF。

两个模型的定位差异

维度	kimi-k3	glm-5.3-flash
厂商	月之暗面 MoonshotAI	智谱 Zhipu
上游开源版	Kimi-K3（77 万下载）	GLM-5.3-Flash（12 万下载）
强项	长上下文、深度推理	工具调用、智能体、多语言
适合任务	长文档分析、复杂推理、写作	Agent 编排、function calling、日常对话

怎么选

任务是「读很长的东西并深度分析」选 kimi-k3；任务是「让模型调用工具、执行多步操作」选 glm-5.3-flash。两者都接上，按任务路由，是成本最优的做法。

成本怎么控

两个模型的计费都按 token 走，控成本的思路和 Qwen 一致：

按任务路由：不需要工具调用的任务不发给 GLM，不需要深度推理的任务不发给 Kimi
上下文裁剪：Kimi 的长上下文是强项，但只在真的需要时才喂长文档
流式替代轮询：交互界面用流式输出，减少无效等待重试

一个简单的分流函数就能覆盖大部分场景，成本优化的细节见专题文章。

接入步骤

第一步：拿 API Key。 注册 EXAIV，在控制台生成 Key（只显示一次，立即保存）。

第二步：确认端点。

配置项	值
Base URL	`https://exaiv.com/api/ai/v1`
Chat 端点	`https://exaiv.com/api/ai/v1/chat/completions`
鉴权	`Authorization: Bearer <API Key>`

第三步：调用。 三个 ID（qwen3.8-flash / kimi-k3 / glm-5.3-flash）共用同一个 Key 和端点，切换只改 model 字段。

curl 验证

bash

curl https://exaiv.com/api/ai/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer 你的APIKey" \
  -d '{
    "model": "kimi-k3",
    "messages": [{"role": "user", "content": "用一句话介绍你自己"}]
  }'

Python

python

from openai import OpenAI

client = OpenAI(
    api_key="你的APIKey",
    base_url="https://exaiv.com/api/ai/v1",
)

# 长文档深度分析 → Kimi
resp = client.chat.completions.create(
    model="kimi-k3",
    messages=[{"role": "user", "content": "总结这份长文档的核心论点"}],
)

# 工具调用 / Agent → GLM
resp2 = client.chat.completions.create(
    model="glm-5.3-flash",
    messages=[{"role": "user", "content": "查一下北京今天的天气"}],
    tools=tools,  # 你的工具定义
)

Node.js / TypeScript

javascript


const client = new OpenAI({
  apiKey: process.env.EXAIV_API_KEY,
  baseURL: "https://exaiv.com/api/ai/v1",
});

const resp = await client.chat.completions.create({
  model: "glm-5.3-flash",
  messages: [{ role: "user", content: "写一个快排实现" }],
});

流式输出与工具调用

两个模型都支持流式（stream=true，逐块读 delta.content）和工具调用（tools 定义 + tool_calls 返回）。约定遵循 OpenAI 兼容格式，具体细节见流式输出与工具调用专题文章。

按模型特性分工：

流式对话体验：kimi-k3 的长回答更连贯
Agent 工具循环：glm-5.3-flash 的工具调用是强项
混合编排：先 GLM 决定调用什么工具，再 Kimi 处理长文档结果

本地跑更大的版本

EXAIV 云端提供的是服务化版本；如果想在本地跑开源原版或更大规格：

Kimi 线（moonshotai 组织）：

模型	下载	说明
Kimi-K3	77 万	K3 原版，EXAIV 云端 kimi-k3 对应的开源版
Kimi-K3.1-Pro	2026-11 最新	K3 的下一代 Pro 版
Kimi-K2.7-Code	8.5 万	编码特化版
Kimi-Linear-48B-A3B	5 万	线性注意力架构 MoE

GLM 线（zai-org 组织）：

模型	下载	说明
GLM-5.3-Flash-BF16	12 万	EXAIV 云端 glm-5.3-flash 对应的开源版
GLM-5.3-BF16	4 万	标准版

本地部署走社区 GGUF 配 Ollama/llama.cpp，步骤和 Qwen 本地部署一致（下载 GGUF → Modelfile → ollama create）。

本地版和云端版不是同一个东西

Kimi-K3.1-Pro 是 HF 上的开源权重，EXAIV 的 kimi-k3 是平台服务化模型——能力同源但部署形态、上下文配置可能不同。本地版用于隐私和零调用成本，云端版用于稳定服务和弹性扩容。迁移时用同一组提示词在两端各回放验证一次。

按任务路由的最佳实践

把两个模型按任务分流，比全用一个更省更稳：

python

def pick_model(task):
    if task.get("needs_tools"):
        return "glm-5.3-flash"   # 工具调用、Agent 编排
    if task.get("long_context") or task.get("deep_reasoning"):
        return "kimi-k3"          # 长文档、深度推理
    return "glm-5.3-flash"        # 默认：更快更省

MODEL = pick_model({"needs_tools": True})
print("本次使用:", MODEL)

模型 ID 以目录为准

kimi-k3 和 glm-5.3-flash 是本文发布时 EXAIV 目录的真实 ID。平台目录会随上游更新，接入前到 /models 核对当前可用 ID，避免用旧名 404。

FAQ

EXAIV 上能调用哪些国产模型？

以平台模型目录实时为准。本文发布时可调用的国产 ID 包括 qwen3.8-max / qwen3.8-flash / qwen3.7-flash / kimi-k3 / glm-5.3-flash。

kimi-k3 和本地 Kimi-K3.1-Pro 是同一个模型吗？

能力同源但形态不同：云端是平台服务化版本，K3.1-Pro 是 HF 开源权重的下一代版本。部署形态与上下文配置可能有差异，迁移前先回放验证。

一个 Key 能同时调 Qwen、Kimi、GLM 吗？

能。三个家族共用同一个 API Key 和端点，切换只改 model 字段。

GLM 的工具调用格式和 OpenAI 一样吗？

EXAIV 的兼容层输出标准 OpenAI tools/tool_calls 格式，LangChain、LlamaIndex 等框架可直接对接。

价格在哪里看？

按 token 计费，不同档位价格不同且随官方调整。实时价格与充值套餐见定价页，本文不写会过时的数字。

本地跑 K3.1-Pro 需要什么配置？

K3.1-Pro 是大参数模型，本地跑建议社区 GGUF 量化 + 足量显存或大内存，具体以模型卡标注为准。资源有限时直接用云端 kimi-k3 更省心。

Kimi K3 与 GLM 接入指南：EXAIV 上可调用的两个国产旗舰

2026年11月8日by EXAIV Team

Kimi K3 与 GLM 接入指南：EXAIV 上可调用的两个国产旗舰

30 秒版本

两个模型的定位差异

维度	kimi-k3	glm-5.3-flash
厂商	月之暗面 MoonshotAI	智谱 Zhipu
上游开源版	Kimi-K3（77 万下载）	GLM-5.3-Flash（12 万下载）
强项	长上下文、深度推理	工具调用、智能体、多语言
适合任务	长文档分析、复杂推理、写作	Agent 编排、function calling、日常对话

怎么选

成本怎么控

两个模型的计费都按 token 走，控成本的思路和 Qwen 一致：

按任务路由：不需要工具调用的任务不发给 GLM，不需要深度推理的任务不发给 Kimi
上下文裁剪：Kimi 的长上下文是强项，但只在真的需要时才喂长文档
流式替代轮询：交互界面用流式输出，减少无效等待重试

一个简单的分流函数就能覆盖大部分场景，成本优化的细节见专题文章。

接入步骤

第一步：拿 API Key。 注册 EXAIV，在控制台生成 Key（只显示一次，立即保存）。

第二步：确认端点。

配置项	值
Base URL	`https://exaiv.com/api/ai/v1`
Chat 端点	`https://exaiv.com/api/ai/v1/chat/completions`
鉴权	`Authorization: Bearer <API Key>`

第三步：调用。 三个 ID（qwen3.8-flash / kimi-k3 / glm-5.3-flash）共用同一个 Key 和端点，切换只改 model 字段。

curl 验证

bash

curl https://exaiv.com/api/ai/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer 你的APIKey" \
  -d '{
    "model": "kimi-k3",
    "messages": [{"role": "user", "content": "用一句话介绍你自己"}]
  }'

Python

python

from openai import OpenAI

client = OpenAI(
    api_key="你的APIKey",
    base_url="https://exaiv.com/api/ai/v1",
)

# 长文档深度分析 → Kimi
resp = client.chat.completions.create(
    model="kimi-k3",
    messages=[{"role": "user", "content": "总结这份长文档的核心论点"}],
)

# 工具调用 / Agent → GLM
resp2 = client.chat.completions.create(
    model="glm-5.3-flash",
    messages=[{"role": "user", "content": "查一下北京今天的天气"}],
    tools=tools,  # 你的工具定义
)

Node.js / TypeScript

javascript


const client = new OpenAI({
  apiKey: process.env.EXAIV_API_KEY,
  baseURL: "https://exaiv.com/api/ai/v1",
});

const resp = await client.chat.completions.create({
  model: "glm-5.3-flash",
  messages: [{ role: "user", content: "写一个快排实现" }],
});

流式输出与工具调用

按模型特性分工：

流式对话体验：kimi-k3 的长回答更连贯
Agent 工具循环：glm-5.3-flash 的工具调用是强项
混合编排：先 GLM 决定调用什么工具，再 Kimi 处理长文档结果

本地跑更大的版本

EXAIV 云端提供的是服务化版本；如果想在本地跑开源原版或更大规格：

Kimi 线（moonshotai 组织）：

模型	下载	说明
Kimi-K3	77 万	K3 原版，EXAIV 云端 kimi-k3 对应的开源版
Kimi-K3.1-Pro	2026-11 最新	K3 的下一代 Pro 版
Kimi-K2.7-Code	8.5 万	编码特化版
Kimi-Linear-48B-A3B	5 万	线性注意力架构 MoE

GLM 线（zai-org 组织）：

模型	下载	说明
GLM-5.3-Flash-BF16	12 万	EXAIV 云端 glm-5.3-flash 对应的开源版
GLM-5.3-BF16	4 万	标准版

本地部署走社区 GGUF 配 Ollama/llama.cpp，步骤和 Qwen 本地部署一致（下载 GGUF → Modelfile → ollama create）。

本地版和云端版不是同一个东西

按任务路由的最佳实践

把两个模型按任务分流，比全用一个更省更稳：

python

def pick_model(task):
    if task.get("needs_tools"):
        return "glm-5.3-flash"   # 工具调用、Agent 编排
    if task.get("long_context") or task.get("deep_reasoning"):
        return "kimi-k3"          # 长文档、深度推理
    return "glm-5.3-flash"        # 默认：更快更省

MODEL = pick_model({"needs_tools": True})
print("本次使用:", MODEL)

模型 ID 以目录为准

kimi-k3 和 glm-5.3-flash 是本文发布时 EXAIV 目录的真实 ID。平台目录会随上游更新，接入前到 /models 核对当前可用 ID，避免用旧名 404。

FAQ

EXAIV 上能调用哪些国产模型？

以平台模型目录实时为准。本文发布时可调用的国产 ID 包括 qwen3.8-max / qwen3.8-flash / qwen3.7-flash / kimi-k3 / glm-5.3-flash。

kimi-k3 和本地 Kimi-K3.1-Pro 是同一个模型吗？

能力同源但形态不同：云端是平台服务化版本，K3.1-Pro 是 HF 开源权重的下一代版本。部署形态与上下文配置可能有差异，迁移前先回放验证。

一个 Key 能同时调 Qwen、Kimi、GLM 吗？

能。三个家族共用同一个 API Key 和端点，切换只改 model 字段。

GLM 的工具调用格式和 OpenAI 一样吗？

EXAIV 的兼容层输出标准 OpenAI tools/tool_calls 格式，LangChain、LlamaIndex 等框架可直接对接。

价格在哪里看？

按 token 计费，不同档位价格不同且随官方调整。实时价格与充值套餐见定价页，本文不写会过时的数字。

本地跑 K3.1-Pro 需要什么配置？

K3.1-Pro 是大参数模型，本地跑建议社区 GGUF 量化 + 足量显存或大内存，具体以模型卡标注为准。资源有限时直接用云端 kimi-k3 更省心。

Kimi K3 与 GLM 接入指南：EXAIV 上可调用的两个国产旗舰

Kimi K3 与 GLM 接入指南：EXAIV 上可调用的两个国产旗舰

两个模型的定位差异

成本怎么控

接入步骤

curl 验证

Python

Node.js / TypeScript

流式输出与工具调用

本地跑更大的版本

按任务路由的最佳实践

FAQ

相关阅读

Kimi K3 与 GLM 接入指南：EXAIV 上可调用的两个国产旗舰

Kimi K3 与 GLM 接入指南：EXAIV 上可调用的两个国产旗舰

两个模型的定位差异

成本怎么控

接入步骤

curl 验证

Python

Node.js / TypeScript

流式输出与工具调用

本地跑更大的版本

按任务路由的最佳实践

FAQ

相关阅读