GLM Cookbook (Zhipu): путеводитель

О странице

Репозиторий MetaGLM/glm-cookbook распространяется по Apache-2.0 — здесь карта содержимого и перевод ключевых примеров. Последнее обновление репозитория — сентябрь 2025 года (GLM-4.5); часть ноутбуков написана ещё под GLM-4. Сайт документации Zhipu (docs.bigmodel.cn) из нашей сети не открывается: имена актуальных моделей (GLM-5.x и т. п.), цены и лимиты сверяйте там. В официальной организации zai-org на GitHub отдельного кукбука нет: там репозитории моделей (например, GLM-5 и GLM-4.5 с примерами развёртывания) и набор навыков GLM-skills, так что этот сборник остаётся основным.

Что это и зачем

Zhipu AI (по-русски «Чжипу»; международный бренд — Z.ai) — создатели семейства GLM и ChatGLM. GLM Cookbook сам себя называет «открытым учебником с кодом для начала работы с GLM API». Это не курс, а сборник рабочих ноутбуков: каждый показывает одну возможность API.

Для нашего курса он полезен в уроке 8.1.1: GLM — ещё один OpenAI-совместимыйOpenAI-совместимый APIEN OpenAI-compatible APIHTTP-интерфейс в формате OpenAI Chat Completions (/v1/chat/completions). Его отдают Ollama, llama-server, vLLM, SGLang, а также DeepSeek и Qwen в облаке — код клиента не меняется. провайдер. Тот же клиентский код, что для DeepSeek, Qwen или локального vLLM, работает и с GLM — меняются только адрес, ключ и имя модели.

Карта репозитория

Папка	Что внутри	Наш урок	Важность
basic/	1) вызов через HTTP; 2) через собственный SDK Zhipu; 3) через OpenAI SDK; 4) как API считает токены; 5) вызов функций на примере погоды; 6) эмбеддинги; 7) встроенная база знаний для поиска; 8) Batch API (дешевле для пакетной обработки); 9) «очень человечная» ролевая модель CharacterGLM; 10) CodeGeeX для кода; 11) GLM-4.5 в Claude Code; плюс LangChain	8.1.1, 8.3.2	главное
vision/	GLM-4V: картинки, короткие видео, анализ графиков; генерация картинок CogView, видео CogVideoX (в том числе пакетная)	9.1.1	по теме
finetune/	дообучение LoRA через облачный API Zhipu	6.2.1	по желанию
vibecoding/	подключение GLM-4.5 к Claude Code и Kode через «Anthropic-совместимый» адрес	—	по желанию
demo/	анализ CSV, мультиролевой агент-консультант, агент TaskWeaver (Microsoft) на GLM-4, поиск с ответами, OCR, синтетические данные (SDG), извлечение информации, длинные тексты, GraphRAG, оценка суммаризации, датасет для дообучения агента ReAct, рассылка разборов статей с Hugging Face	8.2.2, 8.3.1	идеи для проектов

С чего начать

Три ноутбука из basic/: glm_openai_sdk.ipynb (OpenAI SDK), glm_token_count.ipynb (токены и счёт) и glm_function_call.ipynb (вызов функций). Остальное — по мере надобности.

Ключевой пример 1: GLM через OpenAI SDK (перевод glm_openai_sdk.ipynb, сокращённо)

Ноутбук показывает, как вызывать GLM-4.5 через OpenAI SDK и экосистему вокруг него.

Шаг 1. Импортируйте OpenAI и замените base_url на https://open.bigmodel.cn/api/paas/v4/ — после этого, указав ключ, можно пользоваться моделями GLM.

from openai import OpenAI

client = OpenAI(
    api_key="your api key of z.ai",                      # ваш ключ Z.ai / bigmodel.cn
    base_url="https://open.bigmodel.cn/api/paas/v4/")

Шаг 2. Простой вызов GLM-4.5. Остальные возможности (например, вызов инструментов) вызываются так же, как у OpenAI.

response = client.chat.completions.create(
    model="glm-4.5",
    messages=[{"role": "user", "content": "tell me a joke"}],
    top_p=0.7,
    temperature=0.9,
    stream=False,
    max_tokens=2000,
)
response.choices[0].message.content

Дальше в ноутбуке: тот же клиент внутри LangChain (ChatOpenAI с openai_api_base), агент LangChain с поиском Tavily, генерация картинок client.images.generate(model="cogview-4", ...) и эмбеддинги client.embeddings.create(model="embedding-3", input="hello"). Оговорка авторов: на вход эмбеддингов пока можно подать только строку, не список; у генерации картинок через OpenAI-интерфейс часть параметров не поддерживается.

Ключевой пример 2: вызов функций (перевод glm_function_call.ipynb, сокращённо)

Ноутбук двуязычный (китайский и английский); строки на китайском в коде ниже переведены. Цель — на инструменте «погода» показать, как модель вызывает инструменты.

Описание инструмента. Инструмент не обязан существовать на самом деле, но описание должно содержать: имя name (его модель вернёт при вызове), описание description, параметры parameters и список обязательных required (здесь обязателен только location).

tools = [{
    "type": "function",
    "function": {
        "name": "get_current_weather",
        "description": "Получить погоду в указанном городе",
        "parameters": {
            "type": "object",
            "properties": {
                "location": {"type": "string", "description": "Город, например: Пекин"},
                "unit": {"type": "string", "enum": ["c", "f"]},
            },
            "required": ["location"],
        },
    },
}]

Запрос. Вопрос «Какая сегодня погода в Пекине?» (в оригинале — по-китайски) вместе с tools и tool_choice="auto". Авторы обращают внимание: полезная часть ответа — параметры вызова (город «Пекин» и единицы) и имя функции; сам по себе ответ ещё не даёт погоды. Функцию нужно выполнить программно и вернуть результат модели.

Выполнение и ответ. В ноутбуке get_current_weather реализована через API сервиса погоды Seniverse, затем результат добавляется в messages с ролью tool, и модель вызывается второй раз. Итоговая последовательность, как её формулируют авторы:

запрос пользователя (и инструменты) → модель выдаёт имя инструмента и параметры → инструмент выполняется → результат возвращается модели → модель обобщает и отвечает пользователю.

От переводчика: что поправить в примере

В коде ноутбука результат инструмента добавляется без предшествующего сообщения ассистента с вызовом и без tool_call_id. Для одного вызова API Zhipu это прощает, но в строгих OpenAI-совместимых серверах (и при нескольких вызовах сразу) так нельзя. Правильный порядок — как в цикле из пересказа документации Qwen: сначала messages.append(ответ_модели), затем для каждого вызова — {"role": "tool", "content": ..., "tool_call_id": call.id}.

Вторая часть ноутбука — встроенный веб-поиск GLM-4 API: он включён по умолчанию и отключается, если передать {"type": "web_search", "web_search": {"enable": False}} или любой другой инструмент. Авторы честно предупреждают: на тот момент поиск GLM-4 API «не очень силён», и для реальных задач советуют профессиональный поисковый API.

Упражнение: один код — разные API

Главный практический вывод кукбука для нас — переключение провайдера одной строкой конфигурации:

from openai import OpenAI
import os

PROVIDERS = {
    # адрес и пример имени модели — сверяйте актуальные имена в документации каждого провайдера
    "glm":      ("https://open.bigmodel.cn/api/paas/v4/", os.getenv("ZHIPU_API_KEY"), "glm-4.5"),
    "local":    ("http://localhost:8000/v1",              "EMPTY",                      "Qwen/Qwen3-8B"),
    "ollama":   ("http://localhost:11434/v1",             "EMPTY",                      "qwen3:8b"),
}

def ask(provider: str, question: str) -> str:
    base_url, key, model = PROVIDERS[provider]
    client = OpenAI(base_url=base_url, api_key=key)
    r = client.chat.completions.create(model=model, messages=[{"role": "user", "content": question}])
    return r.choices[0].message.content

for p in ["local", "ollama"]:          # добавьте "glm", когда получите ключ
    print(p, "→", ask(p, "Назови три китайские языковые модели одной строкой.")[:200])

Добавьте в словарь DeepSeek и Qwen из облака (адреса — в уроке 8.1.1) и сравните на одном вопросе скорость, длину ответа и стоимость (поле usage).

Где ещё полезен кукбук

• demo/glm_sdg_example_*.ipynb — генерация синтетических данных большой моделью: тот же приём, что «дистилляция» в курсе Alibaba ACP и в уроке 6.4.4.
• demo/graphrag/ — GraphRAG от Microsoft на GLM: строит граф знаний по тексту и отвечает по нему (урок 8.2.2).
• demo/generate_agent_dataset/ — как собрать датасет траекторий ReAct для дообучения агента (урок 8.3.4).
• basic/glm_batch_api.ipynb — Batch API: отправить тысячу запросов файлом JSONL и забрать результаты позже, дешевле обычных вызовов.

Словарик

English	Русский
Zhipu	Zhipu (Чжипу)
function call / tool call	вызов функций / инструментов
web search	поиск в интернете
batch API	пакетная обработка
synthetic data generation (SDG)	синтетические данные
knowledge base	база знаний