Claude Code-Guide
Flaq AI Claude-Modelle einrichten und Claude-Code-Skills entdecken
Teste die Claude Sonnet 5.5 API von Anthropic für Dokumentenprüfung, Zusammenfassungen und Fragen zu Dateien über die stabile, preiswerte API von Flaq AI mit Streaming-Antworten für Apps.
const response = await fetch('https://api.flaq.ai/api/v1/chat/completions', {
method: 'POST',
headers: {
Authorization: 'Bearer YOUR_API_KEY',
Accept: 'text/event-stream',
'Content-Type': 'application/json'
},
body: JSON.stringify({
model: 'claude-sonnet-5.5-file-analysis',
messages: [
{
role: 'user',
content: [
{ type: 'text', text: 'Summarize the key points of this PDF.' },
{
type: 'file',
file: {
filename: 'gptproto.pdf',
file_data: 'https://tos.gptproto.com/resource/gptproto.pdf'
}
}
]
}
],
stream: true,
max_tokens: 1000,
})
});
if (!response.ok) {
const errorBody = await response.json().catch(() => null);
throw new Error(errorBody?.error?.message ?? errorBody?.message ?? `HTTP ${response.status}`);
}
const reader = response.body.getReader();
const decoder = new TextDecoder();
let buffer = '';
let assistantText = '';
while (true) {
const { done, value } = await reader.read();
if (done) break;
buffer += decoder.decode(value, { stream: true });
const frames = buffer.split(/\r?\n\r?\n/);
buffer = frames.pop() || '';
for (const frame of frames) {
const lines = frame.split(/\r?\n/).filter(Boolean);
let eventName = 'message';
const dataLines = [];
for (const line of lines) {
if (line.startsWith('event:')) {
eventName = line.slice(6).trim();
} else if (line.startsWith('data:')) {
dataLines.push(line.replace(/^data:\s*/, ''));
}
}
const raw = dataLines.join('\n').trim();
if (raw === '[DONE]') {
console.log('\nFinal text:', assistantText);
continue;
}
let payload;
try {
payload = JSON.parse(raw);
} catch {
continue;
}
if (eventName === 'error' || payload.error) {
const msg = payload.error?.message ?? payload.message ?? 'Chat request failed';
throw new Error(msg);
}
const delta = payload.choices?.[0]?.delta;
if (delta?.content) {
assistantText += delta.content;
console.log(assistantText);
}
}
}
import json
import requests
response = requests.post(
'https://api.flaq.ai/api/v1/chat/completions',
headers={
'Authorization': 'Bearer YOUR_API_KEY',
'Accept': 'text/event-stream',
'Content-Type': 'application/json',
},
json={
'model': 'claude-sonnet-5.5-file-analysis',
'messages': [
{
'role': 'user',
'content': [
{'type': 'text', 'text': 'Summarize the key points of this PDF.'},
{
'type': 'file',
'file': {
'filename': 'gptproto.pdf',
'file_data': 'https://tos.gptproto.com/resource/gptproto.pdf'
}
},
],
}
],
'stream': True,
'max_tokens': 1000,
},
stream=True,
)
response.raise_for_status()
event_name = 'message'
assistant_text = ''
for raw_line in response.iter_lines(decode_unicode=True):
if not raw_line:
event_name = 'message'
continue
if raw_line.startswith('event:'):
event_name = raw_line.replace('event:', '', 1).strip()
continue
if raw_line.startswith('data:'):
raw_data = raw_line.replace('data:', '', 1).strip()
if raw_data == '[DONE]':
print('\nFinal text:', assistant_text)
continue
payload = json.loads(raw_data)
if event_name == 'error' or payload.get('error'):
error = payload.get('error') or payload
raise RuntimeError(error.get('message', 'Chat request failed'))
choices = payload.get('choices') or []
if choices:
delta = choices[0].get('delta') or {}
content = delta.get('content')
if content:
assistant_text += content
print(content, end='', flush=True)
curl -N -X POST "https://api.flaq.ai/api/v1/chat/completions" \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Accept: text/event-stream" \
-H "Content-Type: application/json" \
-d '{
"model": "claude-sonnet-5.5-file-analysis",
"messages": [
{
"role": "user",
"content": [
{ "type": "text", "text": "Summarize the key points of this PDF." },
{
"type": "file",
"file": {
"filename": "gptproto.pdf",
"file_data": "https://tos.gptproto.com/resource/gptproto.pdf"
}
}
]
}
],
"stream": true,
"max_tokens": 1000
}'
| Parameter | Preis | Ursprünglicher Preis | Rabatt |
|---|
Die Claude Sonnet 5.5 File Analysis API hilft Entwicklern, hochgeladenes Referenzmaterial in nützliche schriftliche Antworten auf Flaq AI umzuwandeln. Kombinieren Sie Dokumente oder Bilder mit einer Frage, um Zusammenfassungen, Erklärungen und Vergleiche anhand der bereitgestellten Inhalte anzufordern. Die nachrichtenbasierte Schnittstelle, Streaming-Ausgabe und einstellbare Ausgabelänge unterstützen Dokumentassistenten und Rechercheabläufe, die Quelldateien in eine gut lesbare Antwort überführen sollen.
Dokumentbezogene Fragen: Stellen Sie gezielte Fragen zu bereitgestellten Dokumenten, anstatt jede relevante Passage manuell in ein reines Textgespräch zu kopieren.
Flexible Referenzeingabe: Kombinieren Sie unterstützte Dateien, ein Bild und Textanweisungen, um das nötige Material für eine Dokumentprüfung bereitzustellen.
Zusammenfassung und Extraktion: Fordern Sie einen Überblick, Kernaussagen oder ausgewählte Informationen aus dem bereitgestellten Material an und geben Sie das Ausgabeformat im Prompt vor.
Dokumentübergreifende Prüfung: Stellen Sie zusammengehörige Dateien bereit und bitten Sie das Modell, gemeinsame Themen, Unterschiede oder Punkte zu identifizieren, die genauer geprüft werden müssen.
Weiterführender Dialog: Übernehmen Sie relevante Nachrichten, um eine Zusammenfassung zu verfeinern oder eine Erklärung zu einer bestimmten Erkenntnis anzufordern.
Streaming- und Längensteuerung: Zeigen Sie die generierte Analyse schrittweise an und legen Sie eine Begrenzung der Ausgabetokens fest, die zum gewünschten Detailgrad passt.
Eingabe: Unterstützte Dokument- oder Bildanhänge zusammen mit optionalen Textanweisungen und relevanten Nachrichten.
Ausgabe: Schriftliche Analysen, Zusammenfassungen oder Antworten, wahlweise per Streaming oder als vollständige Antwort.
Steuerung: Lenken Sie die Analyse durch eine konkrete Frage, ein gewünschtes Format und eine optionale Begrenzung der Ausgabetokens.
Fähigkeiten: Beantwortung von Dokumentfragen, Zusammenfassung, Informationsextraktion und Vergleich bereitgestellter Referenzmaterialien.
Berichtsprüfung: Fordern Sie einen knappen Überblick über einen hochgeladenen Bericht an und vertiefen Sie anschließend die für Ihr Team relevanten Abschnitte.
Forschungslektüre: Vergleichen Sie bereitgestellte Fachartikel oder Referenzdokumente und ordnen Sie deren Hauptaussagen in einem Arbeitsüberblick.
Projektübergaben: Wandeln Sie angehängte Spezifikationen und Notizen in eine Zusammenfassung der Anforderungen und offenen Fragen um.
Wissensassistenten: Ermöglichen Sie Nutzern, über eine Dialogoberfläche Fragen zu hochgeladenen Referenzdateien zu stellen.
Redaktionelle Vorbereitung: Extrahieren Sie Themen und stützende Details aus Quelldokumenten, bevor Sie einen Artikel oder eine Präsentation verfassen.
Hinweis Verwenden Sie lesbare Quelldateien und benennen Sie die Frage, die beantwortet werden soll. Prüfen Sie Zitate, Zahlen und Schlussfolgerungen anhand des Originalmaterials, bevor Sie sich auf die Analyse verlassen.
Claude Sonnet 5.5 File Analysis und GPT 6.1 Sol File Analysis Beide Flaq-AI-Routen akzeptieren Dateien und Bilder für schriftliche Analysen. Bewerten Sie sie anhand derselben Quelldokumente und Fragen, um Relevanz, Vollständigkeit und Interpretation zu vergleichen.
Claude Sonnet 5.5 File Analysis und Claude Sonnet 5.5 Text-to-Text Text-to-Text verarbeitet Ausgangsmaterial, das direkt in Nachrichten bereitgestellt wird. File Analysis unterstützt Anhänge für dokumentbezogene Aufgaben.
Claude Sonnet 5.5 File Analysis und GPT 6.1 Sol Image-to-Text Image-to-Text konzentriert sich auf visuelle Fragen und ermöglicht in seiner Flaq-AI-Konfiguration keine Dokumentanhänge. File Analysis unterstützt Abläufe mit hochgeladenen Dateien sowie Bildern.
Claude Sonnet 5.5 File Analysis und GPT 6.1 Sol Web Search Web Search dient der Onlinerecherche, während diese Claude-Route bereitgestelltes Material ohne Websuche prüft. Wählen Sie danach aus, woher die Belege für die Antwort stammen sollen.
Flaq AI Claude-Modelle einrichten und Claude-Code-Skills entdecken

Flaq AI GPT-Modelle einrichten und Codex-Skills entdecken
Flaq AI LLM-Modelle in Hermes Agent verwenden
Verwenden Sie GLM 5.2, Kimi K3 und DeepSeek v4 in ZCode
DeepSeek Harness mit DeepSeek-Modellen von Flaq AI ausführen
Verbinden Sie KI-Agenten mit den Bild- und Videogenerierungstools von Flaq
GPT 6 Astra und Claude Fable 5.1 in WorkBuddy nutzen