---

Kimi 的核心技术与产品

Kimi 是月之暗面（Moonshot AI）旗下的核心大语言模型（Large Language Models，简称 LLMs）品牌，围绕这一技术推出了多款具有广泛影响力的产品与服务，涵盖专业文档处理、智能创作、行业定制解决方案、多模态交互等多个领域，其核心优势在于超长文本处理能力、原生智能体（Agent）能力、多模态深度融合、全场景办公适配。

1. Kimi 大语言模型系列

这是月之暗面最具代表性的技术成果，基于自研的 Moonshot 大模型架构，融合 Transformer-XL 和 XLNet 等先进算法，通过大规模多模态数据（文本、代码、图像、文档）预训练，并采用“模型即智能体”的核心建模技术——从底层强化多步推理与工具调用能力，实现复杂任务的自主拆解与闭环执行，同时通过多维度安全对齐训练，降低有害信息生成概率，保障各类办公与专业场景的应用安全。

• moonshot-v1 基础系列
  2023 年 10 月伴随 Kimi 智能助手同步发布，是月之暗面首款核心大语言模型系列，首次实现 20 万字长文本处理能力的革命性突破，可一次性解析百万字文献、长篇合同等大体积内容。系列包含 moonshot-v1-8k（短文本生成）、moonshot-v1-32k（长文本生成）、moonshot-v1-128k（超长文本生成）等版本，分别适配不同长度的文本处理需求，在基础对话、信息总结、文档解析等场景中表现出色，奠定了 Kimi 系列的技术基础。

• moonshot-v1 视觉系列
  2024 年推出的多模态升级版本，核心突破在于实现图像理解与文本处理的深度融合，可精准解读图片中的文字、图表信息并完成内容提取与分析。系列包含 moonshot-v1-8k-vision-preview、moonshot-v1-32k-vision-preview 等版本，对应不同上下文长度的视觉处理需求，面向开发者开放 API 服务，支持图文混合文档解析、图像内容问答、多模态报告生成等核心场景，是月之暗面面向消费级与专业级中间市场的核心解决方案。

• Kimi K2 基础系列
  2025 年 7 月发布的旗舰级开源基础模型，采用 MoE 架构，总参数达 1 万亿，激活参数 32B，核心亮点是上下文窗口最高支持 256k tokens，具备超强的代码能力与智能体能力。系列包含 kimi-k2-0711-preview（128k 上下文）、kimi-k2-0905-preview（256k 上下文，强化编程能力）、kimi-k2-turbo-preview（高速版本，输出速度达每秒 60-100 tokens）等版本，在真实编程任务、复杂文档处理等场景中表现优异，主要面向高端科研场景、企业级定制需求与开发者生态构建。
  

• Kimi K2 Thinking 智能体系列
  2025 年 11 月发布的重大升级版本，被月之暗面称为“迄今能力最强的开源思考模型”，基于端到端自主强化学习技术训练，原生掌握“边思考，边使用工具”的核心能力。包含 kimi-k2-thinking（长思考模型）与 kimi-k2-thinking-turbo（高速长思考模型）两大版本，均支持 256k 上下文，在“人类最后的考试”（Humanity’s Last Exam）、自主网络浏览能力（BrowseComp）等多项基准测试中达到 SOTA 水平。擅长复杂信息收集推理、深度研究分析、多工具协同任务等超复杂场景，API 调用量在开发者生态中快速攀升，成为开源智能体领域的核心标杆。

• Kimi 专项智能体系列
  面向全场景办公需求的专项智能体模型系列，依托 Kimi+ 生态平台构建，涵盖 24 个专业智能体工具，包括文档处理助手、PPT 助手、代码解释器、财报分析助手、合同审查助手等。核心优势是深度适配办公场景需求，可集成于浏览器、办公软件等多个终端，支持文档摘要生成、数据提取、合规审查、脚本工厂等轻量高效功能。广泛应用于知识工作者文献研究、内容创作者高效产出、企业用户自动化办公等场景，已服务超过 3600 万月活用户，推动 AI 能力与办公生态深度融合。

2. Kimi小总结

1. 核心框架上，保留了“基础系列-多模态版-旗舰版-专项场景版”的产品层级，适配 Kimi 从 moonshot-v1 到 K2 系列的迭代节奏与版本命名体系。

2. 技术特性上，将原有技术亮点替换为 Kimi 核心的“超长文本处理”“原生智能体能力”“自研 Moonshot 架构”等特性，调整了上下文窗口、参数规模、基准测试表现等核心数据，贴合月之暗面官方公布的技术指标。

3. 场景适配上，结合 Kimi 的生态布局，调整了“专业文档处理”“全场景办公”“开源开发者生态”等更贴合其应用场景的表述，同步更新了 Kimi+ 生态平台、浏览器助手等部署渠道，确保内容与实际应用一致。

通过“能用AI”获取API Key（国内）

针对国内用户，由于部分海外服务访问限制，可以通过国内平台“能用AI”获取API Key。

1. 访问能用AI工具

在浏览器中打开能用AI进入主页
https://ai.nengyongai.cn/register?aff=PEeJ

登录后，导航至API管理页面。

2、生成API Key

1. 点击“添加令牌”按钮。
2. 创建成功后，点击“查看KEY”按钮，获取你的API Key。

---

3、使用大模型 API的实战教程

拥有了API Key后，接下来就是如何在你的项目中调用大模型 API了。以下以Python为例，详细展示如何进行调用。

(1).可以调用的模型

gpt-3.5-turbo
gpt-3.5-turbo-1106
gpt-3.5-turbo-0125
gpt-3.5-16K
gpt-4
gpt-4-1106-preview
gpt-4-0125-preview
gpt-4-1106-vision-preview
gpt-4-turbo-2024-04-09
gpt-4o-2024-05-13
gpt-4-32K
claude-2
claude-3-opus-20240229
claude-3-sonnet-20240229
等等100多种模型

(2).Python示例代码（基础）

基本使用：直接调用，没有设置系统提示词的代码

from openai import OpenAI
client = OpenAI(
    api_key="这里是能用AI的api_key",
    base_url="https://ai.nengyongai.cn/v1"
)

response = client.chat.completions.create(
    messages=[
    	# 把用户提示词传进来content
        {'role': 'user', 'content': "鲁迅为什么打周树人？"},
    ],
    model='gpt-4',  # 上面写了可以调用的模型
    stream=True  # 一定要设置True
)

for chunk in response:
    print(chunk.choices[0].delta.content, end="", flush=True)

在这里插入代码片

(3).Python示例代码（高阶）

进阶代码：根据用户反馈的问题，用Claude进行问题分类

from openai import OpenAI

# 创建OpenAI客户端
client = OpenAI(
    api_key="your_api_key",  # 你自己创建创建的Key
    base_url="https://ai.nengyongai.cn/v1"
)

def api(content):
    print()
    
    # 这里是系统提示词
    sysContent = f"请对下面的内容进行分类，并且描述出对应分类的理由。你只需要根据用户的内容输出下面几种类型：bug类型,用户体验问题，用户吐槽." \
                 f"输出格式:[类型]-[问题:{content}]-[分析的理由]"
    response = client.chat.completions.create(
        messages=[
            # 把系统提示词传进来sysContent
            {'role': 'system', 'content': sysContent},
            # 把用户提示词传进来content
            {'role': 'user', 'content': content},
        ],
        # 这是模型
        model='gpt-4',  # 上面写了可以调用的模型
        stream=True
    )

    for chunk in response:
        print(chunk.choices[0].delta.content, end="", flush=True)


if __name__ == '__main__':
    content = "这个页面不太好看"
    api(content)

通过这段代码，你可以轻松地与AI模型进行交互，获取所需的文本内容。✨

---

更多文章

【OpenAI】获取OpenAI API Key的多种方式全攻略：从入门到精通，再到详解教程！