新闻详情

新闻详情

首页 / 资讯中心 / 详情

给 AI 编程套餐写个“油量表”:逆向 GLM Coding Plan 额度查询接口的完整记录

发布时间:2026/11/21 16:45:56来源:尧图网络
给 AI 编程套餐写个“油量表”:逆向 GLM Coding Plan 额度查询接口的完整记录
本文记录一次完整的接口逆向 工具化过程如何找到智谱 GLM Coding Plan 的内部额度查询端点解析它的三窗口限额结构并做成一个零依赖的命令行工具。所有信息基于 2026 年 9 月的实测接口可能随版本调整。问题额度是个黑盒用过 AI 编程套餐GLM Coding Plan、Claude Pro 这类的人都有同一种焦虑不知道自己还剩多少额度。以 GLM Coding Plan 为例它的额度结构相当复杂——有 5 小时滚动窗口、有周限额还有内置工具联网搜索、网页阅读的 30 天次数。官方只在你的请求被打满时才报一个1310 rate_limit_error此时你已经干不了活了。更麻烦的是模型对话接口本身不返回余量。你在终端里问我还剩多少额度模型只能给你背一遍套餐文档。想要真实的余量必须找到平台自己用来展示用量的那个内部接口。第一步找到 monitor 端点突破口是一个常识套餐购买页能显示用量说明一定有一个带鉴权的查询接口被前端调用。抓包前端页面很快能定位到GET https://open.bigmodel.cn/api/monitor/usage/quota/limit Authorization: Bearer 你的 API Key两个要点鉴权就是你的 API Key 本身就是配在ANTHROPIC_AUTH_TOKEN里的那串不需要额外的登录态或签名——这对工具化非常友好这个接口只挂在官方域名open.bigmodel.cn上。很多人配了本地桥接127.0.0.1:8080之类的转发层或第三方中转端点这些端点只代理对话接口不代理 monitor 接口。所以工具里必须先做端点校验检测到非官方端点直接报错退出而不是发出一个必然 404 的请求让用户困惑。第二步解读响应结构接口返回的 JSON 长这样节选关键字段{success:true,data:{level:max,limits:[{type:TOKENS_LIMIT,unit:3,percentage:42.5,nextResetTime:1790550000000},{type:TOKENS_LIMIT,unit:6,percentage:87.2,nextResetTime:1790800000000},{type:TIME_LIMIT,unit:5,percentage:12.0,currentValue:37,remaining:263,usageDetails:[{modelCode:search-prime,usage:21},{modelCode:web-reader,usage:16}]}]}}逐个字段说人话TOKENS_LIMIT出现两次靠unit区分语义unit3是 5 小时滚动窗口的 token 额度unit6是周额度。这是整个响应里最大的坑——不看 unit 只按 type 取值会拿错窗口percentage是已用比例不是剩余。而且智谱只给百分比不给具体 token 数所以界面上只能画进度条报不出还剩 3.2M tokens这种精确数字nextResetTime是毫秒时间戳对 5 小时窗口来说它是当前滚动窗口的结束时间对周额度来说就是下周重置点。减去当前时间就是多久后回血TIME_LIMIT是内置工具的 30 天次数currentValue/remaining直接给次数usageDetails甚至按工具名拆明细搜索用了几次、网页阅读用了几次。还有一个实测出来的行为细节周额度打到 100% 后模型请求会报 1310但 monitor 接口依然正常返回——意味着这个工具在被打满的最坏时刻反而最有用它能告诉你具体几点回血而不是让你对着报错干瞪眼。第三步工具化整个工具就是一个零依赖的 Node 脚本≥18只用内置 fetch核心流程五十行以内constresawaitfetch(apiUrl,{headers:{Authorization:Bearer${apiKey}}});constbodyawaitres.json();constlimitsbody.data.limits??[];constpick(type,unit)limits.find(ll.typetype(unitundefined||l.unitunit));constwindows[{name:5小时额度,l:pick(TOKENS_LIMIT,3)},{name:周额度,l:pick(TOKENS_LIMIT,6)},{name:内置工具(30天),l:pick(TIME_LIMIT),isTime:true},];展示层有三个值得说的小设计key 打码key.slice(0,6)…key.slice(-4)截图发群不会泄露重置时间人性化fmtDuration把毫秒差折算成3天2小时/“45分钟”比裸时间戳有用得多——你关心的是还能不能干完这轮活错误码语义化401 提示令牌无效套餐续期后 key 会变“非官方端点提示monitor 接口不随桥接代理”——每个错误都直接给出下一步动作。最终效果终端渲染GLM Coding Plan 用量 套餐: MAX key: d4fbc0…8a2f ────────────────────────────────────────────────── 5小时额度 ███████░░░░░░░░░░░░░░░░░ 42% 已用 重置: 2026/9/28 14:002小时13分后 周额度 █████████████████░░░░░░░ 87% 已用 重置: 2026/9/29 00:0012小时后 内置工具(30天) ██░░░░░░░░░░░░░░░░░░░░░░ 12% 已用 37 次 / 剩余 263 次 明细: search-prime:21 web-reader:16踩坑总结按 type 取值不看 unit——两个 TOKENS_LIMIT 窗口语义完全不同percentage 方向搞反——它是已用不是剩余进度条画反了工具就从油表变成反油表在非官方端点上调 monitor——桥接/中转端点只代理对话接口monitor 必打 404工具必须前置校验端点打满后以为接口也挂了——实际 monitor 独立于对话配额最需要它的时刻它最可用key 硬编码进脚本——从配置文件读取 展示时打码既方便又不泄露。一点延伸这套找内部接口 → 解析响应 → CLI 化的路数可以平移到几乎所有 AI 套餐平台各家都有类似的用量页。差异点通常在三处鉴权方式本例最简单Bearer key 即可、限额的窗口结构、以及是否提供具体数值。把响应结构抽象成窗口数组 重置时间工具层可以完全复用。完整脚本已整理进我的开源技能集欢迎在评论区交流你所在平台的额度接口结构。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/20 20:45:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/21 19:02:25

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉