Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Antwortformat: id, choices und finish_reason

Lektion 8 von 12 Aktualisiert am 3. November 2026 Entwickler
Auf dieser Seite
  1. Anatomie einer Chat Completions-Antwort
  2. Vollständige Antwortstruktur
  3. Das choices-Array
  4. finish_reason-Werte
  5. Was die Referenz nicht dokumentiert
  6. Umgang mit verschiedenen Fällen
  7. Kernaussagen

Aktualisiert am 3. November 2026 basierend auf der xAI Chat Completions API-Referenz: Nur stop, length und, im Streaming-Modus, end_turn oder null sind für finish_reason dokumentiert. Die Werte tool_calls und content_filter aus der älteren Version sind nicht aufgeführt; Tool-Aufrufe werden über message.tool_calls erkannt. max_tokens wurde durch max_completion_tokens ersetzt. Quelle: Chat Completions.

Anatomie einer Chat Completions-Antwort

Jeder Aufruf des Chat Completions-Endpunkts gibt ein JSON-Objekt zurück, das mit standardisierten Feldern strukturiert ist. Das Verständnis dieser Struktur ist unerlässlich, um Daten korrekt zu extrahieren, Sonderfälle zu handhaben und Ihre Integrationen zu debuggen.

id
Einzigartige Kennung
choices
Antwortarray
usage
Tokenzähler
system_fingerprint
System-Fingerabdruck

Vollständige Antwortstruktur

Im Folgenden finden Sie ein Beispiel für eine typische Antwort, die von der API zurückgegeben wird:

{
  "id": "chatcmpl-abc123xyz",
  "object": "chat.completion",
  "created": 1712345678,
  "model": "grok-4.20-0309-reasoning",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Deep learning is a branch of machine learning..."
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 42,
    "completion_tokens": 156,
    "total_tokens": 198
  },
  "system_fingerprint": "fp_abc123"
}

Felder auf der obersten Ebene

  • id: Einzigartige Kennung für die Antwort (Format chatcmpl-...). Nützlich zur Verfolgung und zum Debuggen.
  • object: Immer "chat.completion". Ermöglicht die Unterscheidung dieses Antworttyps von anderen Endpunkten.
  • created: Unix-Zeitstempel, wann die Antwort erstellt wurde.
  • model: Das Modell, das die Antwort generiert hat. Kann sich geringfügig vom angeforderten Modell unterscheiden, wenn Sie einen Alias verwenden.
  • choices: Array, das die generierte Antwort oder Antworten enthält.
  • usage: Tokenzähler für die Abrechnung.
  • system_fingerprint: Fingerabdruck der Systemkonfiguration, die verwendet wurde.

Das choices-Array

Das Feld choices ist ein Array, das in der Regel ein einzelnes Element (Index 0) enthält. Jedes Element beinhaltet:

  • index: Position im Array (beginnt bei 0)
  • message: Objekt mit role (immer "assistant") und content (der generierte Text)
  • finish_reason: Der Grund, warum die Generierung gestoppt wurde

Um den Text der Antwort zu extrahieren:

# Python
response_text = response.choices[0].message.content
// JavaScript
const responseText = response.choices[0].message.content;

finish_reason-Werte

Das Feld finish_reason gibt an, warum das Modell aufgehört hat, Text zu generieren:

stop

"finish_reason": "stop"

Das Modell hat seine Antwort natürlich abgeschlossen. Dies ist der häufigste und wünschenswerteste Fall: Das Modell hat alles gesagt, was es sagen musste.

length

"finish_reason": "length"

Die Generierung wurde abgebrochen, weil das Ausgabe-Limit erreicht wurde – max_completion_tokens, das den nun veralteten max_tokens ersetzt, und zählt nur die sichtbare Antwort. Die Antwort ist daher abgeschnitten: Erhöhen Sie das Limit oder starten Sie eine Fortsetzungsanfrage neu.

end_turn oder null im Streaming

Im Streaming-Modus trägt jeder Zwischenchunk "end_turn" oder null in finish_reason; nur der letzte Chunk gibt den Stop-Grund an.

Was die Referenz nicht dokumentiert

Die xAI API-Referenz dokumentiert nur diese Werte. Sie erwähnt weder content_filter noch den Wert, der während eines Tool-Aufrufs zurückgegeben wird: Um festzustellen, ob das Modell einen Tool-Aufruf anfordert, prüfen Sie das Vorhandensein von message.tool_calls anstelle des finish_reason-Werts.

Umgang mit verschiedenen Fällen

In der Produktion müssen Sie finish_reason prüfen, um Ihr Verhalten anzupassen:

choice = response.choices[0]

if choice.message.tool_calls:
    # Das Modell möchte einen oder mehrere Tools aufrufen
    for tool_call in choice.message.tool_calls:
        print(f"Tool angefordert: {tool_call.function.name}")

elif choice.finish_reason == "length":
    # Abgebrochene Antwort: Benachrichtigen Sie den Benutzer oder setzen Sie fort
    print(choice.message.content)
    print("[Abgebrochene Antwort: max_completion_tokens erhöhen]")

else:
    # Vollständige Antwort
    print(choice.message.content)

Kernaussagen

  • Die Antwort enthält eine eindeutige id, ein choices-Array und ein usage-Objekt
  • Der generierte Text befindet sich in choices[0].message.content
  • finish_reason gibt an, warum die Generierung gestoppt wurde: Die Referenz dokumentiert stop und length (sowie end_turn oder null im Streaming)
  • Prüfen Sie finish_reason, um abgeschnittene Antworten zu erkennen, und message.tool_calls für Tool-Aufrufe
  • Der system_fingerprint identifiziert die Systemkonfiguration, die für die Generierung verwendet wurde