答案在response.choices[0].message.content中；常规模式下直接提取该字段，推理模式下content可能为空而reasoning_content含完整推导，OCR模型需查data.response，重排序API则看results数组中的document和relevance_score。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
调用千问AI API后拿到一串JSON，但不知道哪个字段是你要的答案，response.choices[0].message.content到底在哪、为什么有时为空、reasoning字段又是什么——这些问题不解决，后续业务逻辑根本跑不起来。
确认API返回结构类型
第一步不是急着取值，而是先看status是否为success。如果status是error，直接读message字段里的错误描述，比如“invalid_api_key”或“model_not_found”，此时content字段毫无意义。
status为success时，再看顶层是否有reasoning_content、reasoning_steps等字段。有，说明你启用了推理模式（return_reasoning=True）；没有，说明走的是常规响应路径，答案就在content里。
【启用推理模式后，content字段可能为空或只含结论，核心逻辑全在reasoning_content中】
常规模式下提取content字段
这是最常见的情况：没开推理，模型直接返回答案。
步骤一：用Python解析JSON响应 → response_json = response.json()
步骤二：定位到response_json["choices"][0]["message"]["content"]，这就是你要的文本答案。
注意：如果choices数组为空，说明模型根本没生成任何内容，大概率是max_tokens设为0或输入被拦截，此时应检查请求体和status字段。
推理模式下正确读取答案
当你需要模型展示思考过程（比如数学推导、代码生成逻辑），就必须处理reasoning_content字段。
方法一：只取最终结论 → 读response_json["choices"][0]["message"]["content"]，它通常是一句话总结。
方法二：完整保留推理链 → 读response_json["reasoning_content"]或response_json["choices"][0]["reasoning_steps"]（字段名依模型版本而异），该字段是字符串或数组，含完整中间步骤。
方法三：拼接使用 → 把content当作标题，reasoning_content当作正文，组合成带解释的输出，适合知识库问答或教学场景。
图片理解类API的字段解析
调用qwen-vl-ocr-2025-11-20这类OCR专用模型时，返回结构完全不同。
直接取data["response"]获取文字识别结果，这是最简路径。
若需结构化字段（如发票中的金额、日期），必须检查data["analysis"]下的objects、scenes、texts子字段——它们是空列表，说明OCR模块未生效，要回头确认modelName是否写对、prompt是否含“提取文字”等明确指令。
【OCR模型返回的data字段是核心容器，所有结果都包裹在data内，不在choices层级】
重排序（Reranker）类API字段提取
这类API不生成文本，而是对文档列表打分排序。
第一步：确认返回体含results数组，而非choices。
第二步：遍历results → 每个元素含document、relevance_score、rank三个关键字段。
第三步：按rank升序取前N个document，就是最相关的原文片段。
注意：relevance_score是浮点数，范围通常在0.0–1.0之间，值越高代表相关性越强，但不同模型量纲可能不一致，不可跨模型直接比较。
