工具使用 & 交错思维链

MiniMax-M3.1-Flash 原生支持 Interleaved Thinking。它能够在每轮 Tool Use 前，根据环境或工具的返回 (Output) 进行思考，并决策下一步行动。

这种能力使其在长程、复杂任务中表现出色，并在 SWE、BrowseComp、xBench 等 Code & Agent Benchmark 上达到了 SOTA 水平。下面我们通过具体的案例，说明 MiniMax-M3.1-Flash 在 Tool Use 和 Interleaved Thinking 上的最佳实践，它的核心是：回传每一次模型 Response 的全部信息，尤其是其中的思考字段（thinking / reasoning_content）。

参数说明

请求参数说明

tools: 定义可调用的函数列表，包含函数名、描述和参数规范

响应参数说明

工具使用响应中的关键字段：

thinking / reasoning_content: 模型的思考（thinking）
text / content: 模型输出的文本
tool_use / tool_calls: 模型决定调用工具
name / function.name: 被调用的工具名称
input / function.arguments: 工具调用参数（OpenAI 格式下为 JSON 字符串）
id: 工具调用的唯一标识符

MiniMax-M3.1-Flash 按需思考：在简单的工具调用中，模型可能直接调用工具而不输出思考内容，此时该轮响应中没有 thinking 内容块或 reasoning_content 字段。解析时请先判断字段是否存在，无论本轮是否包含思考内容，都需要完整回传模型返回的消息。

特别注意

在多轮 Function Call 对话中，必须将完整的模型返回（即 assistant 消息）添加到对话历史，以保持思维链的连续性： OpenAI SDK:

将完整的 response_message 对象（包含 reasoning_content 和 tool_calls 字段）添加到消息历史
模型的思考内容通过 reasoning_content 字段返回，回传时需要一并保留

Anthropic SDK:

将完整的 response.content（包含 thinking/text/tool_use 等所有块）添加到消息历史
response.content 是一个列表，包含多种类型的内容块，必须完整回传

请求示例

Anthropic SDK

配置环境变量

export ANTHROPIC_BASE_URL=https://api.minimax.cn/anthropic
export ANTHROPIC_API_KEY=${YOUR_API_KEY}

配置方法见配置环境变量。

示例代码

import anthropic
import json

# 初始化客户端
client = anthropic.Anthropic()

# 定义工具：天气查询
tools = [
    {
        "name": "get_weather",
        "description": "Get weather of a location, the user should supply a location first.",
        "input_schema": {
            "type": "object",
            "properties": {
                "location": {
                    "type": "string",
                    "description": "The city and state, e.g. San Francisco, US",
                }
            },
            "required": ["location"]
        }
    }
]

def send_messages(messages):
    params = {
        "model": "MiniMax-M3.1-Flash",
        "max_tokens": 4096,
        "messages": messages,
        "tools": tools,
    }

    response = client.messages.create(**params)
    return response

def process_response(response):
    thinking_blocks = []
    text_blocks = []
    tool_use_blocks = []

    # 遍历所有内容块
    for block in response.content:
        if block.type == "thinking":
            thinking_blocks.append(block)
            print(f"💭 Thinking>\n{block.thinking}\n")
        elif block.type == "text":
            text_blocks.append(block)
            print(f"💬 Model>\t{block.text}")
        elif block.type == "tool_use":
            tool_use_blocks.append(block)
            print(f"🔧 Tool>\t{block.name}({json.dumps(block.input, ensure_ascii=False)})")

    return thinking_blocks, text_blocks, tool_use_blocks

# 1. 用户提问
messages = [{"role": "user", "content": "How's the weather in San Francisco?"}]
print(f"\n👤 User>\t {messages[0]['content']}")

# 2. 模型返回第一轮响应（可能包含工具调用）
response = send_messages(messages)
thinking_blocks, text_blocks, tool_use_blocks = process_response(response)

# 3. 如果有工具调用，执行工具并继续对话
if tool_use_blocks:
    # ⚠️ 关键：将助手的完整响应回传到消息历史
    # response.content 包含所有块的列表：[thinking块, text块, tool_use块]
    # 必须完整回传，否则后续对话会丢失上下文信息
    messages.append({
        "role": "assistant",
        "content": response.content
    })

    # 执行工具并返回结果（这里模拟天气API调用）
    print(f"\n🔨 执行工具: {tool_use_blocks[0].name}")
    tool_result = "24℃, sunny"
    print(f"📊 工具返回: {tool_result}")

    # 添加工具执行结果
    messages.append({
        "role": "user",
        "content": [
            {
                "type": "tool_result",
                "tool_use_id": tool_use_blocks[0].id,
                "content": tool_result
            }
        ]
    })

    # 4. 获取最终回复
    final_response = send_messages(messages)
    process_response(final_response)

代码输出结果如下：

👤 User>	 How's the weather in San Francisco?
💬 Model>	I'll check that for you.
🔧 Tool>	get_weather({"location": "San Francisco, US"})

🔨 执行工具: get_weather
📊 工具返回: 24℃, sunny
💭 Thinking>
The user asked about the weather in San Francisco. The tool returned 24°C and sunny. Let me present that. Note 24°C is 75°F. I should just report the result. Maybe add a note about the temperature being unusually warm for SF, but I shouldn't over-speculate. I'll present the result clearly.

💬 Model>	The weather in San Francisco is currently:

- **Temperature:** 24°C (about 75°F)
- **Conditions:** Sunny

A warm, sunny day — you'd typically want light clothing and maybe sunscreen if you're heading outside. Let me know if you'd like the forecast for a different location or need more details!

第一轮请求的返回结果

{
    "id": "0722aa34c63ce29f90ac9051ece69b22",
    "type": "message",
    "role": "assistant",
    "model": "MiniMax-M3.1-Flash",
    "content": [
        {
            "text": "I'll check that for you.",
            "type": "text"
        },
        {
            "type": "tool_use",
            "id": "call_function_a5g4we9cji7p_1",
            "name": "get_weather",
            "input": {
                "location": "San Francisco, US"
            }
        }
    ],
    "usage": {
        "input_tokens": 280,
        "output_tokens": 37,
        "cache_creation_input_tokens": 0,
        "cache_read_input_tokens": 188
    },
    "stop_reason": "tool_use",
    "base_resp": {
        "status_code": 0,
        "status_msg": ""
    }
}

OpenAI SDK

配置环境变量

export OPENAI_BASE_URL=https://api.minimax.cn/v1
export OPENAI_API_KEY=${YOUR_API_KEY}

配置方法见配置环境变量。

示例代码

通过 OpenAI SDK 调用 MiniMax-M3.1-Flash 时，思考内容通过 reasoning_content 字段返回，可以直接用于展示。

重要提醒：为了保证 Interleaved Thinking 的生效、模型思维链不被打断，包含 reasoning_content 在内的完整 response_message 必须被保留在 Message History 中，在下一轮调用中回传给模型。如此才能发挥模型的最佳性能！

请注意请求并解析 API 返回的函数 send_messages 的实现，和追加历史消息 messages.append(response_message) 操作：

import json

from openai import OpenAI

client = OpenAI()

# 定义工具：天气查询
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get weather of a location, the user should supply a location first.",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "The city and state, e.g. San Francisco, US",
                    }
                },
                "required": ["location"],
            },
        },
    },
]


def send_messages(messages):
    """发送消息并返回响应"""
    response = client.chat.completions.create(
        model="MiniMax-M3.1-Flash",
        messages=messages,
        tools=tools,
    )
    return response.choices[0].message


# 1. 用户提问
messages = [{"role": "user", "content": "How's the weather in San Francisco?"}]
print(f"👤 User>\t {messages[0]['content']}")

# 2. 模型返回工具调用
response_message = send_messages(messages)

if response_message.tool_calls:
    tool_call = response_message.tool_calls[0]
    function_args = json.loads(tool_call.function.arguments)
    if getattr(response_message, "reasoning_content", None):
        print(f"💭 Thinking>\t {response_message.reasoning_content}")
    print(f"💬 Model>\t {response_message.content}")
    print(f"🔧 Tool>\t {tool_call.function.name}({function_args['location']})")

    # 3. 执行工具并返回结果
    # ⚠️ 关键：完整回传 response_message（包含 reasoning_content 和 tool_calls）
    messages.append(response_message)
    messages.append(
        {
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": "24℃, sunny",  # 实际应用中这里应该调用真实的天气API
        }
    )

    # 4. 获取最终回复
    final_message = send_messages(messages)
    if getattr(final_message, "reasoning_content", None):
        print(f"💭 Thinking>\t {final_message.reasoning_content}")
    print(f"💬 Model>\t {final_message.content}")
else:
    print(f"💬 Model>\t {response_message.content}")

代码输出结果如下：

👤 User>	 How's the weather in San Francisco?
💬 Model>	 I'll check the weather in San Francisco for you.
🔧 Tool>	 get_weather(San Francisco, US)
💬 Model>	 The weather in San Francisco is currently **24°C (75°F) and sunny** — pleasant conditions for a day out. If you need more detail (like wind, humidity, or a multi-day forecast), just let me know.

第一轮请求的返回结果

{
    "id": "0722aa35f6b10a17627b07ff112caa6a",
    "choices": [
        {
            "finish_reason": "tool_calls",
            "index": 0,
            "message": {
                "content": "I'll check that for you.",
                "role": "assistant",
                "name": "MiniMax AI",
                "tool_calls": [
                    {
                        "id": "call_function_y7ipauye40nx_1",
                        "type": "function",
                        "function": {
                            "name": "get_weather",
                            "arguments": "{\"location\": \"San Francisco, US\"}"
                        },
                        "index": 0
                    }
                ],
                "audio_content": ""
            }
        }
    ],
    "created": 1792243509,
    "model": "MiniMax-M3.1-Flash",
    "object": "chat.completion",
    "usage": {
        "total_tokens": 505,
        "total_characters": 0,
        "prompt_tokens": 468,
        "completion_tokens": 37,
        "prompt_tokens_details": {
            "cached_tokens": 466
        }
    },
    "input_sensitive": false,
    "output_sensitive": false,
    "input_sensitive_type": 0,
    "output_sensitive_type": 0,
    "output_sensitive_int": 0,
    "base_resp": {
        "status_code": 0,
        "status_msg": ""
    }
}

注意事项

如果在使用MiniMax模型过程中遇到任何问题：

通过邮箱 Model@minimax.io 等官方渠道联系我们的技术支持团队
在我们的 Github 仓库提交Issue

在 AI 编程工具里使用 MiniMax-M3.1-Flash

具备代码理解能力，适用于代码助手等场景。

文本生成指南

支持通过 Anthropic 和 OpenAI 兼容接口进行文本生成调用

Anthropic API 兼容（推荐）

通过 Anthropic SDK 调用 MiniMax 模型

OpenAI API 兼容

通过 OpenAI SDK 调用 MiniMax 模型

开始使用

使用指南

常见问题

条款与政策

参数说明

请求参数说明

响应参数说明

特别注意

请求示例

Anthropic SDK

配置环境变量

示例代码

OpenAI SDK

配置环境变量

示例代码

注意事项

推荐阅读

在 AI 编程工具里使用 MiniMax-M3.1-Flash

文本生成指南

Anthropic API 兼容（推荐）

OpenAI API 兼容

​参数说明

​请求参数说明

​响应参数说明

​特别注意

​请求示例

​Anthropic SDK

​配置环境变量

​示例代码

​OpenAI SDK

​配置环境变量

​示例代码

​注意事项

​推荐阅读

在 AI 编程工具里使用 MiniMax-M3.1-Flash

文本生成指南

Anthropic API 兼容（推荐）

OpenAI API 兼容

参数说明

请求参数说明

响应参数说明

特别注意

请求示例

Anthropic SDK

配置环境变量

示例代码

OpenAI SDK

配置环境变量

示例代码

注意事项

推荐阅读