当前位置：首页 > news >正文

通义千问-langchain使用构建（一）

news 来源：原创 2025/6/28 1:30:24

序言

25年5月，现在基本每个大厂都有涉及大模型(Large Language Model)，然后在大模型基础上构建应用框架。

参考链接1：https://baijiahao.baidu.com/s?id=1823187505923920373
这个文章里提到24年全球已经有1300多个大模型，挺夸张的。
模型一多，自然有大模型开发应用框架的出现。每个厂商自身也会推出应用框架，但是有第三方整合使用，一个接口，总比好多个不同接口来的好。

25年LLM应用框架介绍：https://blog.csdn.net/m0_63171455/article/details/145929392
langchain知识库应用框架介绍：
https://blog.csdn.net/xiangxueerfei/article/details/141141146

所以，这个文章，用一下通义千问应用框架，基于通义千问接口构建一个langchain试用下。

通义千问

阿里的大模型名字。

1获取通义千问api_key

参考文档链接：https://help.aliyun.com/zh/model-studio/first-api-call-to-qwen?spm=a2c4g.11186623.0.i17

最终就是把这个界面的key值生成，后续复制出来使用。
在这里插入图片描述

2Conda构建下本地环境

如下图内容。创建虚拟环境，安装下包。dashscope是阿里自己的应用开发包，langchain是第三方的。
在这里插入图片描述
然后建个文件，保存下api_key,或者环境变量设置也行。

3 构建一下多轮对话

这个代码就是调用下【通义千问】接口，然后简单的多轮对话
代码：

import os
from dashscope import Generation
import dashscope
import key_config
def get_response(messages):response = Generation.call(# 若没有配置环境变量，请用阿里云百炼API Key将下行替换为：api_key="sk-xxx",api_key=key_config.tongyi_key,# 模型列表：https://help.aliyun.com/zh/model-studio/getting-started/modelsmodel="qwen-plus",messages=messages,result_format="message",)return response# 初始化一个 messages 数组
messages = [{"role": "system","content": """你是一名阿里云百炼手机商店的店员，你负责给用户推荐手机。手机有两个参数：屏幕尺寸（包括6.1英寸、6.5英寸、6.7英寸）、分辨率（包括2K、4K）。你一次只能向用户提问一个参数。如果用户提供的信息不全，你需要反问他，让他提供没有提供的参数。如果参数收集完成，你要说：我已了解您的购买意向，请稍等。""",}
]assistant_output = "欢迎光临阿里云百炼手机商店，您需要购买什么尺寸的手机呢？"
print(f"模型输出：{assistant_output}\n")
while "我已了解您的购买意向" not in assistant_output:user_input = input("请输入：")# 将用户问题信息添加到messages列表中messages.append({"role": "user", "content": user_input})assistant_output = get_response(messages).output.choices[0].message.content# 将大模型的回复信息添加到messages列表中messages.append({"role": "assistant", "content": assistant_output})print(f"模型输出：{assistant_output}")print("\n")

参考链接:https://help.aliyun.com/zh/model-studio/multi-round-conversation?spm=a2c4g.11186623.0.0.5c55623cU9ivA4
成效：
在这里插入图片描述

LangChain

一个大模型开发框架，github星多，用的人多，25年尚且流行。
主要功能就是把本地模型或者外部模型链接，再做一下嵌套应用。主要的好处，就是定制化，比如说搞好了一个特定的翻译应用，或者说园林行业的专家模型，原本用的openai，然后用着用着，太贵了，替换成通义千问，这时候，就不用局限于openai的开发框架，少量迁移工作就可以换成其他厂商的。

#英文官方文档
https://python.langchain.com/docs/introduction/
#中文非官方文档
https://www.langchain.com.cn/docs/introduction/

1使用Langchain调用通义千问接口实现翻译

代码

from fastapi import FastAPI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_qianwen import ChatQwen_v1
from langserve import add_routes
from openai import OpenAI
from langchain_community.llms.tongyi import Tongyi
from langchain.prompts.prompt import PromptTemplate
# 设置 API Key（推荐使用环境变量或文件）
import os
import key_config
os.environ['DASHSCOPE_API_KEY'] = key_config.tongyi_key# 1创建临时对话提示词
system_template = "Translate the following into {language}:"
prompt_template = ChatPromptTemplate.from_messages([('system', system_template),('user','{text}')
])# 2. 创建模型
model = Tongyi(model_name='qwen-max',model_kwargs={'temperature': 0.01})# 3.字符串解析
parser = StrOutputParser()# 4. Create chain
chain = prompt_template | model | parser# 4. App definition
app = FastAPI(title="LangChain Server",version="1.0",description="A simple API server using LangChain's Runnable interfaces",
)# 5. Adding chain route
add_routes(app,chain,path="/chain",
)if __name__ == "__main__":import uvicornuvicorn.run(app, host="localhost", port=8910)

这个代码构建完，对应路径加playgroud，就可以做简单的界面交互测试。
成效:
如下图所示，这句话就翻译成了印度语。
在这里插入图片描述
这个是翻译成德语

结论

综上，做了一下最简单的应用

目录

序言