背景
在大模型的浪潮中，阿里云推出的通义千问（Qwen）以强大的中文理解能力和开放生态脱颖而出。如果你是一名 Java 开发者，希望快速体验 AI 问答、聊天、知识问答等功能，那么官方提供的 DashScope Java SDK 无疑是最便捷的入口。
本文将带你从零实现一个控制台版 AI 多轮对话 Demo，支持通义千问模型（Qwen）的流式输出，实现类似 ChatGPT 的实时回复体验。
准备工作
1. 注册与获取 API Key
- 访问阿里云 DashScope 平台。
- 登录后进入「控制台」 -> 「API Key 管理」，创建并复制你的 API Key。
- 请妥善保管此 Key，不要上传到公共仓库。
2. 创建 Java 项目并引入依赖
如果你使用 Maven 构建项目，只需在 pom.xml 中添加以下依赖：
<dependency>
<groupId>com.alibaba</groupId>
<artifactId>dashscope-sdk-java</artifactId>
<version>2.21.12</version>
<!--如果有冲突请排除掉slf4j-simple-->
<exclusions>
<exclusion>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-simple</artifactId>
</exclusion>
</exclusions>
</dependency>
提示：版本号可到 DashScope SDK 官方仓库查看最新版本。
代码实现
接下来我们实现一个完整的控制台应用：
- 支持用户多轮输入；
- 每轮对话都带上下文记忆；
- 采用通义千问的流式输出模式（边生成边显示）。
核心代码
public class GenerationDemo {
// API 密钥
private static final String API_KEY = "替换为你的 API 密钥即可";
/**
* 创建 GenerationParam 对象
* @param messages 对话消息列表
* @return GenerationParam 对象
*/
public static GenerationParam createGenerationParam(List<Message> messages) {
return GenerationParam.builder()
.apiKey(API_KEY)
.model("qwen-turbo") // 指定模型名称
.messages(messages)
.resultFormat(GenerationParam.ResultFormat.MESSAGE)
.incrementalOutput(true) // 开启增量输出，流式返回
.build();
}
/**
* 使用对话消息发起流式生成调用
* @param param 生成参数
* @return 流式生成结果
*/
public static Flowable<GenerationResult> callGenerationWithMessages(GenerationParam param) throws ApiException, NoApiKeyException, InputRequiredException {
Generation gen = new Generation();
return gen.streamCall(param); // 通过 streamCall 开启流式调用
}
/**
* 创建消息对象的辅助方法
* @param role 角色
* @param content 消息内容
* @return 消息对象
*/
private static Message createMessage(Role role, String content) {
return Message.builder().role(role.getValue()).content(content).build();
}
public static void main(String[] args) {
try {
List<Message> messages = new ArrayList<>();
// 添加系统角色消息，设定助手身份
messages.add(createMessage(Role.SYSTEM, "你是一个非常热心的助手"));
// 进行 2 轮对话（演示）
for (int i = 0; i < 2; i++) {
Scanner scanner = new Scanner(System.in);
System.out.print("请输入：");
String userInput = scanner.nextLine();
if ("exit".equalsIgnoreCase(userInput)) {
break;
}
// 添加用户消息
messages.add(createMessage(Role.USER, userInput));
// 创建生成参数
GenerationParam param = createGenerationParam(messages);
// 发起流式调用
CountDownLatch latch = new CountDownLatch(1); // 用于拼接完整响应内容
StringBuffer fullContent = new StringBuffer();
Flowable<GenerationResult> resultFlowable = callGenerationWithMessages(param);
System.out.print("模型输出：");
resultFlowable
.subscribeOn(Schedulers.io()) // IO 线程执行请求
.observeOn(Schedulers.computation()) // 计算线程处理响应
.subscribe(result -> {
String content = result.getOutput().getChoices().get(0).getMessage().getContent();
String finishReason = result.getOutput().getChoices().get(0).getFinishReason();
System.out.print(content);
fullContent.append(content);
// 当 finishReason 不为 null 时，表示是最后一个 chunk，输出用量信息
if (finishReason != null && !"null".equals(finishReason)) {
System.out.println("\n--- 请求用量 ---");
System.out.println("输入 Tokens：" + result.getUsage().getInputTokens());
System.out.println("输出 Tokens：" + result.getUsage().getOutputTokens());
System.out.print("总 Tokens：" + result.getUsage().getTotalTokens());
}
System.out.flush(); // 立即刷新输出
},
// onError: 处理错误
error -> {
System.err.println("\n请求失败：" + error.getMessage());
latch.countDown();
},
// onComplete: 完成回调
() -> {
System.out.println(); // 换行
// System.out.println("完整响应：" + fullContent.toString());
latch.countDown();
});
latch.await();
messages.add(createMessage(Role.SYSTEM, fullContent.toString()));
}
} catch (ApiException | NoApiKeyException | InputRequiredException e) {
e.printStackTrace();
} catch (InterruptedException e) {
throw new RuntimeException(e);
}
System.exit(0);
}
}
原理说明
多轮对话的关键在于上下文记忆。每轮对话时，我们将之前的所有问答拼接为 prompt，再一起传给模型。
比如第 2 轮对话时：
用户：你好
模型：你好呀！很高兴见到你！😊 今天过得怎么样呀？有什么我可以帮你的吗？
用户：我之前问的啥
这样模型就能'记住'对话语境，实现自然的连续问答。
总结
通过本文，我们实现了一个基于 DashScope Java SDK 的通义千问流式问答 Demo，具有以下特性：
- 支持多轮对话（上下文记忆）
- 实时流式输出体验
- 控制台简单交互
