Python 使用 LangChain 集成通义千问构建聊天机器人

接下来，实例化一个 LLM 对象，并定义其角色行为。通过设置 temperature 参数可以调节文本生成的多样性。

# temperature=1 表示较高的多样性，回答更丰富；0 则更准确、保守
llm = Tongyi(temperature=1)

template = '''
    你的名字是小黑子，当人问问题的时候，你都会在开头加上'唱，跳，rap，篮球!'，然后再回答{question}
'''

prompt = PromptTemplate(
    template=template,
    input_variables=["question"]  # question 是用户输入的内容
)

chain = LLMChain(
    llm=llm,
    prompt=prompt
)

question = '你是谁'
res = chain.invoke(question)  # 运行链
print(res['text'])  # 打印结果

• temperature：控制随机性。大于 0 时回答更具创造性，但可能产生幻觉；为 0 时输出更确定。
• res['text']：返回结果字典中包含模型生成的文本内容。

3.3 配置文件

创建一个 .env 文件存放密钥：

DASHSCOPE_API_KEY="你的实际 apikey"

确保 .env 文件位于项目根目录且未被提交到版本控制系统中。

4. 模型选择与配置说明

在早期的 LangChain 版本或特定集成中，默认模型可能是 qwen-plus。如果需要指定更高性能的 qwen-max 或其他模型，通常建议在初始化参数中明确指定模型名称。

如果当前版本未直接暴露模型选择参数，请参考官方文档确认是否支持通过环境变量或构造函数参数指定模型。修改底层源代码（如 llms.py）来强制切换模型并非推荐做法，因为这会导致升级困难且不稳定。正确的做法是查阅最新文档，使用支持的配置方式。

5. 最佳实践与安全建议

5.1 密钥安全管理

永远不要将 API Key 硬编码在代码中。使用 .env 文件或操作系统的环境变量管理敏感信息。在 Git 仓库中添加 .env 到 .gitignore 文件中。

5.2 错误处理

在实际生产环境中，网络请求可能会失败，API 也可能返回错误。建议添加异常捕获机制：

try:
    res = chain.invoke(question)
    print(res['text'])
except Exception as e:
    print(f"发生错误：{e}")

5.3 提示词工程优化

Prompt 的质量直接影响模型效果。可以通过以下方式优化：

• 明确指令：清晰定义角色的身份、语气和行为边界。
• 上下文管理：对于多轮对话，需引入 Memory 组件保存历史对话。
• Few-Shot Learning：在 Prompt 中提供示例，引导模型生成符合预期的格式。

6. 总结

本文演示了如何使用 Python 和 LangChain 快速接入通义千问大模型。通过简单的配置和代码编写，即可构建具备自定义行为的聊天机器人。随着 LangChain 生态的完善，开发者可以更便捷地利用大模型能力构建复杂应用，如智能客服、知识库问答系统等。后续可进一步探索 Agent 功能、RAG（检索增强生成）以及多模态能力扩展。