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。

为什么不使用OpenAI SDK：博主先用OpenAI SDK做的流式，后面发现多轮对话OpenAI SDK中没有java实现的版本，所以毫不犹豫的重新用DashScope SDK重新实现一遍

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：

GPT plus 代充 只需 145 
  
    
    
      com.alibaba 
     
  
    
    
      dashscope-sdk-java 
     
  
    
    
      2.21.12 
     
  
    
     
  
    
     
      
      
        org.slf4j 
       
      
        slf4j-simple 
       
      
     

提示：版本号可到 DashScope SDK 官方仓库 查看最新版本。

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 {

GPT plus 代充 只需 145// 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 
  
    
    
      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 
     
       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) public static void main(String[] args) // 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 
      
        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 -> System.out.flush(); // 立即刷新输出 } , // onError: 处理错误 error -> , // 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); } 
       
      
    

}

示意图：流式问答实时输出效果

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。

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