这是一个简单的 LangChain Hello World 示例，演示如何使用通义千问 API 实现文本生成和问答功能。项目提供了三个通用的模型调用函数，可以满足不同的使用场景。

代码示例：

https://pan.baidu.com/s/1mKYLKGwkaPWQZ4NgNFXNdg?pwd=yaki 提取码: yaki

学习目标

了解如何在 LangChain 中使用通义千问 API

掌握基本的文本生成和问答功能

学习如何封装通用的模型调用函数

理解系统提示词的作用

掌握模板化提示词的使用方法

在开始使用 LangChain 和通义千问 API 之前，需要导入必要的模块。以下是代码中使用的 import 语句及其详细说明：

import os

from langchain_community.chat_models import ChatTongyi

from langchain_core.prompts import ChatPromptTemplate

from langchain_core.output_parsers import StrOutputParser

import dashscope

1. import os

作用：Python 标准库，用于访问操作系统功能

本项目中用途：从环境变量中获取 API Key

api_key = os.environ.get(‘DASHSCOPE_API_KEY’)

为什么使用环境变量：

• 安全性：避免将敏感信息（API Key）硬编码在代码中

• 灵活性：可以在不同环境中使用不同的配置

• **实践：符合安全编码规范

2. from langchain_community.chat_models import ChatTongyi

作用：导入 LangChain 社区版中的通义千问聊天模型封装

模块说明：

• langchain_community：LangChain 社区扩展包，包含第三方模型集成

• chat_models：聊天模型模块

• ChatTongyi：通义千问（阿里云）的聊天模型类

本项目中用途：创建通义千问模型实例，用于调用 API

参数说明：

• model_name：模型名称（qwen-turbo/qwen-plus/qwen-max）

• dashscope_api_key：通义千问 API 密钥

3. from langchain_core.prompts import ChatPromptTemplate

作用：导入 LangChain 核心库中的聊天提示词模板类

模块说明：

• langchain_core：LangChain 核心库，包含基础组件

• prompts：提示词模块

• ChatPromptTemplate：聊天提示词模板类

本项目中用途：创建结构化的提示词模板，支持变量替换

优势：

• 支持变量占位符 {variable}

• 类型安全，减少错误

• 易于维护和复用

4. from langchain_core.output_parsers import StrOutputParser

作用：导入 LangChain 核心库中的字符串输出解析器

模块说明：

• langchain_core：LangChain 核心库

• output_parsers：输出解析器模块

• StrOutputParser：字符串输出解析器

本项目中用途：将模型输出解析为纯文本字符串

parser = StrOutputParser()

result = parser.parse(model_output)

或者在链中使用

chain = prompt | llm | StrOutputParser()

result = chain.invoke({“variable”: “value”})

为什么需要解析器：

• 模型输出通常是结构化对象（如 AIMessage）

• 解析器将其转换为可用的格式（如字符串）

• 支持链式调用，简化代码

5. import dashscope

作用：导入阿里云 DashScope SDK

模块说明：

• dashscope：阿里云 DashScope（通义千问）官方 Python SDK

• 提供对通义千问 API 的直接访问

本项目中用途：设置全局 API Key，供 ChatTongyi 使用

为什么需要：

• ChatTongyi 底层依赖 dashscope SDK

• 设置全局 API Key 后，所有调用都会自动使用

• 避免在每个调用中重复传递 API Key

os (标准库)

└── 获取环境变量中的 API Key

dashscope (第三方 SDK)

└── 设置全局 API Key

langchain_community (LangChain 社区版)

└── ChatTongyi (通义千问模型封装)

└── 依赖 dashscope.api_key

langchain_core (LangChain 核心库)

├── ChatPromptTemplate (提示词模板)

└── StrOutputParser (输出解析器)

└── 解析模型输出为字符串

LangChain 支持多种大语言模型，不同的模型提供商有不同的调用方式。本节对比通义千问（阿里云）和 OpenAI 的调用方式。

Import 语句

API Key 设置

import os

import dashscope

api_key = os.environ.get(‘DASHSCOPE_API_KEY’)

dashscope.api_key = api_key模型初始化 llm = ChatTongyi(

model_name=“qwen-turbo”,

dashscope_api_key=api_key

)

支持的模型

调用示例

messages = [(“user”, “你好”)]

response = llm.invoke(messages)

print(response.content)完整示例 from langchain_community.chat_models import ChatTongyi

from langchain_core.prompts import ChatPromptTemplate

from langchain_core.output_parsers import StrOutputParser

import os

import dashscope

api_key = os.environ.get(‘DASHSCOPE_API_KEY’)

dashscope.api_key = api_key

llm = ChatTongyi(model_name=“qwen-turbo”, dashscope_api_key=api_key)

prompt = ChatPromptTemplate.from_template(“请回答：{question}”)

chain = prompt | llm | StrOutputParser()

result = chain.invoke({“question”: “你好”})

print(result)

Import 语句 from langchain_openai import ChatOpenAI API Key 设置 import os

api_key = os.environ.get(‘OPENAI_API_KEY’)

或者直接设置

api_key = “sk-your-api-key-here”模型初始化

llm = ChatOpenAI(

model=“gpt-3.5-turbo”,

api_key=api_key,

temperature=0.7

)

支持的模型

调用示例

messages = [(“user”, “Hello”)]

response = llm.invoke(messages)

print(response.content)完整示例 from langchain_openai import ChatOpenAI

from langchain_core.prompts import ChatPromptTemplate

from langchain_core.output_parsers import StrOutputParser

import os

api_key = os.environ.get(‘OPENAI_API_KEY’)

llm = ChatOpenAI(

model=“gpt-3.5-turbo”,

api_key=api_key,

temperature=0.7

)

prompt = ChatPromptTemplate.from_template(“请回答：{question}”)

chain = prompt | llm | StrOutputParser()

result = chain.invoke({“question”: “你好”})

print(result)

方法一：条件导入

import os

根据环境变量选择模型

model_provider = os.environ.get(‘MODEL_PROVIDER’, ‘qwen’)

if model_provider == ‘qwen’:

from langchain_community.chat_models import ChatTongyi

import dashscope

api_key = os.environ.get(‘DASHSCOPE_API_KEY’)

dashscope.api_key = api_key

llm = ChatTongyi(model_name=“qwen-turbo”, dashscope_api_key=api_key)

elif model_provider == ‘openai’:

from langchain_openai import ChatOpenAI

api_key = os.environ.get(‘OPENAI_API_KEY’)

llm = ChatOpenAI(model=“gpt-3.5-turbo”, api_key=api_key)

result = llm.invoke([(“user”, “你好”)])

print(result.content)

方法二：工厂函数

def create_llm(provider: str = “qwen”):

”““创建大语言模型实例”“”

import os

if provider == “qwen”:

from langchain_community.chat_models import ChatTongyi

import dashscope

api_key = os.environ.get(‘DASHSCOPE_API_KEY’)

dashscope.api_key = api_key

return ChatTongyi(model_name=“qwen-turbo”, dashscope_api_key=api_key)

elif provider == “openai”:

from langchain_openai import ChatOpenAI

api_key = os.environ.get(‘OPENAI_API_KEY’)

return ChatOpenAI(model=“gpt-3.5-turbo”, api_key=api_key)

else:

raise ValueError(f”不支持的模型提供商: {provider}“)

使用

llm = create_llm(“qwen”) # 或 “openai”

result = llm.invoke([(“user”, “你好”)])

print(result.content)

通义千问依赖

pip install langchain langchain-community dashscope

OpenAI 依赖

pip install langchain langchain-openai openai

通用依赖（两者都需要）

pip install langchain langchain-core

选择通义千问的场景

主要使用中文

在国内环境，需要快速访问

成本敏感，希望降低 API 调用费用

需要符合国内数据合规要求

选择 OpenAI 的场景

需要最先进的模型性能

主要使用英文

需要使用 OpenAI 的特定功能（如 GPT-4 的多模态）

项目已经使用 OpenAI 生态

• 三个通用函数：提供不同层次的模型调用接口

• 简单易用：封装复杂细节，提供简洁的 API

• 灵活配置：支持多种模型和参数配置

• 丰富示例：包含 10 个实际应用示例

• 错误处理：内置异常处理机制

功能：最简单的模型调用函数，直接传入文本返回结果

参数：

• prompt_text (str): 输入的提示文本

• model_name (str): 模型名称，默认为 “qwen-turbo”

返回：str - 模型生成的文本响应

支持的模型：

• qwen-turbo - 快速响应，适合简单任务

• qwen-plus - 平衡性能和速度

• qwen-max - 最强性能，适合复杂任务

功能：带系统提示词的模型调用，可以设定 AI 的角色和任务

参数：

• user_text (str): 用户输入的文本

• system_prompt (str): 系统提示词，用于设定角色和任务

• model_name (str): 模型名称，默认为 “qwen-turbo”

返回：str - 模型生成的文本响应

适用场景：角色扮演、专业问答、特定风格生成

功能：使用模板的模型调用，支持变量替换

参数：

• template_str (str): 模板字符串，使用 {variable} 作为占位符

• kwargs: 模板变量的键值对

返回：str - 模型生成的文本响应

适用场景：批量生成、格式化输出、动态提示词

result = call_qwen_with_template(

“请用{style}的风格写一首关于{topic}的诗”,

style=“浪漫”,

topic=“春天”

)

print(result)

# 安装依赖

pip install langchain langchain-community dashscope

设置环境变量

export DASHSCOPE_API_KEY=“your_api_key_here”

# 运行主程序

python 0-hello_world_qwen.py

from 0-hello_world_qwen import call_qwen_model

简单调用

result = call_qwen_model(“你好”)

print(result)

使用不同模型

result = call_qwen_model(“你好”, model_name=“qwen-plus”)

print(result)

选择建议

• 快速测试：使用 call_qwen_model

• 需要特定角色：使用 call_qwen_with_system_prompt

• 需要格式化输出：使用 call_qwen_with_template

• ChatTongyi：通义千问聊天模型封装

• ChatPromptTemplate：提示词模板

• StrOutputParser：字符串输出解析器

# LangChain 消息格式

messages = [

(“system”, “系统提示词”),

(“user”, “用户输入”)

]

# 使用 | 操作符进行链式调用

chain = prompt | llm | StrOutputParser()

result = chain.invoke({“variable”: “value”})

注意事项

1. API Key 安全：不要将 API Key 硬编码在代码中

2. 错误处理：代码已包含基本的异常处理

3. 模型选择：根据任务复杂度选择合适的模型

4. 成本控制：注意 API 调用次数和费用

5. 网络连接：确保网络连接正常

如何扩展功能

1. 添加记忆功能：实现多轮对话记忆

2. 添加流式输出：实现实时输出效果

3. 添加参数验证：增强输入参数的验证

4. 添加日志记录：记录 API 调用历史

5. 添加缓存机制：缓存常见问题的答案

这个 Hello World 示例展示了 LangChain 与通义千问 API 的基本使用方法。通过三个通用函数，你可以快速实现文本生成、问答、角色扮演等功能。示例代码结构清晰，易于理解和扩展，是学习 LangChain 的绝佳起点。