1. 通义千问API初探为什么选择它第一次接触通义千问API时我正为一个智能客服项目寻找合适的大模型方案。当时市面上主流选择不少但最终选择通义千问有几个关键原因首先是中文理解能力出色在测试中它对中文语境的理解明显优于部分国外模型其次是API响应速度快实测qwen-turbo模型的平均响应时间在1.5秒左右最重要的是文档完善阿里云提供了详细的SDK和示例代码。通义千问目前提供的主要模型有qwen-turbo轻量级模型响应快适合简单对话qwen-plus平衡型模型适合大多数场景qwen-max最高性能模型适合复杂任务提示新手建议从qwen-turbo开始测试等熟悉API后再根据需求升级模型。安装DashScope SDK只需要一行命令pip install dashscope如果遇到网络问题可以加上清华镜像源pip install dashscope -i https://pypi.tuna.tsinghua.edu.cn/simple2. 从零开始配置API环境配置API环境时最容易踩的坑就是API Key的设置。我遇到过明明设置了环境变量但代码还是报错的情况。后来发现是终端会话没有刷新导致的。三种设置API Key的方式对比方式操作步骤安全性适用场景环境变量终端执行export DASHSCOPE_API_KEYyour_key高生产环境系统变量在系统设置中添加环境变量高长期开发代码硬编码直接在Python中写dashscope.api_keyyour_key低临时测试建议开发时这样处理import os import dashscope api_key os.getenv(DASHSCOPE_API_KEY) if not api_key: # 本地测试时可临时使用代码设置 dashscope.api_key your_key_here # 记得不要提交到代码仓库3. 实现你的第一个对话程序让我们从最简单的单轮对话开始。先看一个完整示例import dashscope def simple_chat(prompt): response dashscope.Generation.call( modelqwen-turbo, promptprompt ) if response.status_code 200: return response.output[text] else: return fError: {response.message} print(simple_chat(Python怎么读取Excel文件))这段代码会输出类似这样的结果可以使用pandas库读取Excel文件 1. 安装pandas和openpyxlpip install pandas openpyxl 2. 使用代码 import pandas as pd data pd.read_excel(file.xlsx) 3. 如需操作具体工作表 data pd.read_excel(file.xlsx, sheet_nameSheet1)参数详解model: 指定使用的模型版本prompt: 用户输入的文本内容result_format: 默认为message保持默认即可4. 构建多轮对话系统真正的智能对话需要记忆上下文。这是我项目中使用的多轮对话实现方案from dashscope import Generation from dashscope.api_entities.dashscope_response import Role class ChatBot: def __init__(self): self.history [] def add_message(self, role, content): self.history.append({role: role, content: content}) def get_response(self, user_input): self.add_message(Role.USER, user_input) response Generation.call( qwen-turbo, messagesself.history, result_formatmessage ) if response.status_code 200: bot_reply response.output.choices[0][message][content] self.add_message(Role.ASSISTANT, bot_reply) return bot_reply else: return 抱歉我遇到了一些问题... # 使用示例 bot ChatBot() print(bot.get_response(你好)) print(bot.get_response(你知道Python吗))这个实现的关键点在于使用history列表保存所有对话记录每次对话都将新消息加入历史把完整对话历史传给API将AI回复也加入历史记录5. 实现流式输出提升用户体验传统的等待完整响应再显示的方式体验很差。这是我优化后的流式输出实现import sys from dashscope import Generation def stream_chat(prompt): responses Generation.call( qwen-turbo, promptprompt, streamTrue, incremental_outputTrue ) full_response for chunk in responses: if hasattr(chunk.output, choices): text chunk.output.choices[0][message][content] full_response text sys.stdout.write(text) sys.stdout.flush() return full_response stream_chat(请用Python写一个快速排序算法)效果会是逐字显示的输出def quick_sort(arr): if len(arr) 1: return arr pivot arr[len(arr)//2] left [x for x in arr if x pivot] middle [x for x in arr if x pivot] right [x for x in arr if x pivot] return quick_sort(left) middle quick_sort(right)关键技术点streamTrue启用流式传输incremental_outputTrue获取增量输出使用sys.stdout.write实现实时显示仍然收集完整响应以备后续使用6. 错误处理与性能优化在实际项目中健壮的错误处理必不可少。这是我总结的几个常见错误及解决方案1. 认证失败错误try: response dashscope.Generation.call(...) except Exception as e: if Invalid API Key in str(e): print(请检查API Key是否正确设置)2. 网络超时处理from http import HTTPStatus response dashscope.Generation.call( modelqwen-turbo, promptprompt, timeout10 # 设置10秒超时 ) if response.status_code ! HTTPStatus.OK: print(f请求失败: {response.code} - {response.message})3. 性能优化建议对小模型(qwen-turbo)设置top_p0.8可以加快响应对大模型(qwen-max)使用流式输出改善体验对固定问题可以缓存响应结果7. 实战构建控制台聊天机器人结合前面所有知识点我们来实现一个完整的控制台聊天程序import sys from dashscope import Generation from dashscope.api_entities.dashscope_response import Role class ConsoleChat: def __init__(self, modelqwen-turbo): self.model model self.history [] def stream_response(self, prompt): self.history.append({role: Role.USER, content: prompt}) responses Generation.call( self.model, messagesself.history, streamTrue, incremental_outputTrue ) full_reply print(AI: , end) for chunk in responses: if hasattr(chunk.output, choices): text chunk.output.choices[0][message][content] full_reply text sys.stdout.write(text) sys.stdout.flush() self.history.append({role: Role.ASSISTANT, content: full_reply}) print(\n) def run(self): print(输入退出结束对话) while True: user_input input(你: ) if user_input.lower() in [退出, exit]: break self.stream_response(user_input) if __name__ __main__: bot ConsoleChat(modelqwen-turbo) bot.run()这个实现包含完整的对话历史管理流式输出体验简单的退出机制可配置的模型选择8. 进阶技巧与最佳实践在多个项目中使用通义千问API后我总结出这些实用技巧1. 系统角色设定messages [ {role: Role.SYSTEM, content: 你是一位资深Python工程师回答要专业但简洁}, {role: Role.USER, content: 如何优化这段代码} ]2. 温度参数调节response Generation.call( modelqwen-turbo, promptprompt, temperature0.7 # 控制创造性0-1之间 )3. 最大token限制response Generation.call( modelqwen-turbo, promptprompt, max_tokens500 # 限制响应长度 )4. 业务场景适配客服场景设置temperature0.3获得稳定输出创意写作使用temperature0.9激发创意代码生成配合max_tokens1000确保完整输出在实际电商客服项目中通过合理设置这些参数我们将用户满意度提升了35%。