Large Language Model(LLM)应用开发学习实践（一）

一、百炼平台与DashScope平台的联系与区别

阿里云百炼平台（Bailian）与DashScope（灵积）都是阿里云提供的大模型服务产品，二者都基于通义千问（Qwen）等大模型，但在定位、功能、目标用户和使用方式上存在明显区别。整体上两者的关系为互补演进，DashScope 提供原子能力，百炼在此之上构建应用生态。

温馨提示：

DashScope控制台已逐步整合进百炼平台，DashScope仍作为阿里云通义千问系列大模型的底层API服务存在，适合高级开发者直接集成。两个平台共享同一套计费体系与配额管理。

（一）DashScope（灵积）平台

DashScope提供通义千问系列原始大模型API，通过HTTP/gRPC API或SDK（如dashscope Python包）调用大模型。适合已有工程能力，只需"模型能力"的团队。

（二）大模型服务百炼平台

阿里云大模型服务百炼平台在DashScope基础上封装了应用层能力，如预置应用模板、可视化搭建工具（拖拽式配置Prompt、知识库、插件、MCP工具）、支持Agent开发（可组合大模型+外部MCP工具+记忆存储+决策逻辑）、一键发布为Web应用或API等。同时，支持直接调用通义千问系列大模型API（底层通过DashScope）和模型微调等。

二、开发实践

实现功能：

基于qwen-plus大模型的无记忆单次问答；

AI Agent简单自定义工具的调用。

开发工具及大模型平台：

阿里云大模型服务平台百炼、LangChain、anaconda、PyCharm

注意事项：

基于langchain_community.chat_models调用通义千问模型，需要安装DashScope包；

在百炼控制台申请的API Key，可以直接用于调用DashScope的API。两个平台共享同一套计费体系和配额管理；

API Key存储于.env文件，采用设置环境变量的方式使用。

详细参考文档：

LangChain Doc - ChatTongyi

LangChain Doc - Tools

（一）关键代码

python 复制代码

import os
from dotenv import load_dotenv
from langchain_community.chat_models import ChatTongyi
from langchain_core.messages import HumanMessage,SystemMessage,AIMessage,ToolMessage
# 自定义Tools文件并自动识别所有工具
import Tools
from langchain_core.tools.structured import StructuredTool

# 解析.env文件并将所有变量设置为环境变量
load_dotenv()
QWEN_API_KEY = os.getenv("QWEN_API_KEY")

# 预定义大语言模型
ChatLLM = ChatTongyi(
    model="qwen-plus",
    api_key=QWEN_API_KEY,
    top_p=0.8
)

# 为大语言模型添加调用工具
# 通过from langchain.tools import tool引入@tool装饰器包装的工具函数，其取出的obj对象类型为langchain_core.tools.structured.StructuredTool
# StructuredTool是BaseTool的子类
tools_obj = []
tools_dic = {}
for name, obj in vars(Tools).items():
    if isinstance(obj, StructuredTool):
        tools_dic[name] = obj
        tools_obj.append(obj)
ChatLLM_tools = ChatLLM.bind_tools(tools_obj)

# 预定义系统提示词
SystemPrompt = "你是一位资深的BIM工程师，仅回答BIM领域相关的问题。若遇到与BIM领域无关或因信息不充分导致无法回答的问题，请回答'非常抱歉，无法为您当前遇到的问题提供一个较为准确的答复！'"

# 构建对话
UserMessage = ""
while UserMessage != "quit":
    UserMessage = input("请输入您的问题：")
    if UserMessage == "quit":
        break
    # 消息机制构建
    message = [
        SystemMessage(content=SystemPrompt),
        HumanMessage(content=UserMessage)
    ]
    # 消息提交大模型，模型决定是否需要调用工具
    response = ChatLLM_tools.invoke(message)
    #print(response) #测试
    # 检查是否有工具调用
    if response.tool_calls:
        # 执行所有工具调用
        tool_messages = []
        for tool_call in response.tool_calls:
            #print(tool_call) #测试
            tool_name = tool_call["name"]
            tool_args = tool_call["args"]
            # LLM回传信息给tools，并为对应tool传递参数
            tool_result = tools_dic[tool_name].invoke(tool_args)
            # 构造 ToolMessage 回传
            tool_messages.append(
                ToolMessage(content=str(tool_result), tool_call_id=tool_call["id"])
            )
        # 将原始消息 + 模型响应 + 工具结果再次传给模型
        final_response = ChatLLM_tools.invoke(message + [response] + tool_messages)
        print(final_response.content)
    else:
        # 模型直接回答，无需工具
        print(response.content)

python 复制代码

# Tools工具集
# @tool装饰器会将一个普通函数转换为一个langchain_core.tools.structured.StructuredTool对象。这个Tool对象包含：名称、描述、可调用函数、参数schema等
from langchain.tools import tool

@tool
def bim_software_intro(software_name: str) -> str:
    """在询问BIM软件的使用效果时调用该函数，该函数的作用是返回所询问BIM软件的使用效果及主观评价内容。

    Args:
        software_name:询问的BIM软件的名称
    """
    comment = "{0}软件解决了BIM领域中的生产痛难点，提高了建筑业生产效率与质量，推动了建筑业的智能信息化。".format(software_name)
    return comment