【第二周】RAG与Agent实战09：LangChain访问阿里云通义大模型

在构建 RAG（检索增强生成）和 Agent（智能体）系统时，我们面临着"模型选择困难症"。市面上大模型层出不穷，每家厂商的 API

调用方式又各不相同。如果每换一个模型就要重写一套代码，开发效率将极其低下。
LangChain 的出现解决了这个问题。它提供了一个精简的统一接口 ，屏蔽了底层不同模型的差异。无论后端是 OpenAI、阿里云通义千问，还是本地部署的 Llama，在 LangChain 中都可以用相似的代码逻辑进行调用。 本文将深入解析

LangChain 支持的三大类模型，并实战演示如何使用 LangChain 调用**阿里云通义千问（Tongyi）**系列的大语言模型。

🧩 LangChain 的三大模型组件

LangChain 目前主要支持三种类型的模型组件，理解它们的区别对于正确选型至关重要：

模型类型	英文标识	核心定义	典型应用场景
大语言模型	LLMs	技术范畴的统称。基于 Transformer 架构，核心能力是理解和生成自然语言。输入是字符串，输出也是字符串。	文本生成、摘要、翻译、代码补全等非对话式任务。
聊天模型	Chat Models	应用范畴的细分。专为对话场景优化的 LLMs。核心能力是模拟人类对话的轮次交互。输入是消息列表（Messages），输出是消息对象。	智能客服、角色扮演、多轮对话助手、Agent 决策。
嵌入模型	Embeddings Models	将文本转换为向量（一串数字）的模型。用于计算文本之间的语义相似度。	RAG 中的知识库检索、语义搜索、聚类分析。

💡 关键区别：

• LLMs 更像是一个"文本补全引擎"，适合处理单次任务。
• Chat Models 拥有"记忆"和"角色"概念，适合处理复杂的交互逻辑。
• Embeddings 不生成文本，只生成向量，是 RAG 检索环节的基石。

在本系列教程中，我们将主要使用阿里云的通义千问系列。需要注意的是，阿里云的模型命名中：

• qwen-max / qwen-plus：通常对应 LLM 接口（文本生成）。
• qwen-turbo / qwen-max (部分语境)：也可作为 Chat Model 使用。
• 注：具体分类需参考 LangChain 的具体实现封装。本案例中我们使用 Tongyi 类，它主要封装了文本生成能力。

---

🛠️ 实战：使用 LangChain 调用通义千问

我们将使用 langchain_community 包中提供的 Tongyi 类来调用阿里云的大模型。

1. 环境准备

首先，确保你已经安装了必要的库：

pip install langchain langchain-community dashscope

注意 ：调用阿里云模型需要安装 dashscope SDK，并且需要配置环境变量 DASHSCOPE_API_KEY。

2. 代码实现

以下是完整的调用代码。我们选择 qwen-max 模型，因为它是一个强大的通用大语言模型。

import os
from langchain_community.llms.tongyi import Tongyi

# 【重要】确保在环境变量中配置了 DASHSCOPE_API_KEY
# 或者在代码中直接指定 api_key="sk-..." (不推荐硬编码)
# os.environ["DASHSCOPE_API_KEY"] = "你的API_KEY"

# 1. 初始化模型
# 注意：这里使用 qwen-max。
# 为什么不选 qwen3-max？因为在 LangChain 的某些封装版本或特定语境下，
# qwen-max 被视为标准的文本生成 LLM，而带 'chat' 或特定版本的模型可能更适合 ChatModel 接口。
# Tongyi 类主要面向 LLM (文本补全) 风格的调用。
model = Tongyi(model_name="qwen-max")

# 2. 调用 invoke 方法向模型提问
# invoke 是 LangChain 的标准调用方法，输入字符串，返回字符串
question = "你是谁呀？能做什么？"
print(f"🤖 正在提问：{question}...\n")

try:
    res = model.invoke(question)
    print("✅ 模型回答：")
    print(res)
except Exception as e:
    print(f"❌ 调用出错：{e}")

3. 代码解析

• from langchain_community.llms.tongyi import Tongyi :

  从社区包中导入通义千问的 LLM 封装类。这意味着该模型被归类为 LLMs (大语言模型) 而非 Chat Models。

• model = Tongyi(model_name="qwen-max") :

  实例化模型对象。model_name 参数决定了使用阿里云的哪一个具体模型版本。qwen-max 是通义千问系列中性能较强的版本，适合复杂任务。

• model.invoke("...") :

  这是 LangChain Runnable 接口的核心方法。

  • 输入：一个字符串（Prompt）。
  • 输出 ：一个字符串（生成的文本）。
    这种简单的"输入->输出"模式非常适合做文本处理、抽取、分类等任务。

---

运行结果示例

运行上述代码，你将看到类似以下的输出：

📝 总结

本节课我们完成了以下目标：

1. 理论认知 ：理解了 LangChain 中 LLMs 、Chat Models 和 Embeddings 三大组件的区别。
2. 环境搭建 ：掌握了调用阿里云模型所需的库 (langchain-community, dashscope)。
3. 代码实战 ：学会了使用 Tongyi 类和 invoke 方法，以统一的接口调用通义千问大模型。

通过 LangChain 的抽象，我们可以轻松地在不同模型之间切换。