LangChain模型调用与多轮对话完整实战

梦想三三2026-07-28 9:59

摘要：本文记录使用 LangChain 调用阿里云百炼 Qwen 模型的完整过程，包括创建 API Key、在 Windows 中配置环境变量、连接 OpenAI 兼容接口、理解三种消息类型，以及手动维护多轮对话历史。本文使用 Python 3.10.18 和 uv 项目环境。

文章目录

一、从"调用模型"开始学习 LangChain

1、这一篇要解决什么问题

上一篇已经完成了 uv、Python 3.10.18、项目虚拟环境和 PyCharm 解释器的配置。这一篇正式进入大模型开发，完成下面几件事：

  1. 获取阿里云百炼 API Key；
  2. 将密钥安全地保存到 Windows 环境变量；
  3. 使用 ChatOpenAI 连接 Qwen 模型；
  4. 理解系统、用户和 AI 三种消息；
  5. 实现能够保留上下文的多轮对话；
  6. 理解模型调用、LangChain 和对话历史之间的关系。

初学时最容易混淆的是：Qwen 是模型，阿里云百炼提供模型服务，LangChain 则负责组织消息、调用模型以及连接后续的提示词、知识库和工具。

它们之间的关系可以简单理解为：

text 复制代码 
Python 程序
    ↓
LangChain
    ↓
OpenAI 兼容接口
    ↓
阿里云百炼 Qwen 模型
    ↓
模型回答

2、本文运行环境

本文使用：

text 复制代码 
操作系统：Windows 11
Python：3.10.18
环境管理：uv
开发工具：PyCharm + Jupyter Notebook
模型：qwen-plus
环境变量：DASHSCOPE_API_KEY

项目已经存在 pyproject.toml 和 uv.lock，因此先在项目根目录同步环境：

powershell 复制代码 
uv sync --locked

验证核心依赖：

powershell 复制代码 
uv run python -c "import langchain, langchain_openai; print('LangChain 环境正常')"

二、准备阿里云百炼 API Key

1、API Key 是什么

API Key 可以理解为程序访问模型服务时使用的身份凭证。每次调用模型，服务端都会根据它判断：

  • 请求属于哪个账号或业务空间；
  • 当前账号是否有模型调用权限；
  • 调用量和费用应该记录到哪里。

因此，API Key 的作用类似密码，不能直接发布在文章、GitHub 仓库、Notebook 输出或截图中。

2、创建自己的 API Key

进入阿里云百炼控制台，在 API Key 管理页面创建密钥。创建时要确认密钥所属的地域和业务空间，因为后面使用的 API 地址必须与它匹配。

创建成功后，应立即把密钥保存到安全位置。

模型调用流程可以概括为：

text 复制代码 
读取环境变量中的 API Key
        ↓
向百炼兼容接口发送 messages
        ↓
百炼验证身份并调用指定模型
        ↓
返回 AIMessage
        ↓
读取 response.content

三、在 Windows 中安全保存密钥

1、为什么不能把密钥写进代码

下面这种写法虽然能运行，但不推荐：

python 复制代码 
api_key = "sk-这里是完整密钥"

一旦把文件发送给别人、上传到代码仓库，或者在截图中露出代码，密钥就可能泄露。更安全的方式是把密钥保存在操作系统环境变量中，程序运行时再读取。

本文使用的变量名是：

text 复制代码 
DASHSCOPE_API_KEY

2、通过系统界面配置

按 Win + R 打开运行窗口，输入：

text 复制代码 
sysdm.cpl

进入"高级"→"环境变量"，在用户变量区域新建：

text 复制代码 
变量名：DASHSCOPE_API_KEY
变量值：自己的完整 API Key

配置完成后，要关闭已经打开的 PowerShell、PyCharm 和 Jupyter 内核，再重新打开。已经运行的程序不会自动读取新环境变量。

3、安全验证环境变量

不要直接在终端输出完整密钥。可以只检查变量是否存在：

powershell 复制代码 
if ($env:DASHSCOPE_API_KEY) {
    Write-Host "DASHSCOPE_API_KEY 已配置"
} else {
    Write-Host "DASHSCOPE_API_KEY 未读取到"
}

也可以在 Python 中验证：

python 复制代码 
import os

api_key = os.getenv("DASHSCOPE_API_KEY")
print("API Key 已读取" if api_key else "API Key 未读取")

如果显示"未读取"，先重启终端和 IDE，而不是反复创建同名变量。

四、使用 ChatOpenAI 连接 Qwen

1、为什么调用 Qwen 却使用 ChatOpenAI

ChatOpenAI 并不表示只能调用 OpenAI 官方模型。它封装的是 OpenAI 风格的聊天接口。

阿里云百炼提供 OpenAI 兼容接口，所以只要修改三项内容，就可以通过 ChatOpenAI 调用 Qwen：

  • model：要调用的模型名称；
  • api_key：百炼 API Key；
  • base_url：百炼的 OpenAI 兼容地址。

这就是"兼容接口"的价值：上层代码结构基本不变，只替换模型服务的连接信息。

2、初始化模型

为了兼容课程项目中锁定的 LangChain 版本，本文使用 openai_api_key 和 openai_api_base 参数：

python 复制代码 
import os
from langchain_openai import ChatOpenAI

api_key = os.getenv("DASHSCOPE_API_KEY")

if not api_key:
    raise RuntimeError("未读取到 DASHSCOPE_API_KEY，请检查环境变量并重启 IDE")

llm = ChatOpenAI(
    model="qwen-plus",
    openai_api_key=api_key,
    openai_api_base=(
        "https://dashscope.aliyuncs.com/"
        "compatible-mode/v1"
    ),
    temperature=0.7,
)

新版本 langchain-openai 通常也支持更简洁的参数名：

python 复制代码 
llm = ChatOpenAI(
    model="qwen-plus",
    api_key=api_key,
    base_url=(
        "https://dashscope.aliyuncs.com/"
        "compatible-mode/v1"
    ),
)

课程项目有 uv.lock 时，应以当前锁定版本支持的写法为准，不要为了模仿最新示例而随意升级整套依赖。

3、Base URL 应该使用哪个

base_url 是模型服务的访问地址，它不是 API Key，也不能被环境变量中的密钥自动替代。

常见的北京地域兼容地址是：

text 复制代码 
https://dashscope.aliyuncs.com/compatible-mode/v1

百炼目前也为部分地域和业务空间提供专属域名，形式类似：

text 复制代码 
https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1

应优先使用自己业务空间页面提供的地址，并确保 API Key、地域和业务空间相匹配。老师示例中的旧地址能够运行，是因为该兼容入口仍然可用，并不代表所有专属模型和业务空间都能混用。

五、完成第一次模型调用

1、最简单的 invoke 调用

模型初始化后，可以直接传入一个字符串：

python 复制代码 
response = llm.invoke("请用一句话介绍你自己")
print(response.content)

这里发生了两件事：

  1. llm.invoke() 把输入发送给远程模型；
  2. 模型返回一个 AIMessage 对象。

response 不是普通字符串，真正的文本内容保存在：

python 复制代码 
response.content

还可以查看返回对象的类型：

python 复制代码 
print(type(response))

结果通常类似：

text 复制代码 
<class 'langchain_core.messages.ai.AIMessage'>

2、模型什么时候产生费用

创建 ChatOpenAI 对象时只是保存连接配置，不会立即向模型提问。

真正发起网络请求的是：

python 复制代码 
llm.invoke(...)

也就是说，只有运行到调用语句时，程序才会把输入发送到阿里云百炼，并按照实际输入、输出和模型计费规则产生用量。

Notebook 已经显示的旧输出不会重复调用模型；重新执行对应单元格才会再次请求。

六、理解 LangChain 的三种消息

1、SystemMessage 负责设定规则

SystemMessage 用来告诉模型应该扮演什么角色、遵守什么要求：

python 复制代码 
from langchain_core.messages import SystemMessage

system_message = SystemMessage(
    content="你是一名耐心的 Python 老师，请用通俗中文回答。"
)

它通常不是用户真正提出的问题，而是整个对话的背景和行为规则。

2、HumanMessage 表示用户输入

HumanMessage 表示用户发送的内容：

python 复制代码 
from langchain_core.messages import HumanMessage

human_message = HumanMessage(
    content="什么是 Python 虚拟环境？"
)

3、AIMessage 表示模型回答

调用聊天模型后返回的是 AIMessage：

python 复制代码 
response = llm.invoke([
    system_message,
    human_message,
])

print(response.content)

三种消息和 OpenAI 兼容接口中的角色一一对应：

LangChain 消息 接口角色 含义
SystemMessage system 系统要求和角色设定
HumanMessage user 用户输入
AIMessage assistant 模型回答

使用消息对象比直接拼接字符串更清晰，也为后面的多轮对话、提示词模板和工具调用打下基础。

七、实现真正的多轮对话

1、模型不会自动记住上一次调用

下面是两个彼此独立的请求：

python 复制代码 
answer1 = llm.invoke("我叫小明。")
answer2 = llm.invoke("我叫什么名字？")

第二次调用时只发送了"我叫什么名字"，没有把第一句话一起发送。因此模型大概率不知道答案。

这是大模型 API 与聊天网页最容易让初学者误解的地方：模型接口默认是无状态的。网页看起来有记忆，是因为应用程序在每次请求时重新附带了历史消息。

2、手动维护消息列表

先建立对话历史：

python 复制代码 
from langchain_core.messages import (
    SystemMessage,
    HumanMessage,
)

messages = [
    SystemMessage(
        content="你是一名友好的中文助手。"
    )
]

第一轮对话：

python 复制代码 
messages.append(
    HumanMessage(content="我叫小明，正在学习 LangChain。")
)

response = llm.invoke(messages)
messages.append(response)

print(response.content)

第二轮对话：

python 复制代码 
messages.append(
    HumanMessage(content="我叫什么名字？正在学习什么？")
)

response = llm.invoke(messages)
messages.append(response)

print(response.content)

此时第二次调用收到的消息结构是：

text 复制代码 
SystemMessage：你是一名友好的中文助手
HumanMessage：我叫小明，正在学习 LangChain
AIMessage：第一轮回答
HumanMessage：我叫什么名字？正在学习什么？

因为历史消息被完整传入，模型才能结合上下文回答。

3、为什么还要保存 AI 的回答

只保存用户问题是不完整的：

python 复制代码 
messages.append(HumanMessage(content=user_input))

每轮调用后还应该把模型返回的 AIMessage 放入历史：

python 复制代码 
response = llm.invoke(messages)
messages.append(response)

否则下一轮模型只看见用户连续说了什么，却不知道自己之前回答了什么，容易产生上下文断裂。

4、用循环实现连续聊天

把上面的逻辑放进循环，就能得到一个简单的命令行聊天程序：

python 复制代码 
from langchain_core.messages import (
    SystemMessage,
    HumanMessage,
)

messages = [
    SystemMessage(
        content="你是一名耐心、简洁的中文学习助手。"
    )
]

while True:
    user_input = input("我：").strip()

    if user_input.lower() in {"exit", "quit", "退出"}:
        print("对话结束")
        break

    messages.append(
        HumanMessage(content=user_input)
    )

    response = llm.invoke(messages)
    messages.append(response)

    print("AI：", response.content)

这段代码已经具备聊天应用最核心的结构：

text 复制代码 
接收输入
→ 写入历史
→ 调用模型
→ 保存回答
→ 显示结果

八、用角色指令完成简单翻译

1、通过 SystemMessage 固定任务

除了聊天，还可以利用系统消息规定模型的工作：

python 复制代码 
messages = [
    SystemMessage(
        content="你是一名翻译助手，把用户输入翻译成英文。"
    ),
    HumanMessage(
        content="人工智能正在改变我们的学习方式。"
    ),
]

response = llm.invoke(messages)
print(response.content)

这种写法已经能够完成固定任务，但目标语言被写死在系统消息中。下一篇将使用 ChatPromptTemplate 把目标语言设计成变量，从而用同一份模板完成中文、英文、意大利语和日语等不同任务。

九、常见问题

1、环境变量明明配置了，Python 却读取不到

先检查变量是否存在：

python 复制代码 
import os
print(bool(os.getenv("DASHSCOPE_API_KEY")))

如果结果是 False：

  • 关闭并重新打开 PyCharm；
  • 重启 Notebook 内核；
  • 检查变量名是否准确；
  • 确认变量建立在当前用户下；
  • 不要在变量值外面额外加引号。

2、出现 401 或 AuthenticationError

这类错误通常与身份验证有关：

  • API Key 不完整或复制错误；
  • Key 已被删除或禁用；
  • Key 与地域、业务空间不匹配；
  • 环境变量中保存的仍是旧 Key。

不要通过反复安装 Python 包来解决认证错误，因为依赖安装和服务端身份认证是两件不同的事。

3、出现 404 或模型不存在

重点检查：

  • base_url 是否正确；
  • 地址末尾是否包含 /compatible-mode/v1；
  • model="qwen-plus" 是否拼写正确；
  • 当前业务空间是否有对应模型的调用权限。

4、代码运行成功但 PyCharm 仍然标红

先确认 Notebook 或脚本使用的是：

text 复制代码 
项目目录\.venv\Scripts\python.exe

再执行：

powershell 复制代码 
uv run python -c "import langchain_openai; print(langchain_openai.__file__)"

如果能够输出 .venv 中的包路径，说明运行环境正常，标红更可能是 IDE 索引尚未刷新。

5、对话越长为什么越慢

手动维护多轮历史时，每一次调用都会重新发送消息列表。历史越长：

  • 输入 Token 越多；
  • 调用费用可能越高；
  • 网络传输和模型处理时间越长；
  • 早期信息可能超过模型上下文长度。

实际应用通常会限制历史轮数、压缩旧对话或总结历史，而不是无限追加消息。

十、完整示例

1、可直接运行的多轮对话代码

python 复制代码 
import os

from langchain_openai import ChatOpenAI
from langchain_core.messages import (
    SystemMessage,
    HumanMessage,
)


api_key = os.getenv("DASHSCOPE_API_KEY")

if not api_key:
    raise RuntimeError(
        "未读取到 DASHSCOPE_API_KEY，请检查环境变量并重启 IDE"
    )

llm = ChatOpenAI(
    model="qwen-plus",
    openai_api_key=api_key,
    openai_api_base=(
        "https://dashscope.aliyuncs.com/"
        "compatible-mode/v1"
    ),
    temperature=0.7,
)

messages = [
    SystemMessage(
        content="你是一名耐心、简洁的中文学习助手。"
    )
]

while True:
    user_input = input("我：").strip()

    if user_input.lower() in {"exit", "quit", "退出"}:
        print("对话结束")
        break

    if not user_input:
        continue

    messages.append(
        HumanMessage(content=user_input)
    )

    response = llm.invoke(messages)
    messages.append(response)

    print("AI：", response.content)

在项目根目录运行：

powershell 复制代码 
uv run python chat.py

十一、总结

1、本篇掌握的核心知识

通过这次练习，可以得出几个非常重要的结论：

  1. API Key 是敏感凭证，应保存在环境变量中；
  2. base_url 决定请求发送到哪个模型服务；
  3. ChatOpenAI 可以连接兼容 OpenAI 协议的模型服务；
  4. invoke() 才是真正发起模型请求的步骤；
  5. 返回结果是 AIMessage，正文通过 .content 获取；
  6. SystemMessage 负责规则，HumanMessage 负责用户输入；
  7. 模型接口默认没有长期记忆；
  8. 多轮对话的本质是应用程序重新发送历史消息；
  9. 用户消息和 AI 回答都应该加入消息列表；
  10. 历史越长，Token 消耗和调用时间通常越高。

完成这一篇后，我们已经不只是"调用一次模型"，而是掌握了聊天应用最基本的数据结构。下一篇将继续学习 ChatPromptTemplate，把写死在代码中的角色、语言和任务变成可复用的提示词模板。

相关推荐
mapengfei2 小时前
LangChain学习背景
langchain·llm
程序员三明治2 小时前
【AI】RAG 生成阶段的最后一公里：Prompt 设计、幻觉抑制与引用对齐
java·人工智能·ai·大模型·llm·prompt·rag
shawxlee3 小时前
vue3+axios挑战最简洁实用的配置封装+接口调用：请求拦截器、响应拦截器、通用请求方法（单个请求/并发请求/下载文件）、统一接口管理
前端·经验分享·vue·接口·axios·api
kishu_iOS&AI3 小时前
【02】Context Engineering：Prompt不再是核心
ai·大模型·loop·rag·harness·agent 架构
chaors14 小时前
DeepResearchSystem 0x02：Graph 构建
langchain·openai·ai编程
thesky12345615 小时前
27届大模型岗面试准备（三）：位置编码全景——从绝对编码到 RoPE/ALiBi 的演进与手推
人工智能·ai·大模型
扯蛋43818 小时前
从脱敏到审批：我用 LangChain 11 个中间件给羽毛球 AI 助手装了一整套"安全阀"
langchain·llm·agent
BraveWang19 小时前
【LangChain 1.x】13、安全护栏｜PII 脱敏、自定义护栏与多层叠加防护
langchain
热门推荐
01GitHub 镜像站点02如何新建文件夹？ 电脑新建文件夹的4种方法032026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片04AI科技热点日报 | 2026年07月01日05国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）06AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路072026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？082026 年 AI 大模型 & AI 编程工具实战全总结09微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新10幻兽帕鲁 - 服务器管理员权限与 GM 命令完全指南