LangChain调用通义千问实现流式对话的技术实践

1. LangChain聊天模型调用实战解析

在自然语言处理领域，LangChain已经成为连接各类大语言模型与实际应用的重要桥梁。今天我将分享如何通过LangChain框架调用通义千问（ChatTongyi）聊天模型，并实现流式对话交互。这种方式特别适合需要构建复杂对话系统的开发者，相比直接调用API，LangChain提供了更灵活的消息管理和对话流程控制。

1.1 环境准备与基础配置

首先需要安装必要的Python包：

bash复制pip install langchain-community langchain-core

通义千问的调用需要API密钥，建议通过环境变量设置：

python复制import os
os.environ["DASHSCOPE_API_KEY"] = "your_api_key_here"

注意：API密钥属于敏感信息，切勿直接硬编码在脚本中。生产环境中推荐使用密钥管理服务或配置文件。

模型初始化时有两个关键参数：

python复制from langchain_community.chat_models.tongyi import ChatTongyi

model = ChatTongyi(
    model="qwen3-max",  # 模型版本
    dashscope_api_key=os.getenv("DASHSCOPE_API_KEY")  # 密钥传递
)

这里选择"qwen3-max"模型是因为它在中文诗歌创作任务上表现优异，实测其韵律和意境把握能力较强。如果做通用对话，也可以考虑"qwen3-turbo"等轻量版本。

1.2 消息系统设计原理

LangChain的消息系统采用角色化设计，核心包含三类消息：

1. SystemMessage：设定AI的角色和背景
2. HumanMessage：用户输入的问题或指令
3. AIMessage：AI之前的回复记录

这种设计模拟了真实对话场景，让模型能保持上下文连贯性。例如诗歌创作场景：

python复制messages = [
    SystemMessage(content="你是一个边塞诗人"),
    HumanMessage(content=