秀云南1. 项目概述：LangChain与通义千问的Agent开发实战
去年我在一个智能客服项目中首次尝试将LangChain与国产大模型结合，意外发现通义千问在中文场景下的出色表现。这次经历让我意识到，掌握Agent开发正在成为AI工程师的核心竞争力。本文将带你从零开始，用Python构建一个基于LangChain和通义千问的智能体系统，过程中我会分享那些官方文档没写的实战技巧。
这个方案特别适合两类开发者：一是需要快速验证业务场景的创业团队，通义千问的API性价比远超同类产品；二是希望摆脱对单一AI服务依赖的技术负责人，LangChain的多模型切换能力能有效降低技术风险。我们将从API申请、环境配置开始，逐步实现工具调用、记忆管理和任务编排等核心功能，最终打造一个能处理复杂工作流的智能体。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 环境准备与基础配置
2.1 通义千问API申请指南
访问阿里云官网的机器学习平台PAI控制台，在"模型服务"中找到通义千问7B/14B模型（目前个人开发者可免费试用）。创建应用后获取API Key时要注意：新版鉴权要求同时配置AccessKey ID和Secret，建议通过环境变量管理：
bash复制export DASHSCOPE_API_KEY="your_api_key"
export ALIBABA_CLOUD_ACCESS_KEY="your_access_key_id"
export ALIBABA_CLOUD_SECRET_KEY="your_secret_key"
关键提示：阿里云的RAM子账号权限需要单独授权"dashscope:InvokeModel"权限，否则会出现403错误。我建议直接使用主账号AK进行开发测试。
2.2 Python环境搭建
推荐使用conda创建独立环境（Python 3.8+），LangChain对依赖版本较为敏感：
bash复制conda create -n qwen_agent python=3.10
conda activate qwen_agent
pip install langchain==0.1.0 dashscope==1.14.0 python-dotenv
验证安装时有个隐藏坑点：最新版的dashscope库（1.14.0+）修改