当前位置：首页 > news >正文

使用 OpenAI SDK 调用通义千问（Qwen）模型：从简单对话到结构化生成

news 2025/10/25 12:17:51

使用 OpenAI SDK 调用通义千问（Qwen）模型：从简单对话到结构化生成的完整实践

一、前言

随着大模型生态的开放，越来越多的模型开始兼容 OpenAI API 格式，这意味着你可以直接使用相同的 SDK 与调用方式，在不同的服务商之间快速切换。
通义千问（Qwen）系列模型 就是其中的典型代表，阿里云的 DashScope 平台提供了与 OpenAI 完全兼容的接口。

本文将通过三段完整示例代码，带你从最基础的“问答调用”，逐步深入到“参数调优”与“结构化 JSON 输出”的进阶使用。

二、基础对话调用示例

✅ 代码示例一

import os
from openai import OpenAIclient = OpenAI(# 新加坡和北京地域的 API Key 不同。详见：https://help.aliyun.com/zh/model-studio/get-api-keyapi_key="sk-***",# base_url 对应北京地域；若使用新加坡地域请改为 dashscope-intl.aliyuncs.combase_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)completion = client.chat.completions.create(model="qwen-plus",messages=[{'role': 'system', 'content': 'You are a helpful assistant.'},{'role': 'user', 'content': '你是谁？'}]
)print(completion.choices[0].message.content)

🧠 代码解析

初始化客户端
使用 OpenAI 类直接连接通义千问的兼容模式接口。
参数：
- api_key：你的阿里云 DashScope 平台密钥。
- base_url：指定 API 的地域节点。
创建对话请求
- model="qwen-plus"：调用通义千问的 Plus 模型。
- messages：设置对话上下文，包括系统角色和用户输入。
输出结果
最后一行打印模型返回的回答。

📤 运行效果

输出类似：

我是通义千问，一款由阿里云开发的大语言模型，可以帮助你完成多种任务。

这说明模型调用成功，并以自然语言进行了回应。

三、参数调优与生成控制

✅ 代码示例二

from openai import OpenAIclient = OpenAI(api_key="sk-***",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)# 第一次请求：生成详细的清单
response = client.chat.completions.create(model="qwen-plus",messages=[{ "role": "user", "content": "生成一个文具清单，至少包含20种文具，每两个文具之间用逗号隔开" }],max_tokens=300,frequency_penalty=-1.9,temperature=0.1
)
print(response.choices[0].message.content)# 第二次请求：生成更简短、更随机的清单
response = client.chat.completions.create(model="qwen-plus",messages=[{ "role": "user", "content": "生成一个文具清单，至少包含20种文具，每两个文具之间用逗号隔开" }],max_tokens=30,frequency_penalty=1.9,temperature=1.9
)
print(response.choices[0].message.content)

🧩 参数说明

参数	含义	调整效果
`max_tokens`	控制输出字数上限	越大输出越长
`temperature`	控制随机性	越高越有创意，越低越稳定
`frequency_penalty`	控制重复性	负值增加重复，正值减少重复

⚙️ 实验结果对比

调用场景	参数设置	输出效果
第一次调用	`temperature=0.1`、`frequency_penalty=-1.9`	输出长而完整的文具清单（内容稳定）
第二次调用	`temperature=1.9`、`frequency_penalty=1.9`	输出短小且更具随机性

这种参数调节方式非常适合在生成内容任务中平衡“创造性”与“稳定性”。

四、生成结构化 JSON 数据

✅ 代码示例三

from openai import OpenAI
import jsonclient = OpenAI(api_key="sk-***",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)prompt = """
生成一个由三个学生考试分数信息所组成的列表，以JSON格式进行返回。
JSON列表里的每个元素包含以下信息：
student_number、student_name、student_marks、phone。
所有信息都是字符串。
除了JSON之外，不要输出任何额外的文本。
"""response = client.chat.completions.create(model="qwen-plus",messages=[ { "role": "user", "content": prompt } ]
)content = response.choices[0].message.content
print(content)# 转换为 Python 数据结构
result = json.loads(content)
print(result)

🧠 核心思路

在 prompt 中明确要求输出 JSON 格式，并限制“只输出 JSON，不要额外文字”，
这样可以直接解析模型的返回值，实现与程序逻辑的无缝衔接。

📊 示例输出

[{"student_number": "202501","student_name": "李明","student_marks": "89","phone": "13800000001"},{"student_number": "202502","student_name": "王芳","student_marks": "92","phone": "13800000002"},{"student_number": "202503","student_name": "张伟","student_marks": "85","phone": "13800000003"}
]

经过 json.loads() 解析后，你可以直接使用这些数据进行统计、存储或可视化分析。

五、综合实践与应用场景

通过以上三段代码，我们掌握了：

类型	示例	实际应用
基础对话	示例一	智能客服、问答系统
参数调优	示例二	文案生成、创意内容生产
结构化输出	示例三	数据接口、表格生成、知识抽取

通义千问兼容 OpenAI SDK 的优势：