如何接入通义千问到 WorkBuddy

本教程将详细指导你如何将**阿里巴巴通义千问（Qwen）**接入 WorkBuddy 平台，利用其强大的中文理解能力和极具竞争力的价格，构建高效的 AI 自动化工作流。

前置准备

在开始之前，请确保你已经完成以下准备工作：

• 已注册阿里云账号并完成实名认证
• 已开通百炼平台服务
• 已安装 Python 3.8+ 或 Node.js 运行环境
• 了解基础的终端命令操作

步骤一：获取 API Key

1.1 开通百炼服务

1. 访问阿里云百炼控制台
2. 使用阿里云账号登录（如未开通会自动引导）
3. 同意服务协议，完成免费开通

1.2 创建 API Key

1. 登录控制台后，点击右上角头像 → 进入「API-KEY 管理」
2. 点击「创建新的 API Key」
3. 复制生成的密钥（格式为
   text

   复制

   1sk-xxxxxxxx

   ）

1.3 配置环境变量（推荐）

bash
复制
1# Linux / macOS
2export DASHSCOPE_API_KEY="sk-你的实际Key"
3
4# Windows PowerShell
5$env:DASHSCOPE_API_KEY="sk-你的实际Key"

步骤二：了解 Qwen 模型家族

通义千问已发展出完整的模型矩阵，不同模型适用于不同场景。以下是 2026 年最新版本的选型指南：

定价参考（美元/百万 tokens）

步骤三：配置与接入

方案 A：通过 OpenAI 兼容模式（推荐 ✅）

通义千问完全兼容 OpenAI 接口协议，这是最简单的接入方式：

Python 示例

python
复制
1from openai import OpenAI
2import os
3
4# 初始化客户端 — 指向阿里云 DashScope 兼容端点
5client = OpenAI(
6    api_key=os.getenv("DASHSCOPE_API_KEY", "sk-你的Key"),
7    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
8)
9
10def ask_qwen(prompt: str, model: str = "qwen-plus") -> str:
11    """发送请求给通义千问"""
12    try:
13        completion = client.chat.completions.create(
14            model=model,
15            messages=[
16                {"role": "system", "content": "你是一个有帮助的 AI 助手。"},
17                {"role": "user", "content": prompt}
18            ],
19            temperature=0.7,       # 0=严谨, 1=有创意
20            max_tokens=2000        # 最大输出长度
21        )
22        return completion.choices[0].message.content
23    except Exception as e:
24        print(f"❌ 调用失败: {e}")
25        return None
26
27# 测试调用
28if __name__ == "__main__":
29    response = ask_qwen("用一句话解释什么是量子计算")
30    print(f"🤖 Qwen 回答：{response}")

Node.js 示例

javascript
复制
1import OpenAI from "openai";
2
3const client = new OpenAI({
4  apiKey: process.env.DASHSCOPE_API_KEY || "sk-你的Key",
5  baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1",
6});
7
8async function askQwen(prompt) {
9  const completion = await client.chat.completions.create({
10    model: "qwen-plus",
11    messages: [
12      { role: "system", content: "你是一个有帮助的 AI 助手。" },
13      { role: "user", content: prompt },
14    ],
15    temperature: 0.7,
16  });
17
18  return completion.choices[0]?.message?.content;
19}
20
21// 使用示例
22console.log(await askQwen("用三行诗形容春天的美"));

流式输出示例（Python）

python
复制
1from openai import OpenAI
2
3client = OpenAI(
4    api_key="sk-你的Key",
5    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
6)
7
8# 流式输出 — 实时打印每个字
9stream = client.chat.completions.create(
10    model="qwen-plus",
11    messages=[{"role": "user", "content": "写一首关于AI的诗"}],
12    stream=True,
13)
14
15print("\n🤖 流式输出：")
16for chunk in stream:
17    if chunk.choices[0].delta.content:
18        print(chunk.choices[0].delta.content, end="", flush=True)

方案 B：通过 DashScope SDK 接入

如果需要使用通义千问独有能力（如语音识别等），可以使用官方 SDK：

bash
复制
1pip install dashscope

python
复制
1import dashscope
2from dashscope import Generation
3
4dashscope.api_key = "sk-你的Key"
5
6response = Generation.call(
7    model="qwen-max",
8    prompt='解释什么是机器学习',
9)
10
11print(response.output.text)

方案 C：集成到 WorkBuddy 配置

如果你正在使用 WorkBuddy 平台，可以在配置文件中设置：

json
复制
1{
2  "llm_provider": "qwen",
3  "qwen_config": {
4    "api_key": "${DASHSCOPE_API_KEY}",
5    "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
6    "model": "qwen-plus",
7    "temperature": 0.7,
8    "max_tokens": 4000
9  }
10}

步骤四：测试验证

运行以下测试脚本，确认接入成功：

python
复制
1"""通义千问连接性测试脚本"""
2import os
3import json
4from openai import OpenAI
5
6def test_connection():
7    client = OpenAI(
8        api_key=os.getenv("DASHSCOPE_API_KEY"),
9        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
10    )
11    
12    print("🔍 正在测试连接...")
13    
14    try:
15        # 1. 基础连通测试
16        resp = client.chat.completions.create(
17            model="qwen-plus",
18            messages=[{"role": "user", "content": "你好，请回复「连接成功」"}],
19            timeout=30
20        )
21        
22        content = resp.choices[0].message.content
23        print(f"✅ 连接成功！回复：{content[:50]}...")
24        
25        # 2. 模型信息
26        print(f"📋 模型ID: {resp.model}")
27        print(f"📋 Token 用量: 输入={resp.usage.prompt_tokens}, 输出={resp.usage.completion_tokens}")
28        
29        return True
30        
31    except Exception as e:
32        print(f"❌ 连接失败: {e}")
33        return False
34
35if __name__ == "__main__":
36    success = test_connection()
37    exit(0 if success else 1)

预期输出：

text
复制
1🔍 正在测试连接...
2✅ 连接成功！回复：连接成功！很高兴为你服务...
3📋 模型ID: qwen-plus
4📋 Token 用量: 输入=28, 输出=18

场景应用示例

场景 1：智能文档摘要生成

适合处理大量报告、论文或技术文档的快速提炼。

python
复制
1from openai import OpenAI
2
3client = OpenAI(
4    api_key="sk-你的Key",
5    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
6)
7
8def summarize_document(text: str, lang: str = "zh") -> str:
9    """生成长文档的结构化摘要"""
10    response = client.chat.completions.create(
11        model="qwen-plus",          # 长文档用 plus（支持 1M 上下文）
12        messages=[{
13            "role": "system",
14            "content": f"你是一位专业的文档分析师。请用{['中文', '英文'][lang != 'zh']}输出以下内容的结构化摘要，包含：\n"
15                       "- 一句话总结\n"
16                       "- 3-5 个关键要点\n"
17                       "- 主要结论"
18        }, {
19            "role": "user",
20            "content": text
21        }],
22        temperature=0.3             # 低温度保证摘要准确
23    )
24    return response.choices[0].message.content
25
26# 使用示例
27long_text = """这里粘贴需要摘要的长文本..."""
28summary = summarize_document(long_text)
29print(summary)

预期效果：

• 支持最长 100 万 token 的输入文档
• 结构化输出，便于后续处理
• 成本极低（Qwen Plus 仅 $0.12/百万输入 token）

场景 2：Function Calling / Agent 开发

使用 Qwen3.6 Plus Preview 的原生 Function Calling 能力构建智能 Agent。

python
复制
1from openai import OpenAI
2import json
3
4client = OpenAI(
5    api_key="sk-你的Key",
6    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
7)
8
9# 定义可用的工具函数
10tools = [
11    {
12        "type": "function",
13        "function": {
14            "name": "get_weather",
15            "description": "查询指定城市的实时天气",
16            "parameters": {
17                "type": "object",
18                "properties": {
19                    "city": {"type": "string", "description": "城市名称"}
20                },
21                "required": ["city"]
22            }
23        }
24    },
25    {
26        "type": "function",
27        "function": {
28            "name": "search_stock",
29            "description": "查询股票实时行情",
30            "parameters": {
31                "type": "object",
32                "properties": {
33                    "symbol": {"type": "string", "description": "股票代码"}
34                },
35                "required": ["symbol"]
36            }
37        }
38    }
39]
40
41# 发送带工具的请求
42response = client.chat.completions.create(
43    model="qwen3.6-plus-preview",   # Agent 专用模型
44    messages=[{
45        "role": "user",
46        "content": "今天深圳天气怎么样？茅台股票现在多少钱？"
47    }],
48    tools=tools,
49    tool_choice="auto"              # 让模型自动决定是否调用工具
50)
51
52# 解析函数调用结果
53for choice in response.choices:
54    if choice.message.tool_calls:
55        for tool_call in choice.message.tool_calls:
56            print(f"🔧 调用工具: {tool_call.function.name}")
57            print(f"📝 参数: {tool_call.function.arguments}")

预期效果：

• 模型自动拆解用户意图，分别调用天气和股票查询
• Function Calling 返回格式稳定，解析失败率低
• 支持
  text

  复制

  1preserve_thinking

  参数保留推理过程

场景 3：多模态图片理解

使用 Qwen 3.5 进行图片分析和图表解读。

python
复制
1from openai import OpenAI
2
3client = OpenAI(
4    api_key="sk-你的Key",
5    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
6)
7
8def analyze_image(image_path: str, question: str) -> str:
9    """分析图片内容"""
10    import base64
11    
12    with open(image_path, "rb") as f:
13        image_data = base64.b64encode(f.read()).decode("utf-8")
14
15    response = client.chat.completions.create(
16        model="qwen-vl-max",      # 或 qwen3.5-397b-a17b
17        messages=[{
18            "role": "user",
19            "content": [
20                {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{image_data}"}},
21                {"type": "text", "text": question}
22            ]
23        }]
24    )
25    return response.choices[0].message.content
26
27# 使用示例
28result = analyze_image("chart.png", "这张图表展示了什么趋势？请用中文分析。")
29print(result)

预期效果：

• 支持图表分析、GUI 截图识别
• OCR 文字提取与语义理解
• 397B 参数量保障复杂图像的理解精度

最佳实践

安全建议

性能优化

故障排查速查表

1InvalidApiKey

1RateLimitError

1QuotaExceeded

1ModelNotFoundError

成本估算参考

以 Qwen Plus 为例（$0.12 输入 / $0.29 输出 per 百万 token）：

扩展与进阶

相关资源

高级功能探索

• 思维链（Chain of Thought）：Qwen3.6 Plus 默认开启深度推理模式
• 知识库检索增强（RAG）：结合百炼知识库实现企业私有数据问答
• 微调训练：基于开源 Qwen 模型进行领域适配
• 语音合成与识别：使用 DashScope Paraformer 能力扩展交互方式