API调用模型：

在本地和网页使用ai的区别就在于服务器不同，一个是厂家服务器一个是自己电脑上，一个联网一个不联网，Token数不一样，用人家服务器可能要计费，部署在自己电脑上就不需要计费

一、前置准备

阿里云网页：AI 焕新季, 马上用千问（这个一般是要收钱的，我们需要花钱买tokens，但是一般情况下，新用户注册都会有免费的tokens能用）

1.先注册并实名

2.左上角点击大模型，选择我们想要调用的模型，这里选择千问3.5，也可以选择别的。

3.点击右上角设置，然后左栏apl_key，创建apl_key

4.这样我们就建好一个apl_key

API Key相当于密码，不能随便分享，建议使用环境变量。

二、环境配置

1.下载第三方库

这里我们设置一个虚拟环境，因为对库的版本要求不同，防止冲突

pip install langchain_openai

可以把以下写入一个txt文件，在python编写工具里，这里我使用的 是pycharm，就在pycharm终端里面执行pip install -r 文件地址，就可以全部直接下载了。

aiofiles==23.2.1
aiohttp==3.9.1
aiosignal==1.3.1
altair==5.2.0
annotated-types==0.6.0
anyio==3.7.1
async-timeout==4.0.3
attrs==23.1.0
beautifulsoup4==4.12.2
blinker==1.7.0
Brotli==1.1.0
cachetools==5.3.2
certifi==2023.11.17
charset-normalizer==3.3.2
click==8.1.7
dataclasses-json==0.6.3
distro==1.8.0
duckduckgo-search==3.9.9
exceptiongroup==1.2.0
frozenlist==1.4.0
gitdb==4.0.11
GitPython==3.1.40
greenlet==3.0.1
h11==0.14.0
h2==4.1.0
hpack==4.0.0
httpcore==1.0.2
httpx==0.25.2
hyperframe==6.0.1
idna==3.6
importlib-metadata==6.8.0
Jinja2==3.1.2
jsonpatch==1.33
jsonpointer==2.4
jsonschema==4.20.0
jsonschema-specifications==2023.11.2
langchain==0.1.9
langchain-community==0.0.24
langchain-core==0.1.26
langchain-openai==0.0.7
langsmith==0.1.6
lxml==4.9.3
markdown-it-py==3.0.0
MarkupSafe==2.1.3
marshmallow==3.20.1
mdurl==0.1.2
multidict==6.0.4
mypy-extensions==1.0.0
numpy==1.26.2
openai==1.12.0
orjson==3.9.15
packaging==23.2
pandas==2.1.3
Pillow==10.1.0
protobuf==4.25.1
pyarrow==14.0.1
pydantic==2.5.2
pydantic_core==2.14.5
pydeck==0.8.1b0
Pygments==2.17.2
python-dateutil==2.8.2
pytz==2023.3.post1
PyYAML==6.0.1
referencing==0.31.1
regex==2023.12.25
requests==2.31.0
rich==13.7.0
rpds-py==0.13.2
six==1.16.0
smmap==5.0.1
sniffio==1.3.0
socksio==1.0.0
soupsieve==2.5
SQLAlchemy==2.0.23
streamlit==1.31.1
tenacity==8.2.3
tiktoken==0.6.0
toml==0.10.2
toolz==0.12.0
tornado==6.4
tqdm==4.66.1
typing-inspect==0.9.0
typing_extensions==4.8.0
tzdata==2023.3
tzlocal==5.2
urllib3==2.1.0
validators==0.22.0
wikipedia==1.4.0
yarl==1.9.3
zipp==3.17.0

2.使用key的两种方式

1）在环境变量中添加

这种方式一般比较保密，以防我们的aplkey暴露

首先打开环境变量

具体使用方法可以询问大模型

2）直接在代码中使用

在下面代码中所用方法都是这种

当然官方使用方法也是这种

三、代码实现

from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="qwen3.5-plus",
                   openai_api_key="sk-45*******************3e19",
                   openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
                 temperature=1.2,#越高越随机
                 max_tokens=300)
# model = ChatOpenAI(model="gpt-3.5-turbo", temperature=1.2, max_tokens=500, model_kwargs={"frequency_penalty":1.1})

from langchain.schema.messages import HumanMessage, SystemMessage

messages = [
    SystemMessage(content="请你作为我的数学课助教，用通俗易懂且直接的语言帮我解释数学原理。"),
    HumanMessage(content="什么是勾股定理？"),
]

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

这里使用的是langchain的chatOpenAI类，兼容OpenAI，调用了阿里云的千问模型。temperature值越高，输出月随机，值越低输出越保守。

消息结构，这里设置的是humanmessage（用户的具体提问）和systemmessage（设定ai角色和行为准则）

最后response和print进行调用和输出，invoke（）发送消息并获取响应，reponse.content提取ai返回的文本内容

四、提示词

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
prompt_template = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一位专业的翻译，能够将{input_language}翻译成{output_language}，并且输出文本会根据用户要求的任何语言风格进行调整。请只输出翻译后的文本，不要有任何其它内容。"),
        ("human", "文本：{text}\n语言风格：{style}"),
    ]
)

ChatPromptTemplate 动态模板

{input_language}，{output_language}占位符，是模版变量。可以实现动态填充。

prompt_value = prompt_template.invoke({"input_language": "汉语", "output_language": "汉语",
                                       "text":"勿以善小而不为，勿以恶小而为之。", "style": "白话文"})

model = ChatOpenAI(model="qwen-plus",
                 openai_api_key="sk-450********************9",
                 openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1")
response = model.invoke(prompt_value)

模版嵌套调用，两个invoke，第一个是进行填充模板变量，生成完整的prompt；第二个是调用模型，生成回复。

input_variables = [
    {
        "input_language": "汉语",
        "output_language": "汉语",
        "text": "勿以善小而不为，勿以恶小而为之。",
        "style": "白话文"
    },
    {
        "input_language": "法语",
        "output_language": "英语",
        "text": "Je suis désolé pour ce que tu as fait",
        "style": "古英语"
    },
    {
        "input_language": "俄语",
        "output_language": "意大利语",
        "text": "Сегодня отличная погода",
        "style": "网络用语"
    },
    {
        "input_language": "韩语",
        "output_language": "日语",
        "text": "너 정말 짜증나",
        "style": "口语"
    }
]
for input in input_variables:
    response = model.invoke(prompt_template.invoke({"input_language": input["input_language"], "output_language": input["output_language"],
                                                    "text":input["text"], "style": input["style"]}))
    print(response.content)

多轮批量调用，循环调用同一个模版处理多组数据，进行批量处理。对同一个模版处理成不同的语言组合

输入数据结构化，input_variables是一个字典列表，结构化存储多组参数，每组可设置不同语言风格，实现灵活配置。

模版中定义了四个变量，input_language&out_language&text&style，分别是原语言，目标语言，等待翻译的文本，输出风格。

五、少样本学习

from langchain_openai import ChatOpenAI
from langchain.prompts import FewShotChatMessagePromptTemplate, ChatPromptTemplate

example_prompt = ChatPromptTemplate.from_messages(
    [
        ("human", "格式化以下客户信息：\n姓名 -> {customer_name}\n年龄 -> {customer_age}\n 城市 -> {customer_city}"),
        ("ai", "##客户信息\n- 客户姓名：{formatted_name}\n- 客户年龄：{formatted_age}\n- 客户所在地：{formatted_city}")
    ]
)

examples = [
    {
        "customer_name": "张三",
        "customer_age": "27",
        "customer_city": "长沙",
        "formatted_name": "张三",
        "formatted_age": "27岁",
        "formatted_city": "湖南省长沙市"
    },
    {
        "customer_name": "李四",
        "customer_age": "42",
        "customer_city": "广州",
        "formatted_name": "李四",
        "formatted_age": "42岁",
        "formatted_city": "广东省广州市"
    },
]

human，展示输入格式，也就是用户说了什么

ai：ai回答的输出格式，和human是一一对应的

我们还给出了两个example

example_prompt，用来定义示例的格式

few_shot_template = FewShotChatMessagePromptTemplate(
    example_prompt=example_prompt,
    examples=examples,
)

这里给先给模型例子，展示了两个格式化示例，在要求他去处理新数据，上面的例子都是直接给指令，是零样本学习

将多个示例组合成一个few-shot模版

final_prompt = final_prompt_template.invoke({"input": "格式化以下客户信息：\n姓名 -> 王五\n年龄 -> 31\n 城市 -> 郑州'"})

model = ChatOpenAI(model="qwen3.5-plus",
                 openai_api_key="sk-**********************",
                 openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1")
response = model.invoke(final_prompt)
print(response.content)

final_prompt_template是将few-shot模版+新用户输入组合成最终prompt