---

使用 OpenAI SDK 调用阿里云 Qwen 模型：从基础到提示词工程实战

近年来，大语言模型（LLM）快速发展，阿里云推出的 通义千问（Qwen）系列模型 已成为国产大模型的佼佼者。
而随着阿里云 DashScope 平台支持 OpenAI 兼容模式，开发者现在可以直接使用 openai 官方 SDK 调用 Qwen 模型，无需更改任何逻辑！

本文将带你从零开始学习：

• ✅ 如何使用 OpenAI SDK 调用 Qwen 模型

• ✅ 如何设计高质量提示词（Prompt）

• ✅ 如何利用“思维链（Chain-of-Thought）”提升推理准确度

• ✅ 如何构建自己的智能问答与逻辑推理系统

---

🧩 一、兼容模式简介

传统上，不同平台的大模型（如 OpenAI、阿里云、百度等）接口格式各异，调用方式也不统一。
而 Qwen 的“兼容模式（Compatible Mode）”打通了生态壁垒 ——

🧠 你可以用同样的 OpenAI SDK 代码，调用阿里云模型！

---

✅ 优势对比表

对比维度	Qwen Plus	GPT-4-turbo
接口兼容性	✅ 完全兼容 OpenAI	✅ 原生支持
成本	💰 较低	💰💰💰 较高
响应速度	⚡ 快（支持国内地域）	🌐 稍慢
中文理解	🌟 极强	中等
可定制性	✅ 企业可私有化部署	❌ 限制较多

👉 因此，Qwen + OpenAI SDK 组合非常适合 国内开发者快速构建中文场景应用，如问答系统、智能客服、报告分析等。

---

⚙️ 二、环境准备与密钥配置

1️⃣ 安装依赖

pip install openai

2️⃣ 获取 API Key

前往阿里云控制台获取：

🔗 API Key 获取指南

3️⃣ 推荐安全做法：使用环境变量

export DASHSCOPE_API_KEY="your_api_key_here"

---

💻 三、完整代码示例

以下是使用 Qwen Plus 模型 的完整 Python 示例：

import os
from openai import OpenAI

# ========================
# 1. 初始化客户端
# ========================
client = OpenAI(
    # 使用环境变量更安全
    # api_key=os.getenv("DASHSCOPE_API_KEY"),
    api_key="sk-",
    # 北京地域 Base URL（新加坡请改为 dashscope-intl）
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

# ========================
# 2. 多轮对话示例
# ========================
response = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {"role": "user", "content": "该组中的奇数加起来为偶数：1、2、3、4、5、6、7，对吗？"},
        {"role": "assistant", "content": "所有奇数相加等于16。答案为是。"},
        {"role": "user", "content": "该组中的奇数加起来为偶数：17、10、19、4、8、12、24、3，对吗？"},
        {"role": "assistant", "content": "所有奇数相加等于39，答案为否。"},
        {"role": "user", "content": "该组中的奇数加起来为偶数：15、12、5、3、72、17、1，对吗？像上面一样回答我"},
    ]
)
print(response.choices[0].message.content)
print("**********")

# ========================
# 3. 分步思考模式（CoT）
# ========================
response = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {"role": "user", "content": "该组中的奇数加起来为偶数：15、12、5、3、72、17、1，对吗？让我们来分步思考。"}
    ]
)
print(response.choices[0].message.content)

---

🧠 四、代码详解

模块	功能说明
OpenAI()	初始化客户端，接入阿里云 API
base_url	指定地域接口（北京或新加坡）
model	指定使用的模型，如 qwen-plus、qwen-max
messages	对话上下文（system、user、assistant 角色）
response.choices[0].message.content	提取模型返回内容

---

💡 输出示例

所有奇数相加等于41。答案为否。
**********
让我们分步思考：
奇数为15、5、3、17、1，它们的和为41，是奇数，因此奇数之和不是偶数。答案为否。

Qwen 模型不仅能给出正确结果，还能清晰展示推理过程（Chain of Thought）。

---

💬 五、提示词（Prompt）种类详解

提示词（Prompt）是与大模型交互的关键。
不同类型的提示词决定了模型的角色、风格、逻辑深度和输出形式。

---

🧱 1️⃣ 按角色分类的提示词

角色	功能	示例
🧩 system	设定模型身份与行为	“你是一位数学推理专家。”
👤 user	表示用户输入内容	“请判断以下数列的奇数和是否为偶数。”
🤖 assistant	模型历史回答（上下文记忆）	“所有奇数相加等于16，答案为是。”
🔧 tool / function	函数调用类提示（进阶）	“请调用 calculate_sum 函数处理以下数据。”

---

🧩 2️⃣ 按任务目标划分的提示词类型

类型	说明	示例
🧭 指令型（Instruction）	直接下达命令	“请总结这段文字的要点。”
🧠 推理型（Reasoning）	引导模型分步思考	“让我们一步步分析这个问题。”
🪜 Few-shot 示例型	提供示例以模仿格式	“示例：输入A输出B，现在输入C。”
🏗 结构化输出型	指定输出格式	“请以JSON格式返回结果。”
🎭 角色扮演型	让模型扮演角色	“你是一位资深程序员，请解释下面代码。”
🔍 自反型（Reflective）	让模型自检与改进	“检查你上一个回答是否存在逻辑错误。”

---

⚙️ 3️⃣ 高级提示词技巧

✅ Chain-of-Thought（思维链提示）

引导模型逐步推理：

"让我们一步一步思考这个问题。"

✅ ReAct（推理 + 行动）

要求模型先思考，再给结论或执行操作：

"先推理出思路，再给出最终答案。"

✅ Role-based Prompt（角色限定）

"你现在是一名数据分析师，只能回答与数据统计相关的问题。"

✅ Structured Output Prompt（结构化输出）

"请以JSON格式输出结果，包括 '奇数列表' 与 '求和结果' 两个字段。"

---

🔧 六、提示词组合实战案例

下面是改进后的 Qwen 调用示例，融合系统提示与思维链：

messages = [
    {
        "role": "system",
        "content": "你是一名数学推理专家，请逐步解释计算过程并得出结论。"
    },
    {
        "role": "user",
        "content": "该组中的奇数加起来为偶数：15、12、5、3、72、17、1，对吗？"
    }
]

response = client.chat.completions.create(
    model="qwen-plus",
    messages=messages
)
print(response.choices[0].message.content)

🧩 输出示例：

奇数有15、5、3、17、1，总和为41。
41是奇数，因此奇数之和不是偶数。答案为否。

---

🧰 七、优化与错误处理建议

✅ 错误捕获

try:
    response = client.chat.completions.create(model="qwen-plus", messages=messages)
    print(response.choices[0].message.content)
except Exception as e:
    print(f"接口调用失败：{e}")

✅ 参数优化

response = client.chat.completions.create(
    model="qwen-plus",
    temperature=0.7,   # 创造性
    max_tokens=512,    # 控制输出长度
    top_p=0.9,         # 调整采样多样性
    messages=messages
)

✅ 输出格式控制

如果希望模型输出表格或 JSON，可明确指定：

"请以如下 JSON 格式输出结果：{\"奇数\": [...], \"求和\": 数值, \"结论\": \"是/否\"}"

---

🌏 八、Qwen 模型的典型应用场景

应用方向	优势	示例
💬 智能客服	优秀的中文理解能力	企业内部问答机器人
📊 数据分析	强逻辑推理能力	智能报表生成
🧠 教育问答	CoT 推理解释性强	数学题讲解系统
💡 内容生成	语义流畅自然	新闻写作、产品介绍
⚙️ RAG 系统	结合检索增强生成	智能文档问答系统

---

🔮 九、总结

本文完整展示了：

1. ✅ 如何使用 OpenAI SDK 调用阿里云 Qwen 模型；

2. ✅ 不同类型提示词（System/User/Assistant）的作用；

3. ✅ 多种 Prompt 工程技巧（思维链、角色设定、结构化输出）；

4. ✅ 优化参数与错误处理策略。

---

📘 最佳实践建议

目标	提示词设计建议
提高推理质量	加入“请分步思考”
控制回答格式	指定输出结构（JSON/表格）
限定模型范围	使用 system prompt 定义角色
模仿示例风格	few-shot 示例引导
减少错误输出	加入自我检查或反思提示

---

✨ 结语

阿里云 Qwen 的 OpenAI 兼容模式为开发者带来了极大便利。
从简单问答到逻辑推理，从报告生成到智能搜索，只需一套标准 SDK，即可无缝切换国内外大模型生态。

未来，Prompt Engineering（提示词工程）将成为每一位 AI 开发者的必备技能。
学会设计高质量提示词，就是掌控模型智能的钥匙。