手把手教程用LangChain快速调用Qwen3-1.7B小白也能玩转大模型想体验大模型的能力但又觉得动辄几十GB的模型下载、复杂的部署环境让人望而却步今天我们就来打破这个门槛。我将带你用最简单的方式在几分钟内启动一个强大的AI助手——Qwen3-1.7B并用当下最流行的LangChain框架来调用它。整个过程就像搭积木一样简单即使你是编程新手也能轻松跟上。1. 为什么选择Qwen3-1.7B和LangChain在开始动手之前我们先花一分钟了解一下我们的“工具”为什么值得一试。Qwen3-1.7B你可以把它理解为一个“小而强”的AI大脑。它来自阿里巴巴的通义千问家族虽然只有17亿参数相比动辄千亿的模型显得很“迷你”但能力却不容小觑。它支持长达3.2万字的上下文理解能说119种语言最关键的是它对硬件要求极低普通电脑就能跑起来是入门和轻量级应用的绝佳选择。LangChain则是连接你和这个AI大脑的“万能遥控器”。它把调用大模型、处理数据、构建复杂应用这些繁琐的步骤封装成了简单易用的模块。你不用关心底层复杂的网络请求和数据处理用几行Python代码就能指挥AI干活。把它们俩结合起来就等于你有了一个开箱即用、功能强大且易于操控的AI开发环境。接下来我们就一步步把它搭建起来。2. 环境准备一键启动零配置烦恼传统的模型部署需要安装各种依赖、配置环境变量对新手极不友好。但在这里我们选择了一条最轻松的路。2.1 找到并启动Qwen3-1.7B镜像我们不需要在本地安装任何东西。现在很多AI开发平台都提供了预配置好的环境也就是“镜像”。这个镜像里已经装好了运行Qwen3-1.7B所需的所有软件、库和模型本身。访问镜像广场打开你常用的AI开发平台例如CSDN星图镜像广场在搜索框输入“Qwen3-1.7B”。选择镜像找到名为“Qwen3-1.7B”的镜像它的描述通常会写明已集成LangChain等工具。一键启动点击“立即运行”或类似的按钮。平台会自动在云端为你分配计算资源并加载这个已经万事俱备的环境。这个过程通常只需要几十秒。2.2 进入Jupyter Notebook操作界面镜像启动成功后你会进入一个叫做Jupyter Notebook的网页界面。它看起来就像一个可以编写和运行代码的网页版记事本是我们接下来所有操作的主战场。界面认识左侧是文件列表右侧是编辑区。我们可以新建一个Python笔记本文件后缀为.ipynb来写代码。验证环境在第一个代码单元格里尝试输入!python --version并运行如果显示Python版本比如3.9、3.10说明环境已经就绪。至此最复杂的“部署”工作已经由平台完成了。你已经拥有了一个包含模型和框架的完整AI实验室。3. 核心实战用LangChain轻松对话Qwen3-1.7B现在让我们开始最有趣的部分——让AI开口说话。我们将使用LangChain提供的最清晰、最标准的方式来调用模型。3.1 理解调用原理像访问OpenAI一样简单LangChain设计了一个非常巧妙的功能它允许你用调用OpenAI API的相同方式去调用其他任何兼容的大模型。这意味着网上无数的OpenAI教程和代码示例你稍作修改就能用在Qwen3-1.7B上。我们需要关注几个关键信息它们就像是AI服务的“地址”和“钥匙”模型名称 (model)告诉系统我们要用哪个AI这里是Qwen3-1.7B。服务地址 (base_url)我们的Qwen3-1.7B模型服务运行在哪里。这个地址在你启动的Jupyter环境里是固定的。API密钥 (api_key)对于这个本地/内部服务我们通常使用一个占位符如EMPTY。3.2 编写你的第一段AI对话代码在你的Jupyter Notebook中新建一个代码单元格将下面的代码复制进去。请注意你需要将代码中的base_url替换成你当前Jupyter环境的实际访问地址。如何找到这个地址呢通常你浏览器地址栏里访问Jupyter的URL就是。例如如果你的访问链接是https://your-platform.com/notebooks/your-lab那么对应的服务地址可能就是https://your-platform.com/v1或类似格式。请根据你的平台提示进行替换。# 导入必要的库 from langchain_openai import ChatOpenAI import os # 1. 创建AI聊天模型客户端 chat_model ChatOpenAI( modelQwen3-1.7B, # 指定使用Qwen3-1.7B模型 temperature0.5, # 控制创造性0.0最保守1.0最有创意 base_urlhttps://你的Jupyter环境地址/v1, # 【重要】替换为你的实际服务地址 api_keyEMPTY, # 本地服务通常用占位符 streamingTrue, # 启用流式输出回答会一个字一个字显示 ) # 2. 向AI发送第一条消息 response chat_model.invoke(你好请介绍一下你自己。) print(response.content)代码逐行解读from langchain_openai import ChatOpenAI从LangChain库中导入“聊天”模块。虽然名字里有“OpenAI”但它是个通用接口。ChatOpenAI(...)这是核心我们在这里配置如何连接AI服务。temperature0.5可以理解为AI的“想象力”开关。设为0时它每次对相同问题的回答都几乎一样设为1时回答会更多样、更有创意。0.5是个平衡值。streamingTrue开启后AI的回复会像打字一样实时显示出来体验更好。chat_model.invoke(...)执行调用发送问题给AI。response.content获取AI返回的文本内容。运行它点击单元格上方的“运行”按钮。稍等片刻你应该就能看到Qwen3-1.7B的自我介绍了。恭喜你你已经成功完成了一次大模型调用3.3 进阶技巧进行多轮对话单次问答不过瘾让AI记住之前的聊天内容也很简单。LangChain提供了ChatPromptTemplate和ConversationBufferMemory等工具来管理对话历史。下面是一个连续对话的例子from langchain_core.prompts import ChatPromptTemplate from langchain.chains import LLMChain from langchain.memory import ConversationBufferMemory # 1. 创建记忆体用于保存对话历史 memory ConversationBufferMemory(memory_keychat_history) # 2. 创建一个提示词模板 prompt ChatPromptTemplate.from_messages([ (system, 你是一个乐于助人且知识渊博的AI助手。), (human, {input}), ]) # 3. 将模型、提示词模板和记忆体组合成一个对话链 chain LLMChain(llmchat_model, promptprompt, memorymemory, verboseTrue) # 4. 开始连续对话 print(chain.run(input请问中国的首都是哪里)) print(- * 30) # 分隔线 print(chain.run(input它有哪些著名的历史古迹)) # AI会记得我们刚才在聊北京运行这段代码你会发现回答第二个问题时AI已经知道“它”指的是北京了。这就是对话记忆的作用。4. 探索更多可能不止于简单问答掌握了基础调用你就可以用Qwen3-1.7B做很多有趣的事情了。LangChain的强大之处在于它提供了丰富的“链”Chain和“代理”Agent能将大模型与其他工具连接起来。4.1 让AI联网搜索需要额外工具支持如果镜像环境内置了搜索工具如SerpAPI你可以让AI获取实时信息。注意以下代码需要相应的API密钥。from langchain.agents import load_tools, initialize_agent, AgentType from langchain.agents.agent_toolkits import create_retriever_tool # 假设我们有一个检索工具例如连接了知识库 # 这里是一个概念性示例实际需要配置具体的检索器 # retriever ... # tool create_retriever_tool(retriever, search_knowledgebase, 搜索知识库) # 加载基础工具例如计算器 tools load_tools([llm-math], llmchat_model) # 创建智能代理 agent initialize_agent( tools, chat_model, agentAgentType.ZERO_SHOT_REACT_DESCRIPTION, # 一种推理代理类型 verboseTrue, # 显示详细思考过程 handle_parsing_errorsTrue ) # 让代理执行一个需要计算的任务 result agent.run(如果我有15个苹果每天吃2个能吃多少天最后还剩几个) print(result)4.2 构建一个简单的文档问答系统这是LangChain最经典的应用之一。你可以上传一份文档比如PDF、TXT然后向AI提问它会从文档中找出答案。from langchain_community.document_loaders import TextLoader from langchain.text_splitter import CharacterTextSplitter from langchain_community.vectorstores import FAISS from langchain_openai import OpenAIEmbeddings # 注意这里需要嵌入模型可能需替换为本地嵌入模型 from langchain.chains import RetrievalQA # 1. 加载文档示例为文本文件 loader TextLoader(./your_document.txt) # 请准备一个txt文件并修改路径 documents loader.load() # 2. 分割文本为小块便于模型处理 text_splitter CharacterTextSplitter(chunk_size500, chunk_overlap50) texts text_splitter.split_documents(documents) # 3. 为文本块创建向量索引这里需要嵌入模型示例使用OpenAI实际环境可能需调整 # 重要在Qwen3镜像中应使用兼容的本地嵌入模型例如 from langchain.embeddings import HuggingFaceEmbeddings # embeddings HuggingFaceEmbeddings(model_namesentence-transformers/all-MiniLM-L6-v2) embeddings OpenAIEmbeddings(openai_api_base你的嵌入模型服务地址, openai_api_keyEMPTY) # 概念示例 vectorstore FAISS.from_documents(texts, embeddings) # 4. 创建检索式问答链 qa_chain RetrievalQA.from_chain_type( llmchat_model, chain_typestuff, retrievervectorstore.as_retriever() ) # 5. 提问 answer qa_chain.run(根据文档项目的主要目标是什么) print(answer)请注意文档问答示例中的嵌入模型部分需要根据你实际镜像环境中可用的工具进行调整。核心是理解“加载-分割-向量化-检索-问答”这个流程。5. 总结回顾一下我们完成了从零开始用LangChain调用Qwen3-1.7B的完整旅程零部署启动利用预置的Docker镜像我们跳过了所有复杂的环境配置步骤直接获得了一个可用的AI开发环境。核心调用掌握学会了使用ChatOpenAI这个通用接口通过配置model、base_url等关键参数像调用OpenAI一样轻松调用Qwen3-1.7B。对话与记忆实现了与AI的单轮及多轮对话让AI具备了上下文记忆能力。应用初探了解了如何利用LangChain的“链”和“代理”概念将大模型与计算、检索等工具结合构建更智能的应用。Qwen3-1.7B与LangChain的组合为你打开了一扇低成本、高效率探索AI应用的大门。无论是构建智能客服、个人知识库助手还是开发自动化报告生成工具你现在都有了坚实的基础。下一步你可以深入LangChain探索更多类型的Chain如总结链、转换链和Agent。微调模型如果你有特定领域的数据可以尝试在Qwen3-1.7B基础上进行微调让它更擅长你的专业领域。集成外部系统尝试用LangChain连接数据库、API打造真正能解决实际工作流问题的AI应用。动手去尝试吧最好的学习方式就是创造。你的第一个AI应用也许就从今天这几行代码开始。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。