阿里云通义千问API接口调用方法

当前位置：首页 > 阿里云高防服务器 > 阿里云通义千问API接口调用方法

详情介绍

调用阿里云通义千问API,只需在阿里云DashScope控制台开通服务并获取API Key，然后向https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions发送一个包含模型名称和messages数组的HTTP POST请求即可。

开通服务与获取API Key

使用通义千问API之前,需要先在阿里云平台完成开通与密钥获取，具体步骤如下：

阿里云通义千问API接口调用方法第1张

注册并登录阿里云账号,完成实名认证。
进入阿里云DashScope控制台,网址为https://dashscope.console.aliyun.com/。
在控制台中开通通义千问模型服务,开通时通常需要同意相关服务协议。
进入“API-KEY管理”页面，点击“创建API Key”。
为密钥设置名称,创建后系统会生成一串以sk-开头的密钥。
立即复制并妥善保存API Key，该密钥只显示一次，后续无法在控制台再次查看。

API Key是调用接口的唯一身份凭证，不能泄露，建议将密钥保存在环境变量或安全的配置文件中，不要硬编码在客户端代码或公开仓库中。

接口地址与认证方式

阿里云通义千问目前提供两套HTTP接口风格,一套是DashScope原生接口，另一套是兼容OpenAI的接口，推荐使用兼容OpenAI的接口，原因在于它可以复用大量已有的OpenAI生态工具和SDK。

兼容OpenAI的对话接口地址为：

https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions

原生DashScope对话接口地址为：

https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation

无论使用哪套接口,都需要在HTTP请求头中携带认证信息，兼容OpenAI接口的认证方式如下：

Authorization:Bearer你的APIKey
Content-Type:application/json

请求必须使用HTTPS协议,不能使用HTTP明文传输。

请求参数说明

以兼容OpenAI接口为例,请求体是一个JSON对象，核心字段如下。

model

指定要调用的通义千问模型,常用模型包括：

qwen-turbo：速度快、成本低，适合简单任务。
qwen-plus：效果、速度与成本均衡，适合大多数日常任务。
qwen-max：能力最强，适合复杂推理和高要求任务。
qwen-long：支持超长上下文，适合长文档处理。

模型名称需要与实际开通的模型一致,否则会返回模型不存在错误。

messages

messages是一个数组，表示对话上下文，每个元素是一个对象，包含两个字段：

role：角色，可选值为system、user、assistant。
content，为字符串。

system角色用于设定助手的行为和身份，你是一个专业的法律助手”。user表示用户输入，assistant表示模型的历史回复，多轮对话时，需要将前几轮的user和assistant消息按顺序放入数组中。

temperature

控制生成结果的随机性,取值范围通常为0到2，值越低，输出越确定；值越高，输出越发散，默认值一般为0.7到1.0，需要稳定、可复现的结果时，可将该值设为0。

top_p

核采样参数,取值范围为0到1，模型会从累计概率达到top_p的候选词中采样，该参数与temperature建议不要同时大幅调整。

max_tokens

限制模型生成的最大token数量,token可以粗略理解为文字片段，一个汉字通常对应1到2个token，设置过小会导致回复被截断，设置过大可能增加调用成本。

stream

是否使用流式输出,设为true时，模型会以SSE（Server-Sent Events）方式逐段返回内容，适合需要实时显示回复的场景，设为false时，接口会等待完整结果生成后一次性返回。

使用curl调用

以下是一个使用curl调用通义千问的完整示例：

curl-XPOSThttps://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions\
-H"Authorization:Bearer你的APIKey"\
-H"Content-Type:application/json"\
-d'{
"model":"qwen-plus",
"messages":[
{"role":"system","content":"你是一个简洁的助手"},
{"role":"user","content":"请用一句话介绍杭州"}
],
"temperature":0.7,
"max_tokens":200
}'

响应是一个JSON对象,其中choices数组包含模型输出，第一个元素的message.content字段就是模型回复的文本。

使用Python SDK调用

阿里云官方提供了DashScope Python SDK，安装命令为：

pipinstalldashscope

使用SDK调用的示例代码如下：

importdashscope
fromdashscopeimportGeneration
dashscope.api_key="你的APIKey"
response=Generation.call(
model="qwen-plus",
messages=[
{"role":"system","content":"你是一个简洁的助手"},
{"role":"user","content":"请用一句话介绍杭州"}
],
temperature=0.7,
max_tokens=200
)
ifresponse.status_code==200:
print(response.output.text)
else:
print(response.code,response.message)

response.output.text是模型生成的完整文本，如果请求失败，response.status_code不为200，可以从response.code和response.message查看错误信息。

使用OpenAI SDK调用

由于兼容OpenAI接口,可以直接使用OpenAI官方SDK调用通义千问，安装命令为：

pipinstallopenai

示例代码如下：

fromopenaiimportOpenAI
client=OpenAI(
api_key="你的APIKey",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)
completion=client.chat.completions.create(
model="qwen-plus",
messages=[
{"role":"system","content":"你是一个简洁的助手"},
{"role":"user","content":"请用一句话介绍杭州"}
],
temperature=0.7,
max_tokens=200
)
print(completion.choices[0].message.content)

这种方式适合已经使用OpenAI SDK的项目快速迁移到通义千问。

流式输出调用

在需要实时显示回复、提升用户体验的场景中，可以使用流式输出，Python示例代码如下：

fromopenaiimportOpenAI
client=OpenAI(
api_key="你的APIKey",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)
stream=client.chat.completions.create(
model="qwen-plus",
messages=[
{"role":"user","content":"写一首关于春天的短诗"}
],
stream=True
)
forchunkinstream:
ifchunk.choices[0].delta.content:
print(chunk.choices[0].delta.content,end="")

流式输出时,每个chunk的delta.content是增量文本，需要自行拼接，当流结束时，会收到一个finish_reason为stop的片段。

多轮对话

多轮对话的关键在于维护messages数组，每一轮请求都要把之前的用户输入和模型回复一并发送，示例：

messages=[
{"role":"system","content":"你是一个客服助手"}
]
whileTrue:
user_input=input("用户：")
messages.append({"role":"user","content":user_input})
completion=client.chat.completions.create(
model="qwen-plus",
messages=messages
)
answer=completion.choices[0].message.content
print("助手：",answer)
messages.append({"role":"assistant","content":answer})

这样模型就能记住上下文,做出连贯回复。