零基础玩转Qwen3-1.7B：手把手教你用LangChain搭建智能对话机器人

零基础玩转Qwen3-1.7B：手把手教你用LangChain搭建智能对话机器人

你是不是也想拥有一个自己的AI助手，能帮你回答问题、写写文案，甚至陪你聊天？但一看到动辄几十GB的模型、复杂的部署流程，就觉得头大，感觉这玩意儿离自己太远了。

今天，我就带你彻底打破这个门槛。咱们不用懂复杂的深度学习，也不用准备昂贵的显卡，就用一个只有17亿参数的“小”模型——Qwen3-1.7B，再配上超级好用的LangChain框架，从零开始，一步步搭建一个属于你自己的智能对话机器人。

整个过程就像搭积木一样简单，你只需要会一点基础的Python，跟着我做，半小时内就能看到你的AI机器人开口说话。准备好了吗？咱们这就开始。

1. 准备工作：认识你的新伙伴Qwen3-1.7B

在开始动手之前，我们先花两分钟了解一下今天的主角。你可能会想，现在动不动就是几百亿、几千亿参数的大模型，这个17亿参数的“小家伙”能行吗？

答案是：对于绝大多数日常对话和任务，它不仅能行，而且非常出色。Qwen3-1.7B是阿里巴巴通义千问家族的最新成员，虽然身材小巧，但本事不小。

它有几个特别适合我们新手玩家的优点：

• 吃得少，干得多：经过优化，它只需要很少的计算资源就能跑起来，普通电脑也能尝试。
• 记得长：支持长达32K的上下文，意味着它能记住和你很长一段对话内容，聊天不会前言不搭后语。
• 双模式大脑：这是它最酷的功能之一。遇到简单问题（比如“今天天气怎么样”），它用“快速模式”秒回；遇到复杂问题（比如“帮我解释一下相对论”），它能切换到“思考模式”，像人一样先在心里推理一番，再给出更靠谱的答案。

简单来说，Qwen3-1.7B就是一个为实际应用而生的、高性价比的AI引擎。而我们接下来要用的LangChain，就像一套乐高积木，能让我们用简单的代码，把这个引擎组装成各种有用的工具，比如聊天机器人。

2. 环境搭建：十分钟搞定一切

理论说再多不如动手试一下。我们现在就来把环境准备好。别担心，我已经把最麻烦的部分都打包好了，你只需要点几下。

2.1 一键启动，告别复杂配置

我们使用一个预置好的环境镜像，里面Python、必要的库都已经装好了，你开箱即用。

1. 找到并启动镜像：在你使用的平台（例如CSDN星图镜像广场）搜索“Qwen3-1.7B”镜像。
2. 点击启动：找到后，直接点击“启动”或类似的按钮。系统会自动为你创建一个包含这个镜像的实例。
3. 打开Jupyter Lab：实例启动成功后，通常会有一个链接或按钮直接打开Jupyter Lab。这是一个网页版的编程环境，我们后续所有操作都在这里进行。

当你看到类似下图的界面时，恭喜你，最复杂的环境配置已经完成了！

2.2 安装核心工具包

在Jupyter Lab里，我们新建一个Python笔记本（Notebook）。然后在第一个代码单元格里，输入以下命令来安装我们唯一需要的一个额外工具包：langchain-openai。

# 在Jupyter Notebook的第一个单元格中执行 !pip install langchain-openai -q

-q参数是为了让安装过程安静一些，不输出太多信息。执行这个单元格（按Shift+Enter），稍等片刻，看到安装成功的提示即可。

好了，环境搭建完毕！是不是比想象中简单？接下来就是最激动人心的部分——让我们召唤AI。

3. 核心实战：让你的第一个AI机器人“活”起来

现在，我们写一个非常简单的程序，来连接并调用Qwen3-1.7B模型。把下面的代码复制到新的代码单元格里。

# 导入必要的工具 from langchain_openai import ChatOpenAI import os # 创建并配置你的AI机器人核心 chat_model = ChatOpenAI( model="Qwen3-1.7B", # 指定使用Qwen3-1.7B模型 temperature=0.5, # 控制创造力的“温度”，0.1-1.0之间，越高回答越随机有趣 base_url="https://gpu-pod69523bb78b8ef44ff14daa57-8000.web.gpu.csdn.net/v1", # 注意：这个地址需要替换！ api_key="EMPTY", # 因为我们用的是本地/镜像服务，所以API Key填EMPTY extra_body={ "enable_thinking": True, # 开启“思考模式”，让模型处理复杂问题时先推理 "return_reasoning": True, # 要求返回推理过程，方便我们看它是怎么想的 }, streaming=True, # 开启流式输出，回答会一个字一个字显示，更有对话感 ) # 向你的AI机器人问好 response = chat_model.invoke("你是谁？") print(response.content)

重要提示：上面代码中的base_url是一个示例地址，你不能直接使用。你需要把它换成你自己实例的真实地址。

怎么找这个地址呢？很简单：

• 回到你启动Jupyter Lab的那个页面。
• 找到你的实例访问地址，通常格式是https://gpu-pod[一串ID]-8000.web.gpu.csdn.net。
• 在这个地址后面加上/v1，然后替换掉代码里的base_url部分。

替换好后，运行这个单元格。稍等几秒钟，你应该就能看到模型的自我介绍了！它可能会说：“我是通义千问，一个由阿里云开发的大语言模型……” 这意味着你的AI机器人已经成功启动，并且能和你对话了。

4. 功能探索：和你的AI机器人深度对话

基础对话成功了，我们来玩点更高级的，体验一下Qwen3-1.7B的“双模式”大脑和长上下文能力。

4.1 体验“思考模式”的魅力

还记得我们创建chat_model时设置的"enable_thinking": True吗？这就是打开了它的“思考模式”。让我们问一个需要逻辑推理的问题，看看它内部是怎么工作的。

# 问一个需要推理的问题 question = "如果小明比小红高，小红比小刚高，那么小明和小刚谁高？" response = chat_model.invoke(question) print("【AI的思考过程】:") # 尝试提取并打印推理过程（如果模型返回了的话） if hasattr(response, 'response_metadata') and 'reasoning' in response.response_metadata: print(response.response_metadata['reasoning']) else: print("（本次响应未包含显式推理内容）") print("\n【AI的最终答案】:") print(response.content)

运行后，你可能会在答案前看到一段用特殊符号（如<|im_start|>reasoning...<|im_end|>）包裹的文字，那就是模型“心里”的推理步骤。它先梳理条件“小明>小红，小红>小刚”，然后得出结论“小明>小刚”。这个功能对于理解复杂问题的解答逻辑非常有帮助。

4.2 关闭思考，体验极速响应

对于“今天天气怎么样？”、“帮我写个会议通知”这类简单问题，我们不需要它思考，只想要快。这时我们可以临时关闭思考模式。

# 方法一：创建另一个不开启思考的聊天对象（适合长期使用） fast_chat_model = ChatOpenAI( model="Qwen3-1.7B", temperature=0.5, base_url="你的_base_url_地址/v1", # 记得替换 api_key="EMPTY", extra_body={ "enable_thinking": False, # 关键：关闭思考模式 }, streaming=True, ) # 问一个简单问题 fast_response = fast_chat_model.invoke("用一句话介绍北京。") print(fast_response.content)

你会发现，对于这种简单任务，响应速度会更快。你可以根据任务类型，灵活选择使用chat_model（思考模式）还是fast_chat_model（快速模式）。

4.3 进行多轮对话（记忆测试）

一个好的聊天机器人得能记住之前说过什么。LangChain 帮我们管理对话历史。我们来模拟一个简单的多轮对话。

from langchain_core.messages import HumanMessage, AIMessage # 初始化一个对话历史列表 messages = [ HumanMessage(content="我的名字叫王伟。"), ] # 第一轮：告诉AI你的名字 first_response = chat_model.invoke(messages) print("AI:", first_response.content) messages.append(AIMessage(content=first_response.content)) # 把AI回复加入历史 # 第二轮：问它记不记得 messages.append(HumanMessage(content="你还记得我叫什么名字吗？")) second_response = chat_model.invoke(messages) print("AI:", second_response.content)

运行这段代码，AI在第二轮回答时，应该能说出“王伟”。这说明它成功记住了上下文。你可以继续在messages列表里添加对话，进行更长的聊天。

5. 打造实用小应用：一个简易问答助手

光聊天不过瘾，我们用它来做个有点实用价值的小东西：一个简单的领域知识问答助手。假设我们想做一个关于“咖啡”的问答机器人。

思路是：我们预先给它一点关于咖啡的“知识”，然后让它基于这些知识来回答。这里用到LangChain一个简单的“提示模板”功能。

from langchain_core.prompts import ChatPromptTemplate # 1. 定义一段关于咖啡的“知识” coffee_knowledge = """ 咖啡是一种由烘焙过的咖啡豆制成的饮料。 常见的咖啡种类有意式浓缩、美式咖啡、拿铁、卡布奇诺。 拿铁是由意式浓缩咖啡和蒸汽牛奶混合而成，上面有一层奶泡。 咖啡豆主要产自拉丁美洲、非洲和亚洲。 适量饮用咖啡可能有助于提神醒脑。 """ # 2. 创建一个提示词模板，告诉AI如何利用这些知识 prompt_template = ChatPromptTemplate.from_messages([ ("system", "你是一个专业的咖啡师助手。请根据以下已知信息来回答问题。如果信息不足以回答问题，请如实说不知道。\n已知信息：{knowledge}"), ("human", "{question}"), ]) # 3. 将我们的咖啡知识填入模板，形成一个具体的提示 prompt = prompt_template.invoke({ "knowledge": coffee_knowledge, "question": "拿铁咖啡是怎么做的？" }) # 4. 将组装好的提示发送给AI response = chat_model.invoke(prompt) print(response.content)

运行后，AI应该能根据我们提供的知识，准确地回答出拿铁是由意式浓缩咖啡和蒸汽牛奶混合而成的。你可以修改question的内容，问它“咖啡豆产自哪里？”或者“美式咖啡是什么？”，看看它的回答。

这个例子虽然简单，但这就是构建专业领域智能助手的基础。你可以把coffee_knowledge替换成任何你想要的文档、手册、FAQ，快速打造一个专属知识库问答机器人。

6. 总结与下一步

跟着走完以上步骤，你已经完成了从零到一的跨越：

1. 理解了Qwen3-1.7B：一个轻量但能力强，且具备“思考模式”的实用模型。
2. 搭建了环境：利用预置镜像，免去了繁琐的安装配置。
3. 完成了核心连接：使用LangChain的ChatOpenAI，成功调用了模型。
4. 探索了关键功能：体验了思考模式、快速模式和对话记忆。
5. 实现了一个小应用：创建了一个基于给定知识的简易问答助手。

你的智能对话机器人已经成功“上岗”了！

接下来可以玩什么？

• 美化对话界面：现在的对话是在代码里打印出来的。你可以学习使用Gradio或Streamlit这两个Python库，花几行代码就能做出一个漂亮的网页聊天界面。
• 连接真实知识库：上面的咖啡知识是手写的。你可以学习LangChain的RAG（检索增强生成）技术，让它能读取你的PDF、Word文档或网站内容，回答更复杂的问题。
• 赋予它工具能力：让AI不仅能说，还能做。比如，教会它调用一个查询天气的API，这样当你问“北京天气如何？”时，它能自己去查并告诉你结果。

Qwen3-1.7B和LangChain这个组合，就像给你了一套强大又易用的AI工具箱。今天你学会了最基础的用法，已经可以做出很多有趣的东西了。剩下的，就是发挥你的想象力，去创造、去解决实际问题。

最重要的是，你亲手证明了，玩转AI，没那么难。

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。