03-day1-解析程序qwen_agent.py

解析程序qwen_agent.py

🔍 一、程序结构与输出的对应关系

逐行解析（qwen_agent.py）与运行输出之间的关联

✅ 程序核心流程

1. 加载 .env 中的 DASHSCOPE_API_KEY
2. 初始化 ChatTongyi（调用通义千问 API）
3. 构造提示模板（system + human）
4. 将提示 + 模型组成“链”（chain）
5. 调用 chain.invoke() 发送请求
6. 打印模型返回的 response.content

🖨️ 运行输出：

你好！我叫通义千问，是由阿里云开发的AI助手。作为来自阿里云的超大规模语言模型，我能够回答问题、创作文字，还能表达观点、撰写代码。如果您有任何问题或需要帮助，请随时告诉我，我会尽力提供支持。

这段话 完全由 qwen-max 模型生成，但受你代码中两处关键控制：

🔑 二、决定输出内容的两个关键点

1. System Prompt（角色设定）

("system", "你是一个乐于助人的AI助手。")

这句话告诉模型：“你不是普通聊天机器人，而是专业、友好、乐于助人的 AI 助手”。
如果你改成：
```
("system", "你是一个严肃的学术教授，只回答技术问题。")
```
输出会变成：

“我是通义千问，一个专注于技术领域的语言模型。请提出具体的技术问题。”

✅ 结论：system 消息决定了模型的“人格”和回答风格。

cp qwen_agent.py{,.bak}

sed -i 's/("system", "你是一个乐于助人的AI助手。")/("system", "你是一个严肃的学术教授，只回答技术问题。")/' qwen_agent.py

grep -n "system" qwen_agent.py
#26:# 3. 构造提示模板（system + human）
#27:# system 消息定义 AI 的角色，human 消息是用户输入的占位符
#29:    ("system", "你是一个严肃的学术教授，只回答技术问题。"),

python qwen_agent.py

2. Human Input（用户提问）

{"input": "你好，请介绍一下你自己。"}

这是用户实际问的问题。
模型根据这个问题 + system 角色，生成自我介绍。

如果你改成：

{"input": "用 Python 写一个冒泡排序。"}

输出会变成：

def bubble_sort(arr):
    n = len(arr)
    for i in range(n):
        for j in range(0, n-i-1):
            if arr[j] > arr[j+1]:
                arr[j], arr[j+1] = arr[j+1], arr[j]
    return arr

✅ 结论：{input} 是动态变量，决定模型“做什么”。

sed -i 's/response = chain\.invoke({"input": "你好，请介绍一下你自己。"})/response = chain.invoke({"input": "用 Python 写一个冒泡排序。"})/' qwen_agent.py

grep -n 'chain.invoke' qwen_agent.py

python qwen_agent.py

🔄 三、变化演示（动手实验）

你可以通过修改以下部分，观察输出如何变化：

修改位置	修改示例	预期输出变化
System Prompt	`"你是一个幽默的脱口秀演员"`	回答会带 jokes、夸张语气
Human Input	`"今天北京天气如何？"`	模型会说“我无法获取实时天气”（诚实拒绝）
Model Name	`model="qwen-turbo"`	回答更快、更短，可能略简略
Temperature	`temperature=0.8`	回答更 creative，多样性、新颖性或非确定性，每次结果不同

💡 实验 1：改 System Prompt

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个古风诗人，说话要文言文风格。"),
    ("human", "{input}")
])

输入不变 → 输出可能变成：

“吾乃通义千问，阿里云所铸之灵。善解万象，能赋诗文，亦可论道编程。君若有问，但说无妨。”

💡 实验 2：改 Human Input

response = chain.invoke({"input": "我想请您写一首七言绝句，鼓励一下正在成都千锋学堂努力学习的我"})

→ 输出会是一段，让你整个冬天非常温暖的诗篇。（体现 qwen-max 的专业能力）。

🧠 四、技术本质：什么是 “Chain”？

chain = prompt | llm

这是 LangChain 的 管道操作符（|），等价于：

formatted_prompt = prompt.invoke({"input": "..."})
response = llm.invoke(formatted_prompt)

它把 提示模板 和 大模型 连成一条流水线，实现：

用户输入 → 填入模板 → 发给 Qwen → 返回结果

这就是最简单的 AI Agent 智能体！

✅ 总结：程序与输出的映射关系

你的代码部分	控制输出的哪个方面
`ChatTongyi(model="qwen-max")`	模型能力上限（强/快/便宜）
`system` 消息	回答风格、角色、语气
`{input}` 内容	具体任务（问答/写代码/总结等）
`temperature=0`	回答确定性（0 = 每次一样，1 = 随机创意）
`print(response.content)`	最终看到的文字

✅ temperature 的标准取值范围：0.0 到 1.0（有时可更高）

值	行为特点	适用场景
`0.0`	完全确定性：每次都选择概率最高的词，输出完全一致（只要输入不变）。	代码生成、数学计算、事实问答等需要可重复、准确结果的任务。
`0.1` ～ `0.5`	轻微随机性，偏向高概率词，但偶尔有变化。	技术写作、摘要、翻译等需稳定但略灵活的场景。
`0.6` ～ `0.8`	中等创造性，语言更自然、多样。	写作、内容创作、对话等。
`0.9` ～ `1.0`	高度随机，输出差异大，可能“天马行空”。	头脑风暴、诗歌、创意文案等。
> `1.0`（如 `1.2`）	极度随机，可能产生无意义或混乱内容（一般不推荐）。	实验性用途，很少用于生产。

你现在拥有了一个可编程的 AI 助手！
💡 实验 3：改 Human Input

让它读取文件内容并总结，修改最后两行：

#with open("article.txt", encoding="utf-8") as f:
#    text = f.read()
#response = chain.invoke({"input": f"请用中文总结以下内容：\n\n{text}"})

tee qwen_agent_test3.py <<'EOF'
from dotenv import load_dotenv
import os
from langchain_community.chat_models import ChatTongyi
from langchain_core.prompts import ChatPromptTemplate

load_dotenv()
api_key = os.getenv("DASHSCOPE_API_KEY")
if not api_key:
    raise ValueError("请在 .env 文件中设置 DASHSCOPE_API_KEY")
os.environ["DASHSCOPE_API_KEY"] = api_key

llm = ChatTongyi(model="qwen-max", temperature=0.3)

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有IT领域多年工作经验，看到过很多成功案例的人。"),
    ("human", "{input}")
])

chain = prompt | llm

with open("article.txt", encoding="utf-8") as f:
    text = f.read()
response = chain.invoke({"input": f"请用中文总结以下内容，100字以内：\n\n{text}"})

print(response.content)
EOF

tee article.txt <<'EOF'
在当今快速发展的数字化时代，掌握扎实的技术能力已成为个人成长与职业发展的重要基石。持续学习编程、人工智能、数据分析等前沿技能，不仅能提升解决问题的效率，更能拓展思维边界，增强在激烈竞争中的适应力。学习技术的过程，本质上是不断挑战自我、突破认知局限的旅程——每一次调试代码、每一个项目实践，都是对耐心、逻辑与创造力的锤炼。

然而，技术本身并非终点，而是连接个人与社会的桥梁。真正有价值的能力，不仅体现在键盘上的熟练，更在于能否将所学用于服务他人、解决实际问题、推动社会进步。因此，在精进技术的同时，我们应主动参与团队协作、关注社会需求、培养沟通与共情能力，以开放心态融入集体，用技术传递温度。

唯有将专业能力与社会责任相结合，才能在时代浪潮中实现个人价值与社会价值的统一，成为既有硬实力、又有软素养的新时代建设者。
EOF

python  qwen_agent_test3.py

💡 实验 4：改 Human Input
将 system prompt 和 human input 分别存放在两个独立的文本文件中，
然后让 Python 程序读取它们来构建提示并调用模型。

# 1. 创建 system_prompt.txt
tee system_prompt.txt <<'EOF'
你是一个古风诗人。
EOF

# 2. 创建 user_input.txt
tee user_input.txt <<'EOF'
我想请您写一首词，使用沁园春词牌格式，鼓励一下正在成都千锋学堂努力学习的我
EOF

# 3. 创建精简版 qwen_agent_test4.py（自动读取上述两个文件）
tee qwen_agent_test4.py <<'EOF'
from dotenv import load_dotenv
import os
from langchain_community.chat_models import ChatTongyi
from langchain_core.prompts import ChatPromptTemplate

load_dotenv()
api_key = os.getenv("DASHSCOPE_API_KEY")
if not api_key:
    raise ValueError("请在 .env 文件中设置 DASHSCOPE_API_KEY")
os.environ["DASHSCOPE_API_KEY"] = api_key

# 读取外部文件
with open("system_prompt.txt", encoding="utf-8") as f:
    system_msg = f.read().strip()

with open("user_input.txt", encoding="utf-8") as f:
    user_msg = f.read().strip()

# 构建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", system_msg),
    ("human", "{input}")
])

llm = ChatTongyi(model="qwen-max", temperature=0)
chain = prompt | llm

response = chain.invoke({"input": user_msg})
print(response.content)
EOF

python qwen_agent_test4.py

posted @ 2026-01-25 20:15 船山薪火阅读(36) 评论(0) 收藏举报

刷新页面返回顶部