通义千问是阿里云自主研发的大语言模型。

模型具备的能力包括但不限于：

创作文字，如写故事、写公文、写邮件、写剧本、写诗歌等编写代码提供各类语言的翻译服务，如英语、日语、法语、西班牙语等进行文本润色和文本摘要等工作扮演角色进行对话制作图表

通义千问以用户以文本形式输入的指令（<code>prompt）以及不定轮次的对话历史（history）作为输入，返回模型生成的回复作为输出。在这一过程中，文本将被转换为语言模型可以处理的token序列。Token是模型用来表示自然语言文本的基本单位，可以直观的理解为“字”或“词”。对于中文文本来说，1个token通常对应一个汉字；对于英文文本来说，1个token通常对应3至4个字母或1个单词。例如，中文文本“你好，我是通义千问”会被转换成序列[‘你’, ‘好’, ‘，’, ‘我’, ‘是’, ‘通’, ‘义’, ‘千’, ‘问’]，而英文文本"Nice to meet you."则会被转换成[‘Nice’, ’ to’, ’ meet’, ’ you’, ‘.’]。

由于模型调用的计算量与token序列长度相关，输入或输出token数量越多，模型的计算时间越长，我们将根据模型输入和输出的token数量计费。可以从API返回结果的 usage 字段中了解到您每次调用时使用的token数量。您也可以使用 Token计算器 或者调用 Token计算API 来预估文本对应的token数量。

注：您可以在调用时按需选择不同版本的模型。但请您注意，不同模型版本的计费规则不一致，点此查看计量计费。

配置

开通DashScope并创建API-KEY。

安装 SDK

# pip 安装

pip install dashscope

# API-KEY设置

export DASHSCOPE_API_KEY=sk-########################

SDK 使用

单轮对话

messages调用

import random

from http import HTTPStatus

import dashscope

def call_with_messages():

messages = [{ 'role': 'system', 'content': 'You are a helpful assistant.'},

{ 'role': 'user', 'content': '如何做西红柿炒鸡蛋？'}]

response = dashscope.Generation.call(

dashscope.Generation.Models.qwen_turbo,

messages=messages,

# set the random seed, optional, default to 1234 if not set

seed=random.randint(1, 10000),

result_format='message', # set the result to be "message" format.code>

)

if response.status_code == HTTPStatus.OK:

print(response)

else:

print('Request id: %s, Status code: %s, error code: %s, error message: %s' % (

response.request_id, response.status_code,

response.code, response.message

))

if __name__ == '__main__':

call_with_messages()

prompt 调用