LangChain实战：用智谱GLM-4、讯飞星火3.0和通义千问Turbo搭建你的第一个AI应用（附完整代码）

LangChain实战：用智谱GLM-4、讯飞星火3.0和通义千问Turbo搭建你的第一个AI应用

最近两年，大模型技术在国内发展迅猛，各大科技公司纷纷推出了自己的AI大模型产品。对于开发者来说，如何快速将这些强大的AI能力集成到自己的应用中，成为一个亟待解决的问题。LangChain作为一个专门为AI应用开发设计的框架，极大地简化了这一过程。本文将带你从零开始，使用LangChain框架分别集成智谱AI的GLM-4、讯飞星火3.0和通义千问Turbo三个国内主流大模型，构建一个简单的智能问答应用。

1. 环境准备与基础配置

在开始之前，我们需要确保开发环境已经准备就绪。以下是必备的工具和库：

• Python 3.8或更高版本
• pip包管理工具
• 虚拟环境（推荐使用venv或conda）

首先创建一个新的Python虚拟环境并激活它：

python -m venv langchain-env source langchain-env/bin/activate # Linux/Mac # 或者 langchain-env\Scripts\activate # Windows

接下来安装必要的Python包：

pip install langchain langchain-community python-dotenv

重要提示：三个大模型都需要各自的API密钥才能使用。建议将这些密钥存储在环境变量中，而不是直接硬编码在代码里。创建一个.env文件来管理这些敏感信息：

# .env文件示例 ZHIPUAI_API_KEY=your_zhipuai_key SPARK_APP_ID=your_spark_app_id SPARK_API_KEY=your_spark_api_key SPARK_API_SECRET=your_spark_api_secret DASHSCOPE_API_KEY=your_dashscope_key

2. 集成智谱GLM-4模型

智谱AI的GLM-4是目前国内领先的大语言模型之一，具有强大的文本理解和生成能力。下面我们来看看如何使用LangChain集成GLM-4。

首先，确保你已经从智谱AI开放平台获取了API密钥。然后，创建一个Python文件zhipu_integration.py：

from dotenv import load_dotenv load_dotenv() # 加载.env文件中的环境变量 from langchain_community.chat_models import ChatZhipuAI from langchain_core.messages import HumanMessage, SystemMessage # 初始化GLM-4聊天模型 chat = ChatZhipuAI( model="glm-4", temperature=0.7, # 控制生成文本的随机性 ) # 构建消息列表 messages = [ SystemMessage(content="你是一个专业的数学老师，擅长用简单易懂的方式解释数学问题。"), HumanMessage(content="请解释勾股定理，并给出一个实际应用的例子。"), ] # 调用模型并获取响应 response = chat.invoke(messages) print("GLM-4回答:") print(response.content)

运行这段代码，你将看到GLM-4对勾股定理的解释和应用示例。GLM-4的一个显著特点是它对中文语境的理解非常深入，能够生成符合中文表达习惯的文本。

常见问题处理：

• 如果遇到连接超时错误，可以尝试增加timeout参数
• 对于长文本生成，建议设置max_tokens参数控制输出长度
• 调整temperature值可以改变回答的创造性和随机性

3. 接入讯飞星火3.0模型

讯飞星火是科大讯飞推出的大语言模型，3.0版本在中文理解和多轮对话方面表现优异。与GLM-4不同，星火的API需要三个凭证参数：app_id、api_key和api_secret。

创建spark_integration.py文件：

from dotenv import load_dotenv load_dotenv() import os from langchain_community.chat_models import ChatSparkLLM from langchain_core.messages import HumanMessage, SystemMessage # 初始化星火3.0模型 spark_llm = ChatSparkLLM( spark_app_id=os.getenv("SPARK_APP_ID"), spark_api_key=os.getenv("SPARK_API_KEY"), spark_api_secret=os.getenv("SPARK_API_SECRET"), model_version="3.0" # 明确指定使用3.0版本 ) # 构建一个多轮对话示例 messages = [ SystemMessage(content="你是一个资深旅行顾问，熟悉全球各地的旅游景点。"), HumanMessage(content="我想去一个既有海滩又有历史文化的地方度假，有什么推荐吗？"), ] # 获取模型响应 response = spark_llm.invoke(messages) print("星火3.0回答:") print(response.content)

讯飞星火在多轮对话场景中表现突出，能够很好地保持上下文一致性。你可以尝试追加更多HumanMessage来模拟连续对话。

性能调优技巧：

• 星火3.0对系统提示(SystemMessage)非常敏感，精心设计的提示词能显著提升回答质量
• 对于复杂问题，可以设置top_p参数控制生成多样性
• 讯飞API有速率限制，大量使用时需要考虑加入延迟或实现重试机制

4. 使用通义千问Turbo构建应用

阿里云的通义千问Turbo是一款性价比很高的大模型，特别适合需要大量调用的应用场景。它提供了较为慷慨的免费额度，对开发者非常友好。

创建tongyi_integration.py：

from dotenv import load_dotenv load_dotenv() import os from langchain_community.chat_models.tongyi import ChatTongyi from langchain_core.messages import HumanMessage, SystemMessage # 初始化通义千问模型 chat = ChatTongyi( model_name="qwen-turbo", streaming=True, # 启用流式输出 temperature=0.5 ) # 构建一个翻译任务 messages = [ SystemMessage(content="你是一个专业的翻译家，擅长中英互译，能够准确把握原文风格和语气。"), HumanMessage(content="Translate the following English paragraph to Chinese, maintaining the academic tone:\n\nArtificial intelligence is transforming industries across the globe, from healthcare to finance, enabling new possibilities and efficiencies that were previously unimaginable."), ] # 流式获取响应 print("通义千问Turbo翻译结果:") for chunk in chat.stream(messages): print(chunk.content, end="", flush=True) print()

通义千问在翻译任务上表现优异，特别是中英互译保持了很高的准确性。流式输出特性使得长文本生成时有更好的用户体验。

实际应用建议：

• 通义千问Turbo的token成本较低，适合预算有限的项目
• 对于内容审核等场景，可以结合其内置的安全过滤功能
• 阿里云控制台提供了详细的用量统计和分析工具

5. 三模型对比与选择建议

现在我们已经成功集成了三个主流国产大模型，下面从几个关键维度进行对比分析：

选择建议：

• 如果你的应用需要处理专业领域内容（如法律、医学），GLM-4可能是最佳选择
• 对于需要语音交互或多轮对话的系统，讯飞星火3.0表现更优
• 预算有限或需要大量调用的场景，通义千问Turbo的经济性优势明显

6. 构建统一接口的AI应用

为了在实际项目中使用这些模型，我们可以设计一个统一的接口，根据需要切换不同的模型后端。下面是一个简单的实现示例：

from typing import Literal from dotenv import load_dotenv load_dotenv() import os from langchain_community.chat_models import ChatZhipuAI, ChatSparkLLM from langchain_community.chat_models.tongyi import ChatTongyi from langchain_core.messages import BaseMessage class UnifiedAIClient: def __init__(self, model_type: Literal["glm4", "spark", "qwen"] = "qwen"): self.model_type = model_type self.client = self._init_client() def _init_client(self): if self.model_type == "glm4": return ChatZhipuAI(model="glm-4", temperature=0.7) elif self.model_type == "spark": return ChatSparkLLM( spark_app_id=os.getenv("SPARK_APP_ID"), spark_api_key=os.getenv("SPARK_API_KEY"), spark_api_secret=os.getenv("SPARK_API_SECRET"), model_version="3.0" ) else: # qwen return ChatTongyi(model_name="qwen-turbo", streaming=False) def ask(self, messages: list[BaseMessage]) -> str: response = self.client.invoke(messages) return response.content # 使用示例 client = UnifiedAIClient(model_type="glm4") response = client.ask([ SystemMessage(content="你是一个美食评论家"), HumanMessage(content="请用生动有趣的语言描述四川火锅的特点") ]) print(response)

这个统一接口封装了三个模型的初始化过程，应用代码只需要关心消息的构建和结果的获取，大大降低了使用复杂度。

扩展思路：

• 可以添加模型性能监控和日志记录功能
• 实现自动回退机制，当首选模型不可用时切换到备用模型
• 加入缓存层减少重复请求的开销

7. 进阶技巧与最佳实践

在真实项目中使用这些大模型时，以下几个技巧可以帮助你获得更好的效果：

提示工程优化：

• 为模型提供清晰的指令和足够的上下文
• 使用示例演示期望的回答格式
• 分步骤引导模型思考复杂问题

# 优化后的提示示例 good_prompt = [ SystemMessage(content=""" 你是一个专业的商业分析师，擅长用结构化方式呈现信息。 请按照以下要求回答问题： 1. 先总结核心观点 2. 然后列出3-5个关键论据 3. 最后给出一个简短的结论 回答请使用中文。"""), HumanMessage(content="分析新能源汽车行业未来三年的发展趋势") ]

性能优化：

• 对频繁查询的结果实现本地缓存
• 批量处理多个请求以减少API调用次数
• 设置合理的超时和重试策略

错误处理：

• 捕获并处理常见的API异常
• 实现优雅降级方案
• 监控API使用情况和错误率

from tenacity import retry, stop_after_attempt, wait_exponential @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10)) def safe_ask(client, messages): try: return client.ask(messages) except Exception as e: print(f"请求失败: {str(e)}") raise

在实际项目中，我发现通义千问Turbo的稳定性最好，讯飞星火3.0在多轮对话场景表现突出，而GLM-4生成的专业内容质量最高。根据具体需求选择合适的模型，或者实现一个混合使用的策略，能够获得最佳的成本效益比。