阿里云百炼使用

阿里云百炼云平台

介绍

阿里云百炼是一站式大模型开发与应用平台，集成了通义千问及主流第三方模型。它为开发者提供了兼容OpenAI的API及全链路模型服务；同时，也提供可视化应用构建能力，让业务人员能快速创建智能体、知识库问答等AI应用。

获取API KEY

• 登录阿里云百炼——应用开发——应用管理——立即创建

• 创建后，选择模型——更多，选择“通义千问3-Max”。然后点击发布。
• 应用发布成功后，返回到应用开发——应用管理，能看到上面创建并发布的大模型测试

• 点击密钥管理——创建API-KEY，选择用户——确定。复制并保管好API KEY，不要对外泄露。

聊天机器人示例

• 登录阿里云百炼——模型服务——模型广场，点击通义千文3-Max
• 可以看到免费的额度，以及代码示例

通义聊天机器人示例

from openai import OpenAI
import streamlit as st

client = OpenAI(
    # 注意保密API KEY
    api_key="",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

st.title("我的聊天机器人")
st.divider()

user_input = st.chat_input("请输入消息...")


# 初始化对话历史，显示历史消息
if "messages" not in st.session_state:
    st.session_state.messages = []
for msg in st.session_state.messages:
    with st.chat_message(msg["role"]):
        st.write(msg["content"])

if user_input:
    # 添加用户消息到历史，并显示
    st.session_state.messages.append({"role": "user", "content": user_input})
    with st.chat_message("user"):
        st.write(user_input)

    # 助手思考回答过程
    with st.chat_message("assistant"):
        with st.spinner("思考中..."):
            completion = client.chat.completions.create(
                model="qwen3-max",
                messages=st.session_state.messages,
            )
            assistant_response = completion.choices[0].message.content
            st.write(assistant_response)

    # 添加助手回复到历史
    st.session_state.messages.append(
        {"role": "assistant", "content": assistant_response}
    )

请求参数

参考文档

参数名	类型	是否必填	说明
model	String	是	指定调用的模型 ID，例如通用模型 “qwen-plus”、DeepSeek 系列 “deepseek-v3.2-exp”、向量模型 “text-embedding-async-v2” 等，不同模型对应不同功能场景。
messages	Array	是	对话历史列表，每条数据包含role（角色，如 user/assistant）和content（内容），用于为模型提供上下文语境，例如 [{"role": "user", "content": "你是谁"}]。
stream	Boolean	否	控制输出方式。设为true时为流式输出，适合实时展示回复；设为false时为一次性输出完整结果，多数深度思考模型优先支持流式输出。默认为false
enable_search	Boolean	否	是否开启联网搜索。默认值为 false
temperature	Float	否	控制生成内容的随机性，取值范围（0,2）。数值越高，生成内容越多样；数值越低，生成结果越稳定、贴合固定逻辑，默认值通常适配对应模型的通用场景

messages 传递给大模型的上下文，按对话顺序排列

• System Message *object* （可选）系统消息，用于设定大模型的角色、语气、任务目标或约束条件等。一般放在messages数组的第一位。注意：QwQ 模型不建议设置 System Message，QVQ 模型设置 System Message不会生效。
  • 示例：你是专业的数学老师，用简洁语言解答数学题
  • 示例：你是东哥的助手小月
• User Message *object* （必选）用户消息，用于向模型传递问题、指令或上下文等。
• Assistant Message *object* （可选）模型的回复。通常用于在多轮对话中作为上下文回传给模型。

{
    "model": "qwen-plus",
    "messages": [
        {
            "role": "system",
            "content": "你是一名得力助手"
        },
        {
            "role": "user",
            "content": "列出最新的一条新闻，并给出日期"
        }
    ],
    "stream": false,
    "enable_search":true
}

响应参数

参数名	类型	说明
id	String	本次调用请求的唯一标识，用于问题排查和请求追踪。
object	String	响应对象类型，如流式调用时可能返回 “chat.completion.chunk”，非流式为 “chat.completion”。
created	Integer	响应生成的时间戳，以秒为单位，对应 Unix 时间格式。
choices	Array	（重要）核心响应数组，包含模型的输出内容。数组中元素含message对象，其role字段值为 “assistant”，content字段存储模型的最终回复文本。
usage	Object	（重要）Token 消耗统计，仅非流式或开启stream_options={"include_usage": True}的流式调用会返回。包含prompt_tokens（输入 Token 数）、completion_tokens（输出 Token 数）、total_tokens（总 Token 数）。

{
    "choices": [
        {
            "message": {
                "role": "assistant",
                "content": "最新的一条新闻是：**文化和旅游部郑重提醒中国游客近期避免前往日本旅游**。\n\n该新闻的日期为：**2025年11月17日**。\n\n（信息来源：新闻8点见丨四川舰顺利完成首航试验；中国游客近期避免前往日本）"
            },
            "finish_reason": "stop",
            "index": 0,
            "logprobs": null
        }
    ],
    "object": "chat.completion",
    "usage": {
        "prompt_tokens": 3241,
        "completion_tokens": 64,
        "total_tokens": 3305,
        "prompt_tokens_details": {
            "cached_tokens": 0
        }
    },
    "created": 1763360155,
    "system_fingerprint": null,
    "model": "qwen-plus",
    "id": "chatcmpl-629b0618-6f98-4b5c-a3e3-a9cd45bd43af"
}

参考资料

• 阿里云百炼OpenAI兼容接口

请求示例

使用Apifox请求

登录阿里云百炼——模型服务——模型广场，点击通义千文3-Max，点击“查看API示例”

curl -X POST https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen-plus",
    "messages": [
        {
            "role": "system",
            "content": "You are a helpful assistant."
        },
        {
            "role": "user",
            "content": "你是谁？"
        }
    ]
}'

Apifox访问百炼模型API：新建快捷请求，参考上面代码填写

• 设置请求方式：POST，填写URL地址
• 设置Headers，设置Body参数

使用SDK请求-非流式

非流式请求

from openai import OpenAI

client = OpenAI(
    api_key="sk-",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="deepseek-v3.2",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "你好"},
    ],
)
# 非流式响应
print(completion.model_dump_json())

非流式响应

{
  "id": "chatcmpl-b88f8ac8-b573-9cd4-b114-d95fab1766d2",
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "logprobs": null,
      "message": {
        "content": "你好！很高兴见到你。有什么我可以帮助你的吗？无论是解答问题、提供建议，还是闲聊，我都很乐意陪伴你哦！ 😊",
        "refusal": null,
        "role": "assistant",
        "annotations": null,
        "audio": null,
        "function_call": null,
        "tool_calls": null
      }
    }
  ],
  "created": 1769505790,
  "model": "deepseek-v3.2",
  "object": "chat.completion",
  "service_tier": null,
  "system_fingerprint": null,
  "usage": {
    "completion_tokens": 31,
    "prompt_tokens": 11,
    "total_tokens": 42,
    "completion_tokens_details": null,
    "prompt_tokens_details": { "audio_tokens": null, "cached_tokens": 0 }
  }
}

使用SDK请求-流式

流式请求

from openai import OpenAI

client = OpenAI(
    api_key="sk-",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="deepseek-v3.2",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "你好"},
    ],
    stream=True,
)
# 流式响应处理
for chunk in completion:
    # print(chunk.choices[0].delta.content, end="", flush=True)
    print(chunk)