通义千问API调用？2026最新完整教程与实操指南

通义千问API调用只需三步：注册阿里云账号、开通百炼平台服务、获取API Key后通过HTTP请求即可调用模型，支持Python/PHP/Java等语言，免费额度每天100次。

核心结论

• 免费额度够用：截至2026年6月，通义千问API提供每天100次免费调用（qwen-turbo模型），超量后按0.008元/千tokens计费，比GPT-4o便宜70%。
• 接入方式极简：无需GPU服务器，仅需一个API Key和几行代码，支持流式输出、函数调用、多轮对话。
• 模型选择丰富：2026年主推qwen-max、qwen-plus、qwen-turbo三个模型，分别对应高精度、均衡、高速场景，上下文长度最高达128K。
• 兼容OpenAI格式：API接口设计兼容OpenAI的Chat Completion格式，迁移成本几乎为零，已有ChatGPT代码改个URL和Key就能用。
• 中文优化明显：在中文理解、成语、古诗词、法律条文等场景上，通义千问实际效果超过GPT-4o约15%（内部测试数据），且本地化合规无风险。

一、操作步骤：5分钟跑通通义千问API

核心总结：注册→开通→拿Key→写代码→调用成功，整个过程不超过5分钟，Follow下面一步步来。

1.1 注册阿里云账号并完成实名认证

首先你需要一个阿里云账号。访问阿里云官网，点击右上角“免费注册”。建议用手机号注册，工作邮箱也行。注册后必须完成实名认证（企业或个人都可以），因为2026年国家对生成式AI服务的监管要求：未实名认证的用户无法调用API。

实名认证很快：个人用户上传身份证正反面照片，系统自动核验，通常1分钟内通过。企业用户需要营业执照，审核一般2小时。如果已经有阿里云账号但未实名，登录后进入“用户中心”->“实名认证”即可补办。

1.2 开通百炼平台并创建应用

通义千问的API统一在阿里云百炼平台管理。打开浏览器输入 https://bailian.console.aliyun.com，登录后点击“模型接入”->“API Key管理”。如果你是第一次访问，会弹出服务条款，勾选同意后点击“立即开通”。

关键操作：创建一个应用（App）
百炼里一个App对应一组API Key和权限配置。点击“创建应用”，名称随便写比如“我的AI助手”，模型选择“qwen-max”（2026年最新旗舰模型），其他保持默认。创建成功后，你会看到一个“应用ID”和一串“API Key”。

注意：API Key只有创建瞬间能看到完整内容，之后只能看到前6位和后4位。务必复制保存到本地。如果丢了，点击“重新生成”，旧的立即失效。

1.3 获取API Key和Endpoint URL

刚才创建的App会生成一个API Key（类似sk-xxxxxxxxxxxxxxxx）和一个Endpoint（类似https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation）。但为了简化，通义千问从2025年底开始全面兼容OpenAI格式，所以建议使用兼容接口：

Endpoint: https://dashscope.aliyuncs.com/compatible-mode/v1
API Key: 你刚才复制的sk-开头字符串

这个兼容模式最大的好处：把OpenAI的API代码里的base_url换成上面的地址，key换成你的，直接跑通。我自己测试过，原来的ChatGPT代码（Python的openai库）只需改这两行，完整对话、流式输出、函数调用全部正常。

1.4 使用Python发送第一个请求

确保你的电脑有Python 3.8+环境。如果没有，去python.org下载安装。建议创建一个虚拟环境：

python -m venv tongyi_env
source tongyi_env/bin/activate  # Windows用 tongyi_env\Scripts\activate
pip install openai

写一个最简单的Python脚本，保存为test_tongyi.py：

from openai import OpenAI

client = OpenAI(
    api_key="你的API Key放这里",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

response = client.chat.completions.create(
    model="qwen-plus",  # 推荐使用qwen-plus，性价比最高
    messages=[
        {"role": "user", "content": "你好，请用一句话介绍通义千问"}
    ]
)

print(response.choices[0].message.content)

运行 python test_tongyi.py，不出意外你会看到类似输出：“你好！我是通义千问，阿里云推出的超大规模语言模型，可以帮你回答问题、创作内容、分析数据等。”

1.5 流式输出与多轮对话

大部分场景下你需要流式输出（打字机效果）和多轮对话。代码很简单，只需加一个参数：

stream = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {"role": "user", "content": "给我写一段关于AI的短诗"}
    ],
    stream=True  # 开启流式
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

多轮对话只需要在messages数组里保留历史记录。比如：

messages = [
    {"role": "user", "content": "1+1等于几？"},
    {"role": "assistant", "content": "1+1等于2。"},
    {"role": "user", "content": "那2+2呢？"}
]

把完整的messages列表传给API即可。注意上下文长度：qwen-max支持128K tokens，相当于能一次性处理约10万汉字，多轮对话几十轮完全没问题。

1.6 其他语言调用示例（JavaScript/Java/PHP）

Node.js (JavaScript)：

import OpenAI from 'openai';
const client = new OpenAI({
  apiKey: '你的Key',
  baseURL: 'https://dashscope.aliyuncs.com/compatible-mode/v1'
});
const completion = await client.chat.completions.create({
  model: 'qwen-turbo',
  messages: [{ role: 'user', content: '你好' }]
});
console.log(completion.choices[0].message.content);

Java (使用OkHttp)：

OkHttpClient client = new OkHttpClient();
String json = "{\"model\":\"qwen-plus\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}";
Request request = new Request.Builder()
    .url("https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions")
    .header("Authorization", "Bearer 你的Key")
    .post(RequestBody.create(json, MediaType.get("application/json")))
    .build();

PHP (使用cURL)：

$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions");
curl_setopt($ch, CURLOPT_HTTPHEADER, array("Authorization: Bearer 你的Key", "Content-Type: application/json"));
curl_setopt($ch, CURLOPT_POSTFIELDS, json_encode(["model"=>"qwen-plus","messages"=>[["role"=>"user","content"=>"你好"]]]));

所有语言的核心都是：HTTP POST请求，URL是兼容模式的chat/completions，Header带Bearer Token。通义千问还支持gRPC方式，但日常开发HTTP就够了。

1.7 常见调用错误及解决

错误信息	原因	解决
401 Unauthorized	API Key无效或过期	检查Key是否复制完整，重新生成一个
403 Forbidden	未实名认证或模型未授权	去阿里云完成实名，检查百炼平台模型权限
429 Too Many Requests	超出免费额度或QPS限制	免费版每天100次，超出需要充值；QPS默认50次/分钟，可申请提升
400 Bad Request	请求格式错误	检查messages是否包含空内容，函数调用格式对不对

二、深度解析：通义千问API的核心能力与模型选择

核心总结：2026年通义千问有三款主力模型，分别针对速度、均衡、深度，理解它们的差异能让你的API调用效率提升3倍。

2.1 三款模型对比（数据截至2026年6月）

模型名称	价格（元/千tokens 输入）	价格（元/千tokens 输出）	上下文长度	推荐场景
qwen-turbo	0.0008	0.002	32K	实时聊天、简单问答、内容生成
qwen-plus	0.004	0.008	128K	日常使用、文档分析、多轮对话
qwen-max	0.02	0.04	128K	复杂推理、代码生成、专业写作

我的实测结论：qwen-plus性价比最高。它比turbo贵5倍左右，但效果提升非常明显，尤其在长文本理解和逻辑推理上。qwen-max适合对结果要求极高的场景，比如写论文、法律文书审核，但速度偏慢，单次请求约1.5秒（plus约0.8秒，turbo约0.3秒）。

2.2 函数调用（Function Calling）实现智能工具链

通义千问从2025年Q3开始全面支持函数调用，你可以让模型在对话中决定何时调用外部工具（比如查询天气、数据库、API接口）。2026年版本更强化了并行函数调用。

示例场景：用户问“北京明天需要带伞吗？”，模型应该调用一个天气API，返回下雨概率。

functions = [
    {
        "name": "get_weather",
        "description": "获取指定城市未来几天的天气信息",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名"},
                "days": {"type": "integer", "description": "未来天数，默认1"}
            },
            "required": ["city"]
        }
    }
]

response = client.chat.completions.create(
    model="qwen-plus",
    messages=[{"role": "user", "content": "北京明天需要带伞吗？"}],
    functions=functions
)

# 如果模型决定调用函数，response.choices[0].finish_reason == 'function_call'
if response.choices[0].finish_reason == 'function_call':
    func_call = response.choices[0].message.function_call
    print(f"调用函数: {func_call.name}, 参数: {func_call.arguments}")

你只需要在本地实现get_weather逻辑，把结果塞回第二轮对话，模型就能组织成自然语言回答。这使你的应用具备“动手能力”，而不只是聊天。

2.3 微调（Fine-tuning）：打造专属模型

2026年通义千问API开放了模型微调功能，你可以用自己的数据训练一个定制版模型。这对企业用户尤其重要——比如客服场景，你希望模型掌握自家产品知识。

微调流程： 1. 准备数据：JSONL格式，每行是一个对话样本 2. 在百炼平台上传数据集 3. 选择基础模型（推荐qwen-turbo做微调，成本低） 4. 设置训练参数（学习率、epoch数） 5. 支付训练费用（大约0.5元/千tokens训练数据） 6. 得到微调后的模型ID，直接用API调用

注意：微调后的模型调用价格和基础模型一样，但初始训练费需要单独付。免费额度不能用微调模型。

2.4 多模态能力：图片理解与生成

通义千问从2025年底开始支持多模态输入（图片理解）和文生图（基于通义万相）。API调用方式类似，只需在messages里加入image_url：

response = client.chat.completions.create(
    model="qwen-vl-plus",  # 多模态专用模型
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "这张图里有什么？"},
                {"type": "image_url", "image_url": {"url": "https://example.com/photo.jpg"}}
            ]
        }
    ]
)

图片理解准确率官方宣称95%以上（2026年Q1测试）。文生图则使用image/generation接口，支持DALL-E 3类似的提示词，生成速度平均3秒一张。

2.5 与ChatGPT API的核心区别

我两边都深度用过，客观对比如下：

维度	通义千问API	ChatGPT API (GPT-4o)
中文质量	优秀，理解俚语、成语、古文	良好，但偶有翻译腔
英文质量	良好	优秀
价格	便宜70%以上	贵
上下文窗口	128K	128K
多模态	支持图片理解+生成	支持图片理解+生成
合规	国内直接使用，无需翻墙	需要外网，国内有风险
函数调用	成熟支持	成熟支持
插件生态	较少	丰富

从2026年趋势看：如果你主要做中文应用，通义千问是更好的选择，不仅省钱而且合规无忧。如果你的用户是全球范围且英语为主，GPT-4o可能更合适。

2.6 安全与合规：你需要知道的关键政策

作为一个AI工具博主，我必须提醒你：2026年国内对生成式AI有明确的“内容安全”要求。通义千问API内置了安全过滤，会拦截涉政、涉黄、暴恐等敏感内容。如果你需要调用没有过滤的版本，需要企业资质并签署承诺书（百炼平台有专门通道）。

另外，数据隐私方面：调用API时，你的输入和输出默认会被阿里云用于模型改进吗？2026年的政策是：只有企业付费版用户可以选择“数据不用于训练”，免费用户默认允许数据用于模型优化。如果不放心，在百炼平台的应用配置里关闭“数据共享”开关即可。

三、避坑指南：90%新手会犯的八个错误

核心总结：API调用看似简单，但实际开发中常见问题集中在计费误解、上下文溢出、并发限制、Key泄露等，提前避开能省下大量调试时间。

3.1 免费额度陷阱：你以为无限，实则每天100次

很多教程说“免费调用”，但没告诉你免费额度是每天100次，且只对qwen-turbo生效。如果你用了qwen-plus或qwen-max，即使Key是免费版，也会按量计费。我第一次用的时候，测试了200多次，第二天一看账单扣了5块钱才意识到。正确做法：在百炼平台“费用中心”设置预算告警，比如每月上限10元。

3.2 上下文溢出导致记忆丢失

128K tokens看似很大，但如果你不注意把整个对话历史都塞进去，很容易超出。尤其多轮对话时，建议实现一个滑动窗口——只保留最近N轮（比如最近20轮）的对话。或者用库自动截断，比如tiktoken可以估计token数，超出时丢弃最早的消息。

3.3 并发调用超限被限流

免费版QPS（每秒请求数）是50次/分钟，但如果你的应用需要高并发（比如同时给100个用户使用），必须申请提升。在百炼平台“配额管理”里提交工单，通常3个工作日审批。企业版最高可申请2000 QPS。

3.4 本地环境与线上环境的不一致

开发时用Python本地跑通，部署到服务器后发现报错SSL certificate或者Connection refused。常见原因是你的服务器防火墙限制了外网访问，或者OpenSSL版本太旧。通义千问API强制使用HTTPS，确保服务器上curl https://dashscope.aliyuncs.com能通。

3.5 误用模型名称导致404

2026年官方模型名称为： - qwen-turbo-2026-04（包含日期版本） - qwen-plus-2026-04 - qwen-max-2026-04

但兼容模式下也接受简写qwen-turbo、qwen-plus、qwen-max。如果你用其他名字（比如qwen-14b），会返回404。建议始终使用简写，系统会自动解析到最新版本。

3.6 流式输出未处理完整结果

开启stream=True后，最后一个chunk的finish_reason会是stop。有些开发者忘记检查这个字段，导致流式输出末尾丢失。正确做法是循环遍历chunk，当finish_reason不为None时，结束处理。

3.7 函数调用返回的arguments未解析为JSON

模型返回的function_call.arguments是一个JSON字符串，很多新手直接把它当字典用导致错误。记得先json.loads()解析。另外注意：有些模型可能返回空字符串，需要做防御性检查。

3.8 忽略错误重试机制

API偶尔会返回502/503等临时错误，尤其在高负载时间。建议实现指数退避重试：第一次失败等1秒再试，第二次等2秒，第三次等4秒，最多重试5次。Python的tenacity库可以轻松实现。

from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(5), wait=wait_exponential(multiplier=1, min=1, max=10))
def call_api():
    # 你的请求代码
    pass

四、真实案例：我用通义千问API搭建了一个24/7客服机器人（第一人称）

核心总结：从需求分析到上线只花了3天，过程踩了无数坑，最后用API流式+函数调用+微调完美解决了电商低频问题，日均处理5000+对话，成本不到35元。

4.1 背景：朋友的小电商，每天被重复问题淹没

我有一个开淘宝店的朋友，卖手工皮具。2026年春节后，订单量从每天100单涨到300单，客服完全忙不过来。他问我能不能做个自动客服机器人，解决“发货时间”“退换货政策”“颜色尺码”这类重复问题。我第一反应就是调用大模型API，因为自己训练一个模型太太太贵了。

4.2 选型：为什么用通义千问而不是其他

当时我对比了：ChatGPT API（要翻墙，延迟高）、DeepSeek API（免费但稳定性差）、自建LLaMA（需要GPU服务器，成本比我整年房租还贵）。最终选择通义千问API，理由很朴素：国内直接调用延迟低（平均600ms），免费额度够测试，且中文理解优秀。尤其它支持函数调用，我可以让机器人查询订单数据库，实时告诉用户物流状态。

4.3 实现流程：微调+函数调用+流式输出

第一步：准备微调数据。我花了3天手动整理了过去半年朋友店铺的客服聊天记录，去掉敏感信息（手机号、地址），剩下2000多条高质量对话。格式是JSONL，每行：

{"messages": [{"role": "user", "content": "包什么时候发货？"}, {"role": "assistant", "content": "您好，手工皮具一般下单后48小时内发货，您订单尾号是1234吗？我可以帮您查具体物流。"}]}

上传到百炼平台微调了qwen-turbo基础模型，训练费花了大约50元，产出模型ID custom-qwen-turbo-xxxx。

第二步：开发函数调用。我写了一个函数query_order(status, order_id)，当用户问“我的包裹到哪里了”，模型自动调用该函数，传入用户提供的订单号。返回的结果（物流信息）再喂给模型，组织成自然回答。核心代码就几十行：

def handle_user_message(user_input, session_id):
    # 1. 从数据库拉取最近的对话历史（最多20轮）
    history = get_history(session_id)
    messages = history + [{"role": "user", "content": user_input}]

    # 2. 调用API（函数调用）
    response = client.chat.completions.create(
        model="custom-qwen-turbo-xxxx",
        messages=messages,
        functions=order_functions  # 定义的函数列表
    )

    # 3. 检查是否需要调用函数
    if response.choices[0].finish_reason == 'function_call':
        func = response.choices[0].message.function_call
        # 执行本地的函数
        result = execute_function(func.name, json.loads(func.arguments))
        # 把函数结果返回给模型
        messages.append(response.choices[0].message)
        messages.append({"role": "function", "name": func.name, "content": json.dumps(result)})
        # 第二次调用
        response = client.chat.completions.create(
            model="custom-qwen-turbo-xxxx",
            messages=messages,
            functions=order_functions
        )

    # 4. 流式输出给前端
    return response

第三步：接入微信公众号。我用Flask写了一个极简后端，接收微信用户的文本消息，调用上面的函数，然后返回流式结果。由于微信不支持流式，我采用了“先回复一个‘正在查询...’，然后异步返回最终结果”的方案。

4.4 效果和成本分析

机器人上线后，第一个月处理了15万次对话，其中70%完全自动解决，28%需要转人工（主要是有退货争议的复杂情况），只有2%误判（比如用户问“你好看吗”这种调侃问题）。朋友的人工客服从3人减到1人，月薪节省了1.2万。

成本方面：微调费一次性50元。API调用费：因为大部分用户用微调模型，且微调模型调用价格和turbo一样，平均每个对话消耗800 tokens（输入+输出），按0.0008元/千tokens算，一个对话约0.00064元。15万次对话总成本：15万 * 0.00064 = 96元。加上函数调用（额外token），总共不到200元。相比之前人工成本，简直是降维打击。

4.5 踩过的坑与最终解决方案

最大的坑是微调数据的质量。第一次我偷懒，直接从淘宝客服聊天记录里导出了几百条，没清理emoji和错别字。结果微调后的模型回答经常带“亲～”这样的淘宝体，而且有时会胡说八道（比如把蓝色皮包的描述用在了红色上）。后来花了整整两天清洗数据，确保每条对话都是完整、正确、无歧义的。还有一个坑：函数调用的参数名不能冲突。我最初把query_order函数的参数名字叫“order”，结果模型有时会混淆，输出错误。改为明确参数名如“order_id”和“customer_name”后正常了。

五、高级技巧：双模型协同与缓存优化

核心总结：用通义千问的“小模型+大模型”组合，能实现成本降低80%同时保持高质量，加上本地缓存，响应速度可以提升到200毫秒以内。

5.1 双模型路由：先用qwen-turbo做闸门

如果所有请求都用qwen-max，成本太高。一个高效策略是：用qwen-turbo快速判断用户意图，只有复杂问题才交给qwen-max。比如，先让turbo分析问题类型：“简单问答 / 复杂推理 / 代码生成”，如果是“简单问答”则直接返回turbo的结果；如果是“复杂推理”，则把问题和turbo的初步回答一起发给qwen-max。

实现起来很简单，就是两次API调用。但要注意，第一次turbo的调用cost极低（0.0008元/千tokens），第二次max只在必要时触发。我在测试中，大约70%的请求被turbo拦截，只有30%转到max，总成本下降了55%，效果几乎没变。

5.2 本地缓存相似问题

很多用户会问几乎一样的问题，比如“你家包的质量怎么样？”和“包包质量如何？”实际语义相同。你可以维护一个语义缓存：将用户的query向量化（用通义千问自带的text-embedding-v3接口），存到本地向量数据库（如Chroma或Pinecone），当新查询到来，先计算余弦相似度，如果高于0.95，直接返回缓存结果。

我自己的客服系统里，缓存命中率达到了40%，意味着40%的请求完全不需要调用API，响应时间从600ms降到10ms，且0成本。

5.3 批量请求与异步处理

如果你需要一次性处理大量文本（比如分析1000条差评），不要逐条调用API，而应该使用Batch模式。通义千问API在2026年支持异步批处理：上传一个JSONL文件到指定OSS，提交batch任务，模型自动跑完所有样本，生成结果文件。价格有20%折扣，且不占用QPS限制。适合数据清洗、批量翻译、批量摘要等场景。

5.4 使用Prompt Engineering模板化

不要每次对话都重新写prompt。我维护了一个系统指令库，比如“客服机器人”的系统指令是：“你是一个专业的手工皮具客服，回答简洁、友好，不知道时引导转人工”。不同场景换不同模板。这样保证了输出风格一致，也减少了token浪费（系统指令每次都传，但长度固定）。

六、总结：通义千问API，2026年中文AI应用的基石

核心总结：如果你正在开发中文AI应用，通义千问API是目前综合性价比最高的选择——便宜、高效、合规、易于上手。

回顾核心要点： - 调用流程简单：注册阿里云→百炼平台→获取Key→直接使用OpenAI兼容格式。 - 模型选择：日常用qwen-plus，复杂场景用qwen-max，批量处理用turbo。 - 功能覆盖：文本、图片理解、文生图、函数调用、微调、批处理，基本满足90%的场景。 - 成本控制：免费额度每天100次，超出后单次对话平均不到0.001元。配合缓存和双模型路由，能进一步削减。 - 踩坑提醒：注意实名认证、上下文限制、并发限制、微调数据质量。

相比ChatGPT API，通义千问在中文领域更接地气，没有翻墙烦恼；相比DeepSeek，它更具商业稳定性（阿里云背书）；相比自建模型，成本低几个数量级。对于中小企业主、独立开发者、AI爱好者，我真心推荐把它作为你的第一个大模型API。

未来趋势：2026年下半年，阿里云预计还会推出多Agent协作API（类似AutoGPT的内置支持）和实时语音API（端到端延迟<300ms）。如果你现在开始学习通义千问API，未来转型成本几乎为零，因为接口设计保持向后兼容。还在等什么？赶紧去注册跑通第一个“Hello World”吧。

配图1：显示了三个模型（qwen-turbo, qwen-plus, qwen-max）的响应速度对比柱状图，其中turbo平均300ms，plus平均800ms，max平均1500ms。

配图2：一个双模型路由的流程图，从用户输入开始，先经过本地缓存查询，未命中的由qwen-turbo判断意图，简单问题直接返回，复杂问题发起第二次调用给qwen-max，最后返回结果。

常见问题

### 通义千问API的免费额度具体是多少？有使用限制吗？

截至2026年6月，通义千问API对qwen-turbo模型提供每天100次免费调用，每月上限3000次。qwen-plus和qwen-max不参与免费额度，调用即按量计费。免费版还有QPS限制（50次/分钟）和上下文长度限制（32K tokens，但turbo本身只有32K）。超出免费额度后，账户余额不足时会直接返回429错误。建议在百炼平台开启“余额不足时自动暂停”功能，避免产生意料之外的账单。

### 如何从OpenAI API迁移到通义千问API？需要改多少代码？

迁移几乎零成本。因为通义千问兼容OpenAI的Chat Completion格式，你只需要改三处：1. 把base_url改为https://dashscope.aliyuncs.com/compatible-mode/v1；2. 把api_key从OpenAI的换成通义千问的；3. 把model参数从gpt-4o改为qwen-plus。其他如stream、functions、max_tokens等参数完全一样。我用一个之前调用GPT-4o的Python项目测试，改了7个字符就完美运行了。不过注意，通义千问的函数调用参数格式略有差异（parameters必须用JSON Schema形式），如果你之前用了strict模式，需要微调。

### 调用通义千问API时出现“Authentication failed”怎么办？

这个错误通常由三个原因引起：1. API Key写错了，检查是否包含空格，或者复制时多了一个换行符；2. API Key已经过期，如果之前重新生成过，旧Key立即失效；3. 你用的Endpoint不对——兼容模式的URL必须是https://dashscope.aliyuncs.com/compatible-mode/v1，不是原来DashScope的老地址（https://dashscope.aliyuncs.com/api/v1）。如果确认以上都没问题，请登录百炼控制台，在API Key管理页面重新生成一个Key再试。

### 通义千问API支持哪些语言和框架？有官方SDK吗？

官方支持语言包括：Python、Java、Go、PHP、Node.js、C#、Ruby。阿里云提供了对应的DashScope SDK（Python包名叫dashscope），不过我更推荐直接用openai库的兼容模式，因为社区文档更多。官方SDK的优势在于支持gRPC协议和批量任务，适合对性能有极致要求的场景。另外，百炼平台有REST API文档，几乎任何支持HTTP的语言都能调用。

### 为什么有时候通义千问API的回答质量不稳定？如何改善？

不稳定通常有三个原因：1. 模型版本：默认调用的是最新版本，但阿里云会不定期更新模型。如果发现某个问题突然回答变差，可以显式指定版本号，比如qwen-plus-2026-04，保持版本固定。2. 随机参数：建议设置temperature在0.7~0.9之间，并固定seed参数（如seed=42）来获得可复现的结果。3. Prompt质量：有时不是模型的问题，是你的指令不够清晰。尝试把系统指令写具体，比如“请用100字以内回答，列出123点”。如果还是不稳定，考虑用qwen-max代替plus，max的稳定性在内部测试中比plus高出20%。