Qwen3-1.7B + LangChain：快速搭建自动化工作流教程-深圳市維司達科技有限公司

Qwen3-1.7B + LangChain：快速搭建自动化工作流教程

1. 引言

随着大语言模型在企业级应用中的不断深入，如何将高性能模型快速集成到实际业务流程中，成为开发者关注的核心问题。Qwen3-1.7B作为通义千问系列中轻量级但功能强大的语言模型，具备推理能力强、响应速度快、部署成本低等优势，非常适合用于构建自动化工作流系统。

LangChain 是当前主流的 LLM 应用开发框架，提供了模块化组件支持提示工程、记忆管理、工具调用和链式执行等功能。结合 Qwen3-1.7B 与 LangChain，开发者可以快速实现任务调度、内容生成、智能决策等自动化场景。

本文将带你从零开始，基于 CSDN 星图平台提供的镜像环境，使用 LangChain 调用 Qwen3-1.7B 模型，并构建一个可扩展的自动化工作流基础框架。适合有一定 Python 基础并对 LLM 工程化感兴趣的开发者阅读。

2. 技术背景与核心概念

2.1 Qwen3 系列模型简介

Qwen3（千问3）是阿里巴巴集团于2025年4月29日开源的新一代通义千问大语言模型系列，涵盖6款密集模型和2款混合专家（MoE）架构模型，参数量从0.6B至235B。该系列模型在多项基准测试中表现优异，尤其在代码生成、数学推理和多语言理解方面显著优于前代版本。

其中，Qwen3-1.7B是一款参数规模为17亿的紧凑型模型，专为边缘设备和高并发服务设计，在保持较低资源消耗的同时，仍具备较强的语义理解和生成能力。其典型应用场景包括：

客服机器人自动应答
内容摘要与改写
表单填写辅助
自动化脚本生成

由于其体积小、启动快、推理延迟低，非常适合嵌入到实时性要求较高的自动化系统中。

2.2 LangChain 框架核心价值

LangChain 提供了一套统一接口来连接各种大语言模型和服务，屏蔽底层差异，使开发者能够专注于业务逻辑设计。其主要特性包括：

标准化调用接口：通过ChatModel接口统一调用不同厂商的 LLM。
链式操作支持：支持将多个步骤组合成Chain，实现复杂逻辑编排。
记忆机制集成：内置ConversationBufferMemory等组件，支持上下文记忆。
工具扩展能力：可通过Tool和Agent实现外部 API 调用与自主决策。

借助 LangChain，我们可以轻松地将 Qwen3-1.7B 集成进自动化流程，而无需关心底层通信协议或模型加载细节。

3. 环境准备与模型调用

3.1 启动镜像并进入 Jupyter 环境

本文基于 CSDN 星图平台提供的预置镜像进行演示。该镜像已集成 Qwen3 系列模型服务及常用 AI 开发库，用户只需完成以下步骤即可快速上手：

登录 CSDN星图平台
搜索“Qwen3”相关镜像（如“qwen3-inference”）
创建实例并启动 GPU 容器
打开 Web IDE 或 Jupyter Notebook 页面

注意：确保容器运行后，Jupyter 服务正常启动，且可通过浏览器访问。

3.2 使用 LangChain 调用 Qwen3-1.7B 模型

尽管 Qwen3 并非 OpenAI 官方模型，但由于其兼容 OpenAI API 协议，我们可以通过langchain_openai中的ChatOpenAI类直接调用。

以下是完整的调用示例代码：

from langchain_openai import ChatOpenAI import os chat_model = ChatOpenAI( model="Qwen3-1.7B", temperature=0.5, base_url="https://gpu-pod69523bb78b8ef44ff14daa57-8000.web.gpu.csdn.net/v1", # 替换为当前 Jupyter 实例的实际地址，注意端口号为 8000 api_key="EMPTY", extra_body={ "enable_thinking": True, "return_reasoning": True, }, streaming=True, ) # 发起调用 response = chat_model.invoke("你是谁？") print(response.content)

参数说明：

参数	说明
`model`	指定调用的模型名称，必须与后端注册名一致
`temperature`	控制输出随机性，值越高越发散，建议生产环境设为 0.1~0.7
`base_url`	指向本地或远程模型服务的 OpenAI 兼容接口地址
`api_key`	当前服务无需认证，设置为`"EMPTY"`
`extra_body`	扩展字段，启用“思维链”（Thinking Process）和返回推理过程
`streaming`	是否开启流式输出，提升用户体验

输出效果：

调用成功后，模型将返回类似如下内容：

我是通义千问3（Qwen3），由阿里巴巴研发的大语言模型。我可以回答问题、创作文字、编程以及表达观点。

若启用了enable_thinking和return_reasoning，部分实现还可能返回中间推理路径，便于调试和可解释性分析。

提示：请根据实际部署环境修改base_url地址。通常格式为https://<pod-id>-8000.web.gpu.csdn.net/v1，其中<pod-id>为你的容器实例唯一标识。

4. 构建自动化工作流基础框架

4.1 设计目标与场景设定

为了展示 Qwen3-1.7B 在自动化任务中的潜力，我们设计一个简单的“日报生成助手”工作流，其功能如下：

输入：今日完成的任务列表（文本）
处理：模型自动归纳重点、润色语言、生成结构化日报
输出：Markdown 格式的日报文档

该流程可用于团队协作、个人复盘等场景，减少重复性文书工作。

4.2 完整实现代码

from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate from langchain.chains import LLMChain # Step 1: 初始化模型 llm = ChatOpenAI( model="Qwen3-1.7B", temperature=0.3, base_url="https://gpu-pod69523bb78b8ef44ff14daa57-8000.web.gpu.csdn.net/v1", api_key="EMPTY", streaming=False, ) # Step 2: 定义提示模板 prompt_template = """ 你是一名高效的职场助手，请根据以下今日工作内容，生成一份简洁专业的日报。 要求： 1. 分为【今日进展】、【遇到问题】、【明日计划】三个部分； 2. 语言正式但不啰嗦； 3. 每个部分不超过3条。 原始内容如下： {input_text} """ prompt = PromptTemplate.from_template(prompt_template) # Step 3: 构建链式流程 daily_report_chain = LLMChain(llm=llm, prompt=prompt) # Step 4: 调用生成 raw_input = """ 完成了用户登录模块的前端开发； 修复了订单状态同步的 bug； 参与了需求评审会议，明确了下周迭代目标； 数据库查询性能较差，正在排查索引问题； 明天打算优化首页加载速度。 """ result = daily_report_chain.invoke({"input_text": raw_input}) print(result["text"])

示例输出：

【今日进展】 1. 完成了用户登录模块的前端开发，界面交互流畅。 2. 修复了订单状态同步的 Bug，确保数据一致性。 3. 参与了需求评审会议，明确了下周迭代的主要目标。 【遇到问题】 1. 数据库查询性能较差，初步判断为索引缺失，正在进一步排查。 【明日计划】 1. 优化首页加载速度，提升用户体验。

4.3 关键技术点解析

Prompt Engineering：通过结构化指令引导模型输出符合预期格式的内容，避免自由发挥导致信息杂乱。
LLMChain 封装：利用 LangChain 的LLMChain将提示模板与模型调用封装为可复用单元，提高代码可维护性。
温度控制：设置temperature=0.3以保证输出稳定性和专业性，防止过度创造性表达。

5. 进阶技巧与最佳实践

5.1 流式输出提升交互体验

对于长时间运行的任务，建议开启streaming=True，并通过回调函数实时显示输出：

def on_new_token(token: str): print(token, end="", flush=True) chat_model = ChatOpenAI( model="Qwen3-1.7B", base_url="https://gpu-pod69523bb78b8ef44ff14daa57-8000.web.gpu.csdn.net/v1", api_key="EMPTY", streaming=True, ) for chunk in chat_model.stream("请简述人工智能的发展趋势"): on_new_token(chunk.content)

5.2 添加记忆机制支持多轮对话

使用ConversationBufferMemory实现上下文记忆，适用于客服、问答机器人等场景：

from langchain.memory import ConversationBufferMemory from langchain.chains import ConversationChain memory = ConversationBufferMemory() conversation = ConversationChain(llm=llm, memory=memory) conversation.invoke("我最近在学机器学习，有什么建议吗？") conversation.invoke("我对深度学习特别感兴趣")

此时模型能记住之前的交流内容，做出连贯回应。

5.3 错误处理与重试机制

网络不稳定可能导致请求失败，建议添加异常捕获和重试逻辑：

import time from tenacity import retry, stop_after_attempt, wait_exponential @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, max=10)) def safe_invoke(model, input_text): try: return model.invoke(input_text) except Exception as e: print(f"调用失败: {e}") raise

6. 总结

本文详细介绍了如何使用 LangChain 调用 Qwen3-1.7B 模型，并构建一个实用的自动化工作流原型。主要内容包括：

环境配置：基于 CSDN 星图平台的预置镜像快速启动 Jupyter 环境；
模型调用：通过兼容 OpenAI API 的方式，使用ChatOpenAI成功接入 Qwen3-1.7B；
流程构建：结合PromptTemplate和LLMChain实现结构化内容生成；
进阶优化：引入流式输出、记忆机制和错误重试，提升系统鲁棒性与用户体验。

Qwen3-1.7B 凭借其小巧高效的特点，非常适合作为企业内部自动化系统的“智能引擎”。配合 LangChain 的强大生态，开发者可以在短时间内搭建出具备自然语言理解与生成能力的工作流系统。

未来可进一步探索的方向包括：

集成 RAG（检索增强生成）提升知识准确性
结合 Agent 实现自主任务分解与执行
部署为微服务接口供其他系统调用

获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Qwen3-1.7B + LangChain：快速搭建自动化工作流教程