ChatQwQ 集成

ChatQwQ 将 Qwen 思维模型连接到 LangChain 的 对话模型接口。langchain-qwq 包还提供了 ChatQwen，通过构造函数参数暴露思维控制功能。

ChatQwQ 将 Qwen 思维模型连接到 LangChain 的 对话模型接口。langchain-qwq 包还提供了 ChatQwen，通过构造函数参数暴露思维控制功能。

阿里巴巴于 2026 年 10 月 10 日在北京和新加坡区域退役 qwq-plus。请参考 模型退役通知。

ChatQwQ 默认仍使用 qwq-plus。显式设置 model 并启用思维模式如下。包名称和导入语句保持不变。

概览

集成细节

类	包	可序列化	下载量	版本
ChatQwQ	langchain-qwq	beta

模型特性

本指南使用的 Qwen Plus 文本模型支持以下功能。模型能力和可用性因端点及区域而异。

工具调用	结构化输出	图像输入	音频输入	视频输入	Token 级别流式输出	原生异步	Token 使用量	对数概率
✅	✅	❌	❌	❌	✅	✅	✅	❌

配置

使用 Alibaba Cloud 模型工作室账户（需访问所选模型）。示例要求 Python 3.10 或更高版本。

凭据

在 Alibaba API 密钥页面 生成 API 密钥，然后设置 DASHSCOPE_API_KEY：

import getpass
import os

if not os.getenv("DASHSCOPE_API_KEY"):
    os.environ["DASHSCOPE_API_KEY"] = getpass.getpass("Enter your DashScope API key: ")

默认基础 URL 是 https://dashscope-intl.aliyuncs.com/compatible-mode/v1。设置 DASHSCOPE_API_BASE 或传递 base_url 以使用您所在区域的端点。该端点必须提供 API 密钥和模型。

安装

安装 langchain-qwq 包：

pip install -qU "langchain-qwq>=0.4.0"

实例化

选择支持的 Qwen 模型并通过 extra_body 启用思维模式：

from langchain_qwq import ChatQwQ

llm = ChatQwQ(
    model="qwen-plus-2025-12-01",
    extra_body={"enable_thinking": True},
    max_tokens=3_000,
    timeout=None,
    max_retries=2,
)

alternatively，使用 ChatQwen 并指定 enable_thinking 参数：

from langchain_qwq import ChatQwen

qwen = ChatQwen(model="qwen-plus-2025-12-01", enable_thinking=True)
response = qwen.invoke("What is 17 multiplied by 19?")
print(response.content_blocks)

支持的模型和思维控制选项请参考 Alibaba 的 思维模式文档。

调用

以下示例使用 llm 实例化 ChatQwQ：

messages = [
    (
        "system",
        "You are a helpful assistant that translates English to French. "
        "Translate the user sentence.",
    ),
    ("human", "I love programming."),
]
ai_msg = llm.invoke(messages)
print(ai_msg.content_blocks)

当提供方返回推理过程时，additional_kwargs 还包含其 reasoning_content 字段：

print(ai_msg.additional_kwargs.get("reasoning_content", ""))

content_blocks 提供 LangChain 的标准化文本和推理视图。访问此属性无需 output_version="v1"（本集成不支持该功能）。

流式响应

流式返回模型生成响应时的消息片段：

for chunk in llm.stream("What is 17 multiplied by 19?"):
    print(chunk.content_blocks)

异步调用使用 ainvoke：

import asyncio

from langchain_qwq import ChatQwQ


async def main() -> None:
    model = ChatQwQ(
        model="qwen-plus-2025-12-01",
        extra_body={"enable_thinking": True},
    )
    response = await model.ainvoke("What is 17 multiplied by 19?")
    print(response.content_blocks)


asyncio.run(main())

在具有活动事件循环的笔记本中，使用 await main() 而非 asyncio.run(main())。

工具调用

工具调用允许模型请求函数并传递参数。bind_tools 将工具定义发送给模型，但不执行工具。

与 bind_tools 结合使用

from langchain.tools import tool
from langchain_qwq import ChatQwQ


@tool
def multiply(first_int: int, second_int: int) -> int:
    """Multiply two integers together."""
    return first_int * second_int


llm = ChatQwQ(
    model="qwen-plus-2025-12-01",
    extra_body={"enable_thinking": True},
)
llm_with_tools = llm.bind_tools([multiply])
msg = llm_with_tools.invoke("Use multiply to calculate 5 times forty two.")
print(msg.tool_calls)

完整的工具参数缓冲需要 langchain-qwq>=0.4.0。

ChatQwQ 缓冲工具参数直到提供方完成生成或干净结束流。它保留有效 JSON 并仅在组装完整参数后尝试修复损坏的 JSON。文本和推理流立即继续。错误或取消的流不会发出未完成的工具调用。此行为适用于同步和异步流，包括回调。

结构化输出

ChatQwQ 使用函数调用返回结构化结果。通过 Pydantic schema 验证解析后的结果：

from langchain_qwq import ChatQwQ
from pydantic import BaseModel


class Person(BaseModel):
    name: str
    age: int


model = ChatQwQ(
    model="qwen-plus-2025-12-01",
    extra_body={"enable_thinking": True},
)
structured = model.with_structured_output(Person, method="function_calling")
person = structured.invoke("Extract the person: Alice is 30 years old.")
print(person)

将 method="json_mode" 或 method="json_schema" 传递给 ChatQwQ 同样会启用函数调用。这些值不会在本次包装器中启用原生 JSON 模式。

视觉支持

本指南中的文本模型不接受图像或视频输入。对于视觉任务，请通过 ChatQwen 选择兼容的模型和端点。在发送 多模态消息 之前，请先确认服务提供商支持的输入格式。

参考文档

• 包文档
• ChatQwen 集成
• 对话模型

---

官方原文：src/oss/python/integrations/chat/qwq.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。