通义千问API怎么接入：Python调用示例、Key申请与计费说明

键盘旁的猫

发布时间：2026-10-22 | 4人浏览过

原创

在应用开发中引入大语言模型，往往意味着要在“黑盒体验”与“可控集成”之间做取舍。直接调用网页版聊天界面虽然零门槛，但无法嵌入业务逻辑；而自行部署开源模型又面临算力成本与维护复杂度的双重压力。对于大多数希望快速赋予应用对话、推理或内容生成能力的开发者而言，调用成熟的云端API是性价比最高的路径。

通义千问作为阿里云推出的主力大模型，其API接入流程已经高度标准化，但初次接触时仍容易在鉴权方式、参数配置和计费理解上产生困惑。本篇不罗列枯燥的参数表，而是从实际开发场景出发，梳理从获取密钥到代码落地的完整链路，明确每一步的操作意义与边界。

钥匙与门槛：在阿里云百炼获取API Key

接入任何云服务的第一步都是身份鉴权。通义千问的API服务依托于“阿里云百炼”平台，这与传统的阿里云ECS或RDS控制台略有不同，是一个专门针对大模型应用开发的聚合平台。

登录阿里云百炼控制台后，需要在左侧导航栏找到“API-KEY管理”模块。这里需要注意，创建Key时系统通常会提示设置有效期或绑定特定项目，建议为测试环境和生产环境分别创建不同的Key，以便后续进行权限隔离和安全审计。复制生成的Key时，务必妥善保存，因为出于安全考虑，平台通常不会再次显示完整的密钥字符串。

通义千问API怎么接入：Python调用示例、Key申请与计费说明

阿里云百炼控制台API Key创建与管理界面示意

获得Key只是第一步，真正的“门槛”在于开通服务。在百炼平台的“模型广场”或“我的应用”中，需要确认已开通通义千问相关模型（如qwen-turbo、qwen-plus等）的服务权限。部分新注册用户可能享有免费额度，但这通常需要手动领取或在首次调用时触发开通流程。如果跳过这一步直接运行代码，往往会收到“ServiceUnavailable”或“PermissionDenied”的错误提示，而非简单的鉴权失败。

环境搭建：Python SDK的正确安装姿势

虽然通过HTTP请求直接调用RESTful API是通用做法，但对于Python开发者，使用官方提供的SDK能大幅减少构造请求头、处理签名和解析响应的重复工作。阿里云提供了dashscope库，这是接入通义千问的标准客户端。

在虚拟环境中执行安装命令：

pip install dashscope

安装完成后，关键的一步是配置环境变量。硬编码API Key在代码中是严重的安全隐患，尤其是在将代码提交至GitHub等公共仓库时。推荐的做法是在操作系统的环境变量中设置DASHSCOPE_API_KEY，或者在项目根目录创建.env文件并通过python-dotenv库加载。

import os
from dotenv import load_dotenv

load_dotenv()
# 确保环境变量已正确加载
api_key = os.getenv("DASHSCOPE_API_KEY")
if not api_key:
    raise ValueError("未找到DASHSCOPE_API_KEY环境变量")

这种配置方式不仅安全，还便于在不同部署环境（如本地开发、测试服务器、生产容器）间无缝切换配置，无需修改代码逻辑。

核心交互：从单次对话到流式输出

在实际业务中，对话接口是最基础也最常用的功能。通义千问API支持两种主要的响应模式：非流式（一次性返回完整结果）和流式（Server-Sent Events，逐字返回）。

非流式调用适合对延迟不敏感、需要完整文本进行后续处理的场景，如文章摘要生成或数据提取。代码结构简洁，等待模型生成完毕后一次性返回对象。

通义千问API怎么接入：Python调用示例、Key申请与计费说明

Python代码中调用通义千问非流式接口的示例

然而，在聊天机器人或实时辅助写作场景中，用户更希望看到“打字机”效果，即模型思考的同时前端逐步展示内容。这时必须启用流式输出。在dashscope SDK中，只需将incremental_output参数设置为True，并使用迭代器处理响应。

import dashscope
from dashscope.api_entities.dashscope_response import Role

dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")

def stream_chat(prompt):
    messages = [
        {'role': Role.SYSTEM, 'content': '你是一个有用的助手。'},
        {'role': Role.USER, 'content': prompt}
    ]
    
    response = dashscope.Generation.call(
        model='qwen-turbo',
        messages=messages,
        result_format='message',
        stream=True, # 开启流式输出
        incremental_output=True # 增量输出
    )
    
    full_content = ""
    for chunk in response:
        if chunk.status_code == 200:
            content = chunk.output.choices[0].message.content
            print(content, end='', flush=True) # 实时打印
            full_content += content
        else:
            print(f"Error: {chunk.code} - {chunk.message}")
            break
    return full_content

stream_chat("请写一首关于春天的短诗")

这段代码展示了如何处理流式数据块。需要注意的是，流式返回的每个chunk只包含新增的内容片段，因此需要开发者在前端或后端自行拼接完整字符串。如果忽略incremental_output=True，可能会遇到重复累积内容的bug。