5分钟学会调用Qwen3-1.7B，小白也能看懂
你是不是也遇到过这样的情况：看到一个很酷的大模型，想马上试试它能干啥，结果点开文档——满屏的“base_url”“api_key”“streaming”“extra_body”，瞬间头大？别急，今天这篇就是为你写的。不讲原理、不堆术语、不绕弯子，从打开浏览器到让Qwen3-1.7B开口说话，全程不超过5分钟，连Python刚装好的新手都能跟着做出来。
我们用的是CSDN星图镜像广场上预置好的Qwen3-1.7B镜像——它已经帮你把模型、服务、Jupyter环境全配好了，你只需要点几下、敲几行代码，就能和这个新一代千问模型对话。下面所有步骤，我都按真实操作顺序写，连截图里那个“8000端口”在哪改，都给你标清楚。
1. 启动镜像，打开Jupyter界面
这一步真的就只是“点一点”。
在CSDN星图镜像广场找到Qwen3-1.7B镜像，点击“启动”按钮。系统会自动分配GPU资源并初始化环境，通常30秒内就能完成。
启动成功后，你会看到一个绿色状态栏，上面写着“运行中”，旁边有个蓝色按钮：“打开Jupyter”。点击它，就会在新标签页中打开Jupyter Lab界面。
注意：这个页面地址就是后续代码里要用的
base_url。比如你看到浏览器地址栏显示的是https://gpu-pod69523bb78b8ef44ff14daa57-8000.web.gpu.csdn.net/lab
那么你的base_url就是https://gpu-pod69523bb78b8ef44ff14daa57-8000.web.gpu.csdn.net/v1
——只需把/lab换成/v1，端口号保持8000不变。
这个细节很多人卡住，不是代码写错了，而是地址没对上。我们后面还会再提醒一次。
2. 新建Notebook，粘贴第一段代码
在Jupyter Lab左侧文件浏览器里，点击右上角“+”号 → 选择“Python File”，然后把它重命名为qwen3_demo.ipynb（后缀.ipynb很重要）。
双击打开这个新文件，在第一个代码单元格里，直接粘贴下面这段代码：
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", api_key="EMPTY", extra_body={ "enable_thinking": True, "return_reasoning": True, }, streaming=True, ) chat_model.invoke("你是谁？")再次确认：请把你自己的实际地址替换掉base_url这一行里的网址（只换域名+端口部分，/v1保留）。别复制我这里的示例地址，它只是占位符。
现在，把鼠标放在这个代码块里，按Ctrl+Enter（Windows/Linux）或Cmd+Enter（Mac）运行。你会看到光标变成转圈，几秒钟后，输出区域出现一段文字，类似这样：
我是通义千问Qwen3，阿里巴巴全新推出的大语言模型，具备更强的语言理解与生成能力，支持长上下文、多语言、复杂推理等特性。成功了！你已经完成了Qwen3-1.7B的首次调用。
3. 理解每一行代码在干什么（人话版）
别急着关页面，我们花1分钟搞懂这7行代码到底做了什么。不是为了背，而是为了下次你想改提示词、换参数时，心里有底。
3.1 导入工具：from langchain_openai import ChatOpenAI
这行代码就像打开一个“通用遥控器”。LangChain是一个流行的AI应用开发框架，而ChatOpenAI是它提供的一个标准接口——它本来是为调用OpenAI API设计的，但因为Qwen3-1.7B服务端完全兼容OpenAI的API格式，所以我们可以“借壳”使用，不用学新语法。
小白收获：你不需要专门学Qwen的SDK，用现成、最常用的工具就行。
3.2 创建模型实例：chat_model = ChatOpenAI(...)
这一长串括号里的内容，就是在告诉遥控器：“我要连哪台电视？音量调多大？要不要开字幕？”对应到模型调用里：
model="Qwen3-1.7B"：指明你要用的具体模型名称（服务端靠这个识别）temperature=0.5：控制“发挥空间”。0.0=非常保守，只说确定答案；1.0=天马行空，爱怎么答怎么答；0.5是平衡点，适合日常提问base_url=...：就是你刚才复制的那个地址，相当于“电视的IP地址”api_key="EMPTY"：Qwen3本地部署默认不校验密钥，填"EMPTY"就行（不是留空，是字符串"EMPTY"）extra_body={...}：这是Qwen3特有的两个开关："enable_thinking": True→ 开启“思考过程”，模型会先在内部一步步推演，再给出最终答案"return_reasoning": True→ 把思考过程也一并返回给你看（后面我们会演示效果）
streaming=True：开启流式输出，文字像打字一样逐字出现，体验更自然
3.3 发送问题：chat_model.invoke("你是谁？")
invoke()就是按遥控器“确认键”。括号里是你输入的问题，字符串格式，支持中文。
小白收获：以后你想问“帮我写一封辞职信”，就改成
invoke("帮我写一封辞职信，语气礼貌简洁")，就这么简单。
4. 让它“边想边说”：看Qwen3怎么推理
前面我们打开了思考开关，但invoke()默认只返回最终答案。想看到它的“草稿纸”上写了啥？换一个方法：
response = chat_model.stream("北京明天天气怎么样？") for chunk in response: print(chunk.content, end="", flush=True)运行这段代码，你会看到输出不是一次性蹦出来，而是像聊天一样，一个字一个字往外“吐”：
我需要查询实时天气信息。不过作为语言模型，我无法直接访问互联网或实时数据库……这就是stream()+extra_body["return_reasoning"]=True的效果：它把内部的推理链（reasoning chain）也当作内容流式返回了。
实际用途：当你发现模型答得不对，就可以回溯它的思考路径，判断是哪一步出错了——是误解了问题？还是知识截止了？还是逻辑跳步了？这对调试和优化提示词特别有用。
5. 更实用的3个例子（直接复制就能跑）
光问“你是谁”不过瘾？来三个真正能帮上忙的场景，每段代码都经过实测，粘贴即用。
5.1 场景一：把长段话缩成一句话摘要
text = """人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。""" result = chat_model.invoke(f"请用一句话概括以下内容，不超过30字：{text}") print(result.content)输出示例：
人工智能是让机器模拟人类智能行为的计算机科学分支。
5.2 场景二：给产品起5个朗朗上口的名字（带解释）
prompt = """你是一家科技公司的品牌顾问。请为一款面向年轻人的AI记账App起5个中文名字，每个名字附10字以内创意说明。格式：1. 名字：XXX；说明：YYY""" result = chat_model.invoke(prompt) print(result.content)输出示例：
- 名字：钱迹；说明：记录每一笔钱的足迹
- 名字：小账本；说明：亲切易记，回归本质
……
5.3 场景三：检查一段文案有没有错别字和语病
draft = "这个产品的功能很强大，他可以自动识别图片里的文字，并且还能翻译成英文，速度很快！" result = chat_model.invoke(f"请逐句检查以下文案的错别字、语法错误和表达啰嗦之处，并给出修改建议：{draft}") print(result.content)输出示例：
“他可以自动识别……” → “它”更规范（指代产品用“它”）
“并且还能……” → “还能”与“并且”语义重复，建议删去“并且”
建议修改为：“这个产品功能强大，可自动识别图片中的文字并翻译成英文，处理速度快。”
这些都不是“玩具案例”，而是你明天就能用在工作里的真实任务。
6. 常见问题快查（5秒解决）
| 问题现象 | 最可能原因 | 一句话解决 |
|---|---|---|
运行报错ConnectionError或Timeout | base_url地址没改对，或端口不是8000 | 回到Jupyter地址栏，把/lab改成/v1，确保端口是:8000 |
输出只有None或空内容 | invoke()返回的是AIMessage对象，不是纯字符串 | 在打印前加.content，如print(result.content) |
| 提示词很长但模型只答了半句 | 上下文超长被截断 | Qwen3-1.7B支持32K上下文，但Jupyter默认单元格有长度限制；可拆成多轮invoke()调用 |
| 想换更“严谨”或更“活泼”的语气 | temperature参数没调 | 把0.5改成0.2（严谨）或0.8（活泼）再试 |
这些问题，我在第一次用的时候全踩过坑。现在列出来，就是希望你少走5分钟弯路。
7. 下一步你可以做什么？
你现在已掌握Qwen3-1.7B最核心的调用能力。接下来，完全可以按兴趣自由探索：
- 想让它持续对话？把
invoke()换成chat_model.invoke([HumanMessage(content="你好"), AIMessage(content="你好！")])，构建消息历史 - 想批量处理100条文本？用Python循环 +
invoke()，比手动复制粘贴快10倍 - 想做成网页让同事一起用？把这段逻辑封装成FastAPI接口，50行代码搞定
- 想换更大更强的版本？CSDN星图上还有
Qwen3-8B、Qwen3-72B镜像，调用方式完全一样，只改model=参数即可
技术从来不是门槛，而是杠杆。你已经拿到了撬动Qwen3的第一根杆子。
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。
