Qwen3-1.7B+LangChain：小白也能懂的自动化任务处理指南

雷鸣泽基

130人浏览 · 2026-03-06 00:13:26

雷鸣泽基 · 2026-03-06 00:13:26 发布

Qwen3-1.7B+LangChain：小白也能懂的自动化任务处理指南

1. 前言：为什么你需要这个组合？

如果你每天都要处理一堆重复的文字工作，比如写日报、整理会议记录、回复常见邮件，或者想给自己的工作流程加点“智能”，那这篇文章就是为你准备的。

你可能听说过AI很厉害，但总觉得它离自己很远，要么是技术门槛太高，要么是部署太麻烦。今天我要介绍的 Qwen3-1.7B + LangChain 组合，就是来解决这个问题的。它就像一个“开箱即用”的智能助手搭建工具包，让你不用懂太多AI底层知识，也能快速做出能帮你干活的自动化程序。

简单来说：

Qwen3-1.7B：一个聪明但轻巧的“大脑”。它来自阿里巴巴，虽然体积小（17亿参数），但理解文字、生成内容的能力很强，而且运行速度快，不挑硬件。
LangChain：一个功能强大的“连接器”和“指挥棒”。它帮你把“大脑”（模型）和你的任务（比如处理文档、调用其他工具）轻松地连接起来，编排成一个自动化流程。

把它们俩结合起来，你就能用几行代码，让AI帮你自动处理很多文本任务。接下来，我会用最直白的方式，带你从零开始，一步步搭建你的第一个自动化工作流。

2. 准备工作：5分钟搞定环境

别被“环境搭建”吓到，我们选择了一条最简单的路。

2.1 一键获取现成环境

我们不需要自己从零安装各种复杂的软件和库。最省事的方法是使用已经配置好的云端环境。

访问平台：打开浏览器，前往 CSDN星图镜像广场。
搜索镜像：在搜索框里输入“Qwen3”或者“qwen3-inference”，找到相关的预置镜像。这些镜像就像一个个打包好的“软件套餐”，里面已经装好了模型和所有需要的工具。
启动实例：点击“创建”或“运行”按钮。平台会为你分配一个带GPU的容器（可以理解为一台临时的、功能强大的云端电脑），并自动启动所有服务。
进入工作台：实例运行后，找到并点击“Jupyter”或“Web IDE”的链接。这会打开一个网页版的代码编辑和运行环境，你所有的操作都在这里完成。

整个过程就像点外卖一样，你不用自己买菜做饭，平台已经把“菜”（环境）做好了，你直接“吃”（使用）就行。

2.2 验证环境：跟AI打个招呼

环境启动后，我们写一段最简单的代码，测试一下“大脑”是不是能正常对话。

在你的Jupyter笔记本里新建一个代码单元格，把下面的代码复制进去，然后运行它。

from langchain_openai import ChatOpenAI

# 1. 创建模型连接
chat_model = ChatOpenAI(
    model="Qwen3-1.7B",  # 指定使用哪个“大脑”
    temperature=0.5,      # 控制创造性，0.1（保守）到1.0（天马行空）
    base_url="https://你的实例地址-8000.web.gpu.csdn.net/v1",  # 重要！替换成你的实际地址
    api_key="EMPTY",      # 因为这个服务不用密码，所以填EMPTY
    streaming=True,       # 开启流式输出，回答会一个字一个字显示，体验更好
)

# 2. 问它一个问题
response = chat_model.invoke("你好，请介绍一下你自己。")
# 3. 打印回答
print(response.content)

你需要修改一个地方：base_url 里的地址。这个地址是你的专属环境地址。通常你可以在Jupyter页面的地址栏里找到它，或者查看实例详情页。它的格式一般是 https://gpu-pod一串英文数字-8000.web.gpu.csdn.net/v1。把“你的实例地址”替换成这一串字符就行了。

运行后，你会看到类似这样的回答：

你好！我是通义千问3（Qwen3），一个由阿里巴巴开发的大语言模型。我能协助你处理各种文本任务，比如回答问题、编写内容、翻译、总结信息等等。很高兴为你服务！

看到这个，恭喜你！你的AI“大脑”已经在线，并且能正常对话了。接下来，我们让它开始真正地帮你干活。

3. 实战：打造你的第一个日报自动生成器

假设你每天下班前都要花15分钟写工作日报，内容无非是总结今天做了什么、遇到什么问题、明天计划做什么。这个任务非常规则，完全可以让AI来帮你完成。

3.1 设计工作流程

我们的目标是：输入一堆零散的工作记录（比如从笔记软件里复制出来的几句话），让AI自动整理成一份结构清晰、语言正式的日报。

输入示例（一堆杂乱文本）：

今天把用户登录页面的前端搞定了。下午开会讨论了新需求。发现订单列表查询有点慢，可能是数据库索引问题。明天打算优化一下首页的图片加载。

输出目标（结构化的Markdown日报）：

【今日进展】
1. 完成了用户登录模块的前端页面开发与联调。
2. 参与了新版本需求评审会议，明确了核心功能点。

【遇到问题】
1. 订单列表页面查询性能较低，初步怀疑是数据库索引缺失，需进一步排查。

【明日计划】
1. 优化首页的图片加载逻辑，提升页面打开速度。

3.2 用代码实现自动化

下面，我们用 LangChain 的几个核心组件来搭建这个流程。代码虽然看起来比刚才多，但逻辑非常清晰。

from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

# 第一步：连接“大脑”（和之前一样）
llm = ChatOpenAI(
    model="Qwen3-1.7B",
    temperature=0.3,  # 写日报需要稳定、专业，所以创造性调低一点
    base_url="https://你的实例地址-8000.web.gpu.csdn.net/v1", # 记得替换！
    api_key="EMPTY",
    streaming=False, # 生成日报不需要流式，一次性输出就行
)

# 第二步：给“大脑”写一份清晰的“任务说明书”（提示词模板）
# 这是最关键的一步，决定了AI输出质量的好坏。
prompt_template = """
你是一位专业的职场助手，请根据用户提供的今日工作杂记，生成一份简洁、专业的每日工作汇报。
请严格按照以下格式和要求组织内容：

**格式要求：**
汇报必须包含以下三个部分，并使用Markdown二级标题（##）：
## 今日进展
## 遇到问题
## 明日计划

**内容要求：**
1. 对原始杂记进行归纳、提炼和润色，使其语言正式、通顺。
2. “今日进展”和“明日计划”部分，每条事项前用数字序号列出。
3. “遇到问题”部分，请清晰描述问题现象和可能原因。
4. 每个部分列举2-3条即可，不要罗列所有细节。

**原始工作杂记：**
{input_text}
"""

# 使用LangChain的模板工具，把上面的“说明书”变成一个可复用的模板
prompt = PromptTemplate.from_template(prompt_template)

# 第三步：把“大脑”和“说明书”组装成一个自动化流水线（Chain）
daily_report_chain = LLMChain(llm=llm, prompt=prompt)

# 第四步：喂给它原始材料，让它开始工作！
raw_input_text = """
今天把用户登录页面的前端搞定了，按钮交互都测试过了。
下午开了个会，产品经理讲了下一版要加社交分享功能。
订单列表查询特别慢，我看了下SQL，感觉索引没建对。
明天我准备研究一下怎么用CDN加速首页的图片。
"""

# 运行这个流水线
result = daily_report_chain.invoke({"input_text": raw_input_text})

# 第五步：查看成果
print("=== 生成的日报 ===")
print(result["text"])

运行这段代码，你大概会得到这样的结果：

=== 生成的日报 ===
## 今日进展
1. 完成了用户登录模块前端页面的开发与功能测试，确保交互流程顺畅。
2. 参与了产品需求评审会议，了解了下一版本计划增加的社交分享功能。

## 遇到问题
订单列表页面数据查询速度缓慢，经初步分析，可能与数据库表索引设置不合理有关，需要深入排查。

## 明日计划
1. 研究并实施通过CDN（内容分发网络）对网站首页图片进行加速的方案。

看，一份像模像样的日报就自动生成了！你只需要把每天零散的工作记录丢进去，它就能给你整理好。你可以把这个脚本保存下来，每天下班前运行一次。

4. 让助手变得更聪明：两个进阶技巧

基本的自动化已经实现了，但我们还可以让它更好用。

4.1 实现连续对话，让它有“记忆”

上面的例子是“一问一答”，AI不记得之前说过什么。如果我们想做一个能连续对话的客服机器人或者聊天助手，就需要给它加上“记忆”功能。

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 创建一个“记忆体”
memory = ConversationBufferMemory()

# 创建一个带记忆的对话链
conversation = ConversationChain(llm=llm, memory=memory)

# 第一轮对话
print(conversation.invoke("我喜欢吃苹果。")["response"])
# 输出可能：苹果是一种营养丰富的水果，富含维生素和纤维。

# 第二轮对话，AI还记得上一轮的内容
print(conversation.invoke("那香蕉呢？")["response"])
# 输出可能：香蕉同样营养丰富，它富含钾元素，有助于维持血压稳定。你刚才提到了苹果，它们都是很好的健康零食选择。

这个“记忆体”会自动保存你和AI的对话历史。这样，AI就能根据上下文来回答你的问题，体验更自然。

4.2 处理长文本或复杂任务：拆分与总结

有时候，你需要处理很长的文档（比如一篇报告），直接扔给模型可能效果不好，或者超出它的处理长度限制。这时，我们可以用“拆分-处理-汇总”的策略。

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.docstore.document import Document

# 假设有一篇长文章
long_text = "这里是一篇非常长的技术文档内容..." # 你的长文本

# 1. 使用文本分割器，把长文章切成小块
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
text_chunks = text_splitter.split_text(long_text)

# 2. 将每一块文本转换成Document对象（LangChain的标准格式）
docs = [Document(page_content=chunk) for chunk in text_chunks]

# 3. 定义一个总结单块内容的链
summary_template = """请用一句话总结以下文本的核心内容：
文本：{text}
总结："""
summary_prompt = PromptTemplate.from_template(summary_template)
summarize_chain = LLMChain(llm=llm, prompt=summary_prompt)

# 4. 对每一块进行总结（这里简化处理，实际可并行或迭代）
chunk_summaries = []
for doc in docs[:3]: # 举例：只处理前3块
    summary = summarize_chain.invoke({"text": doc.page_content})
    chunk_summaries.append(summary["text"])

# 5. 将所有小块总结合并，再生成一个最终总结
final_summary_prompt = """以下是一份文档的几个部分总结，请整合成一份完整的摘要：
{summaries}
完整摘要："""
final_prompt = PromptTemplate.from_template(final_summary_prompt)
final_chain = LLMChain(llm=llm, prompt=final_prompt)

final_result = final_chain.invoke({"summaries": "\n".join(chunk_summaries)})
print("文档最终摘要：", final_result["text"])

这个例子展示了如何处理超出模型单次处理能力的文本。思路就是“化整为零”，分别处理后再“合零为整”。

5. 总结与下一步

走到这里，你已经成功搭建了一个能自动生成日报的智能助手，并且了解了如何让它拥有记忆、处理长文本。我们来回顾一下核心步骤：

环境准备：利用现成的云镜像（如CSDN星图），免去繁琐的本地部署，5分钟就能获得一个包含Qwen3-1.7B和LangChain的完整开发环境。
核心调用：使用 ChatOpenAI 这个“通用接口”，像调用OpenAI一样轻松调用Qwen3-1.7B模型。
流程构建：通过 PromptTemplate（任务说明书） 和 LLMChain（自动化流水线） 这两个LangChain核心组件，将零散的模型调用组织成解决具体问题（如写日报）的自动化工作流。
效果优化：通过调整 temperature 参数控制输出风格，利用 ConversationBufferMemory 增加对话记忆，使用 TextSplitter 处理长文档。