本文详细介绍了如何使用LangStudio和Qwen3构建基于RAG和联网搜索的AI智能问答应用。该应用通过将RAG、web search等技术和阿里最新的推理模型Qwen3编排在一个应用流中，为大模型提供了额外的联网搜索和特定领域知识库检索的能力，提升了智能回答的效果，较少了幻觉。开发者可以基于该模板进行灵活扩展和二次开发，以满足特定场景的需求。
背景信息
Qwen3
作为Qwen 系列最新一代的大语言模型，提供了一系列密集（Dense）和混合专家(MOE）模型。基于广泛的训练，Qwen3 在推理、指令跟随、代理能力和多语言支持方面取得了突破性的进展，具有以下关键特性：
- 独特支持在思考模式（用于复杂逻辑推理、数学和编码）和 非思考模式（用于高效通用对话）之间无缝切换，确保在各种场景下的最佳性能。显著增强的推理能力，在数学、代码生成和常识逻辑推理方面超越了之前的 QwQ （在思考模式下）和 Qwen2.5 指令模型（在非思考模式下）。擅长 Agent 能力，可以在思考和非思考模式下精确集成外部工具，在复杂的基于代理的任务中在开源模型中表现领先。支持 100 多种语言和方言，具有强大的多语言理解、推理、指令跟随和生成能力。
LangStudio
LangStudio是依托阿里云PAI平台核心能力构建的面向企业级用户的一站式LLM大模型应用开发平台，它提供了灵活的可编程、评测和调试能力，帮助开发者快速构建端到端的AI应用。在智能问答应用方面，LangStudio连通了离线知识库构建和在线应用开发两条链路，帮助用户轻松跨越从demo到生产的鸿沟。
通过Qwen3与LangStudio结合，既可以发挥SOTA LLM优秀的推理能力，也可以发挥平台产品在流程编排、开发调试、权限管控等方面的优势，帮助客户高效的构建适合生产部署的智能问答应用，在效果和成本上达到最好的平衡。
具体地说，本方案具有以下优势：
- 精准回答：通过RAG从知识库中提取领域专业知识，结合实时网络数据补充最新信息，最大限度提升回答准确度、减少幻觉。灵活扩展：开发者可使用自定义模型和自定义知识库，并能灵活修改应用流DAG构成，以满足自身特有的业务需求。安全可控：LangStudio背靠阿里云PAI平台，通过将模型服务、知识库等放在用户私有网络中，并结合阿里云精细化的权限管控体系，达到最大程度的数据安全。
前提条件
- 已开通 阿里信息查询服务-IQS 注册账号并获取api_key。
- IQS开通服务流程：help.aliyun.com/document_de…获取IQS对应的访问凭证api_key
- LangStudio向量数据库连接，支持使用向量数据库-Milvus/开源Faiss。若您希望使用Milvus数据库，您需要先完成Milvus数据库的创建，详情请参见创建Milvus实例、实例管理。
说明
Faiss通常用于测试环境，无需额外创建数据库即可使用。在生产环境中，建议您使用Milvus数据库，支持处理更大规模的数据。
- 已将RAG知识库语料上传至OSS中。
LangStudio 部署步骤
步骤一：Model Gallery部署Qwen3模型及Embedding模型设置
1.1 部署Qwen3大模型
- 进入PAI控制台 > Model Gallery，选择 大语言模型 场景。
- 根据业务场景选择部署Qwen3模型，此实践中选择Qwen3-8B。
- 以下是Qwen3系列不同模型的建议配置信息
- 以部署Qwen3-8B为例，以下状态表示部署正在进行中：
- 单击查看调用信息，记录部署后的服务访问地址（
base_url）及API Token（api_key）。1.2 部署Embedding模型
PAI控制台 > Model Gallery下，选择 Embedding 场景，部署 bge-m3通用向量模型（与Qwen3兼容性最佳）。
记录服务地址及Token，用于后续知识库索引构建。
步骤二：LangStudio配置服务连接
2.1 创建连接-Qwen3模型服务
通过 PAI控制台 > 进入LangStudio >连接 > 模型服务，单击新建连接。 。
关键参数：
模型名称： Qwen3-8B（需与部署名称一致）。
服务提供方：选择 PAI-EAS模型服务，自动显示部署后的base_url和api_key。
2.2 创建连接-Embedding模型
- 通过 PAI控制台 > 进入LangStudio > 连接 > 数据库选择已部署的bge-m3模型，配置服务地址及密钥。
2.3 创建连接-联网搜索IQS
- 通过 PAI控制台 > 进入LangStudio >连接 > 自定义连接填写IQS的api_key，名称设为IQS_Conn。
步骤三：构建知识库索引
进入LangStudio > 知识库索引，单击新建知识库索引。
关键配置：
数据源OSS路径：填写知识库语料的OSS路径（如oss://my-bucket/rag-data/）。
Embedding模型：选择步骤1.2中创建的bge-m3连接。
向量数据库：生产环境选择 向量数据库-Milvus，测试环境选择Faiss。
- 启动索引构建，等待知识库构建任务完成。
步骤四：开发Agent应用流 & 调试与优化
4.1.开发Agent应用流
- 进入LangStudio > 新建应用流：
- 模板选择 “基于Web搜索和RAG的聊天助手”。
- 关键节点配置：
节点-知识库检索：
索引名称：选择步骤三中创建的知识库。
Top K：建议设置为5（根据知识库规模调整）。
节点-阿里云IQS-联网搜索：
- 连接：选择
IQS_Conn。
节点-大模型节点：
模型连接：选择步骤一的Qwen3模型服务。
系统提示词模板：可自定义，例如：
基于以下知识库内容和网络搜索结果，请用中文专业且简洁地回答用户问题：
知识库内容：{knowledge}
网络搜索结果：{web_results}
-用户问题：{question}
4.2. Qwen3 思考模式切换 (快思考与慢思考)
擅长 Agent 能力的Qwen3，可以通过LangStudio的应用流，在思考和非思考模式下切换思考模式，将复杂的基于Agent开发任务中在LangStudio平台灵活应用。
4.3. 调试与优化
- 运行测试：
输入测试问题（如“最新科创板上市规则有哪些变化？”），观察模型生成的回答质量。
运行完成后，可通过查看链路功能，分析Qwen3大模型整合RAG检索结果与网络搜索的结果相关性。
- 优化策略：
知识库增强：若回答缺乏领域细节，扩充知识库语料并重建索引。
搜索过滤：在IQS中设置time_period参数，限定搜索时间范围（如past_year）。
提示词调优：增加格式约束（如“分点回答”“引用来源”），提升结果可读性。
步骤五：模型服务部署与API调用
5.1.生产部署：
在LangStudio > 应用流页面单击右侧-部署，选择新建服务> EAS资源组。
资源分配：建议至少2实例（HA），配置具备公网访问的VPC。
5.2. PAI API调用：
- 请求示例（Python）：
import requests endpoint = "YOUR_EAS_ENDPOINT" payload = { "question": "解释量子计算对金融风险建模的影响", "history": [] # 支持多轮对话 } response = requests.post(endpoint, json=payload, headers={"Authorization": "Bearer YOUR_API_KEY"}) print(response.json()["answer"]) 步骤六：监控与维护
- 应用流调试：使用LangStudio应用流中的运行对话框，输入所需查询的问题，观察查询结果内容。日志查看监控：通过PAI-EAS控制台监控服务请求量、延迟及错误率。知识库更新：定期上传新语料到OSS，触发增量索引构建。LLM模型升级：关注Qwen3版本更新，通过Model Gallery部署新版本并在LangStudio中方便的切换。
附录：常见问题
- Q：网络搜索结果不相关？A：可通过结果内容附带的“查询链路”来查看Tracing联网信息是否正确。
相关链接
通过以上步骤，您可快速使用LangStudio构建基于Qwen3的高效增强RAG+联网搜索的智能Chat Agent助手，满足专业场景需求。
