// HSWizardLLMPlugin.hpp#ifndef HSWizardLLMPlugin_HPP#define HSWizardLLMPlugin_HPP#include<QObject>#include"Plugin.hpp"class HSWizardLLMPlugin : public wizard::Plugin{public:    HSWizardLLMPlugin(const QString& aName, const size_t aUniqueId);    ~HSWizardLLMPlugin() override;};#endif// HSWizardLLMPlugin_HPP

// HSWizardLLMPlugin.cpp#include"HSWizardLLMPlugin.hpp"#include<WkfEnvironment.hpp>#include<WkfMainWindow.hpp>WKF_PLUGIN_DEFINE_SYMBOLS(HSWizardLLMPlugin,    QObject::tr("HSWizard LLM").toStdString().c_str(),    QObject::tr("LLM Dialog with python.").toStdString().c_str(),"wizard");HSWizardLLMPlugin::HSWizardLLMPlugin(const QString& aName, const size_t aUniqueId)   : wizard::Plugin(aName, aUniqueId){}HSWizardLLMPlugin::~HSWizardLLMPlugin(){}

编译运行后，能够从PluginManager界面上查看到插件已经成功加载。

2）LLM对话框

接下来做一个LLM对话框，这个界面可以根据之前的wkf开发教程来选择添加哪种类型的界面，过程就不重复了，查看之前的文章就行了，我这里做成DockWidget先，效果如下：

以上是基本的wizard插件创建，现在点击发送也没有任何反应，下面先来解决Python集成的问题。

Python集成

目前要做LLM开发，如果仅仅是做问答对话式那么其实有很多选择，各种语言通过封装一下LLM提供商的接口就能做一个对话框了。但如果要真正做一个Ai应用，光有对话是不够的，还要根据Ai的回答做对应的数据处理。而Ai应用开发的大部分工具都是用Python语言写的，要集成到afsim的C++/Qt环境的话就需要对Python进行集成。

不过这个技术已经很成熟了，网上一抓一大把，我就不献丑讲太多了。本文只把过程和遇到的问题进行记录，大家参考参考就行。

我用的是python3.12.7，我之前安装的是更高版本的Python3.13，但在安装LangChain时出过问题，所以又降低到这个版本了。

1）cmake配置

这里主要将Python安装路径的头文件和库文件路径配置到本插件的CMakeList文件，如下：

# 查找Pythonfind_package(Python 3.12 REQUIRED COMPONENTS Interpreter Development)# 输出找到的Python信息message(STATUS "Python executable: ${Python_EXECUTABLE}")message(STATUS "Python include path: ${Python_INCLUDE_DIRS}")message(STATUS "Python library path: ${Python_LIBRARIES}")# Python 在 Debug 模式下会链接带 _d 后缀的库set(PYTHON_LIB_DEBUG "${Python_LIBRARY_DIRS}/python${Python_VERSION_MAJOR}${Python_VERSION_MINOR}_d.lib")set(PYTHON_LIB_RELEASE "${Python_LIBRARY_DIRS}/python${Python_VERSION_MAJOR}${Python_VERSION_MINOR}.lib")# 包含头文件并链接库target_include_directories(HSWizardLLMPlugin PRIVATE ${Python_INCLUDE_DIRS})target_link_libraries(HSWizardLLMPlugin    $<$<CONFIG:Debug>:${PYTHON_LIB_DEBUG}>    $<$<CONFIG:Release>:${PYTHON_LIB_RELEASE}>)

再次对afsim源码进行cmake，会输出找到的python信息。此时在项目属性里也可以看到正确连接了系统安装的Python库了。

2）Python集成集成代码

要调用Python代码，需要首先对Python在Qt中的环境进行初始化，退出时需要清理资源。我这里专门封装了一个类PyBridge，因为要流式输出到界面，所以需要用线程的方式来调Python函数，不然在Qt界面输出时会出现假死的现象，原因就是与Qt的Ui更新线程都在主线程而阻塞了界面刷新。因此这个类是继承QThread的，在run方法里面进行初始化。

voidPyBridge::run(){    static QString prompt;    // 注册回调    PyImport_AppendInittab("qt_callback", &PyInit_qt_callback);    // 初始化python解释器.C/C++中调用Python之前必须先初始化解释器    Py_Initialize();    // 判断python解析器的是否已经初始化完成    if (!Py_IsInitialized())        qDebug() << "Py_Initialize fail";    else        qDebug() << "Py_Initialize success";    while (!m_isStop)    {        QThread::msleep(1);        m_mutex.lock();        // 有数据才执行        if (m_prompt.isEmpty()) {            m_mutex.unlock();            continue;        }        else {            prompt.swap(m_prompt);            m_mutex.unlock();            // TODO            prompt.clear();        }    }    // 销毁自上次调用Py_Initialize()以来创建的所有子解释器。    Py_Finalize();}

此时编译会报下图错误：

点进去后查看时python头文件目录下的object.h文件说PyType_Slot这个结构体问题。

起初一头雾水，明明上面就是这个PyType_Slot的定义，这里怎么会报错呢，后来查了下网络，知道是因为上图的slots与Qt的关键字冲突了，挺隐蔽的。因此按以下修改就好了：

另外再注释掉57行的Debug定义来解决后续会遇到的无法解析的外部符号 __imp__Py_NegativeRefcount

再次编译时如果使用的是debug模式编译，链接时还会出现无法找到debug版的python312_d.lib，如下图

这个问题可以直接将Python安装目录下的python312.lib复制一份为python312_d.lib即可链接编译成功。

3）简单测试

上面编译成功后，我这里直接通过代码的方式测试环境是否正常，即在单击界面的发送按钮时，将输入的字符串添加到PyBridge中，由线程run函数执行一个print语句打印这个字符串，即//TODO下面添加以下代码：

// 以上略// TODOPyRun_SimpleString(QString("print('%1')").arg(prompt).toStdString().c_str());// 以下略

编译后加载插件和执行这个语句，运行结果如下图：

注：如果控制台没有看到输出，需要从wizard项目属性->链接->系统，改为控制台类型，否则通过Python调用的print函数无法输出显示到控制台。

4）调用真正的Python脚本

把Python脚本语句直接写到C++代码里面执行，肯定不是我们想要的，我们想要的是在C++中直接执行py文件。所以首先创建一个chat.py文件里面定义一个方法接收传入的字符串，并将字符串倒序后返回。这里返回是通过回调的方式进行的，因为LLM作为流式输出时，C++端无需频繁调用，而只需要处理回调的数据就行。

首先，在PyBridge中实现回调：

// PyBridge.h#pragma once#include<QThread>#include<QMutex>#include<Python.h>class PyBridge  : public QThread{    Q_OBJECTpublic:    PyBridge(QObject *parent);    voidquery(const QString& prompt);voidstop();    // Python 调用的静态包装函数static PyObject* py_emitTriggered(PyObject* self, PyObject* args);signals:    // 回调的消息    voidtriggeredCallback(const QString& message);protected:virtualvoidrun()override;private:    bool m_isStop = false;    QString m_prompt;    QMutex m_mutex;};// 模块方法定义static PyMethodDef CallbackMethods[] ={    {"trigger_callback", PyBridge::py_emitTriggered, METH_VARARGS, "Trigger callback"},    {NULL, NULL, 0, NULL}};static struct PyModuleDef callback_module ={    PyModuleDef_HEAD_INIT,    "qt_callback",    NULL,    -1,    CallbackMethods};PyMODINIT_FUNC PyInit_qt_callback(void);

// PyBridge.cppPyObject* PyBridge::py_emitTriggered(PyObject* self, PyObject* args){    const char* message = nullptr;    if (!PyArg_ParseTuple(args, "s", &message)) {        return NULL;    }    // 发射信号    emit g_this->triggeredCallback(QString::fromUtf8(message));    return Py_BuildValue("");}PyMODINIT_FUNC PyInit_qt_callback(void){    return PyModule_Create(&callback_module);}

根据Pyhon回调机制，需要在Python环境初始化时，将回调对象进行注册，即在Py_Initialize()之前调用：

PyImport_AppendInittab("qt_callback", &PyInit_qt_callback);Py_Initialize();

char.py里定义一个函数：接收传入的字符串，倒序后通过回调返回到C++

import qt_callback # 这个模块就是上面代码注册到Python环境的# 回调实现def chat_with_callback(prompt):    s = prompt[::-1]    qt_callback.trigger_callback(s)

将这个py文件放到与bin同级的py_scripts目录里面，然后获取输入的字符串设置到PyBridge，run函数自动检测到有数据则开始调用在py文件里面的方法，代码如下：

voidPyBridge::run(){    static QString prompt;    // 注册回调    PyImport_AppendInittab("qt_callback", &PyInit_qt_callback);    // 初始化python解释器.C/C++中调用Python之前必须先初始化解释器    Py_Initialize();    // 判断python解析器的是否已经初始化完成    if (!Py_IsInitialized())        qDebug() << "Py_Initialize fail";    else        qDebug() << "Py_Initialize success";    while (!m_isStop)    {        QThread::msleep(1);        m_mutex.lock();        if (m_prompt.isEmpty()) {            m_mutex.unlock();            continue;        }        else {            prompt.swap(m_prompt);            m_mutex.unlock();            // 添加 Python 模块路径（如果需要）            PyRun_SimpleString("import sys");            PyRun_SimpleString("sys.path.append('../py_scripts')");  // 添加当前目录到搜索路径            // 加载 python 脚本            PyObject* pModule = PyImport_ImportModule("chat");  // 脚本名称，不带.py            if (pModule) {                // 流式回复调用                callFlow(pModule, prompt);                // 释放模块                Py_DECREF(pModule);            }            else {                qDebug() << QStringLiteral("模块导入失败");                PyErr_Print();            }            prompt.clear();        }}    // 销毁自上次调用Py_Initialize()以来创建的所有子解释器。    Py_Finalize();}

// 流式回复void PyBridge::callFlow(PyObject* pModule, const QString& prompt){    // 获取函数对象    PyObject* pFunc = PyObject_GetAttrString(pModule, "chat_with_callback");    if (pFunc && PyCallable_Check(pFunc)) {        // 准备字符串参数（将 QString 转为 Python 字符串）        PyObject* pArgs = PyTuple_New(1);        PyObject* pStr = PyUnicode_FromString(prompt.toUtf8().constData());        PyTuple_SetItem(pArgs, 0, pStr);        // 调用 Python 函数，这里会阻塞直到流式回复完成        PyObject* pResult = PyObject_CallObject(pFunc, pArgs);        // 处理返回值        if (pResult) {            // 释放返回值            Py_DECREF(pResult);        }        else {            qDebug() << QStringLiteral("函数调用失败");            PyErr_Print();        }        // 释放资源        Py_DECREF(pArgs);        Py_DECREF(pFunc);    }    else {        qDebug() << QStringLiteral("无法找到函数或函数不可调用");        PyErr_Print();    }}

编译后，在下方的输入框中输入字符串，点击发送后，在上方的框中显示返回的字符串（注：还没有涉及到LLM的流式回复）：

已关注

关注

重播分享赞

视频详情

LLM调用

上面就把Python的环境集成好了，下面就是Python端的代码实现了，我这里使用先使用OpenAi来做LLM的调用，openai直接用pip install openai即可，然后增加chat_with_callback函数来调用LLM，并通过流式输出到C++/Qt界面，代码如下：

注：代码里面我是用的通义千问大模型的链接，大家可以自行修改！

import qt_callbackimport osfrom openai import OpenAIdef chat_with_callback(prompt):    messages = [{"role": "user", "content": prompt}]    # 创建client客户端    client = OpenAI(        api_key=os.getenv("DASHSCOPE_API_KEY"),        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",    )    response = client.chat.completions.create(        model="qwen3.6-flash",  # 大模型名称        messages=messages,        temperature=0,        # temperature采样温度：取值范围[0, 2)，表示模型输出的随机性，0表示随机性最小。        stream=True, # 此处设置流式回复    )    for chunk in response:        if chunk.choices[0].finish_reason:            qt_callback.finish_callback()            break        if chunk.choices[0].delta.content == None:            continue        s = chunk.choices[0].delta.content;        # 回调到C++/Qt        qt_callback.trigger_callback(s)

注：

1、上面的代码是无法直接在Python环境运行的，因为qt_callback模块是C++注入的

2、如果出现PyImport_ImportModule时，模块导入失败则检查系统Python环境里面是否安装了OpenAi的库

最后的效果就是本文开篇的视频。

后记

以上就是本文介绍的在AFSIM的wizard工具中集成Python环境并实现大模型对话的功能。参考网上文章做了C++/Qt与Python混合编程内容，包括CMake配置Python依赖、解决Qt与Python头文件的slots关键字冲突、处理Debug模式下Python库链接问题等。为实现流畅的流式对话体验，设计了基于QThread的PyBridge桥接类实现C++与Python之间的双向通信。最后基于OpenAI兼容接口集成了通义千问大模型，实现了完整的流式对话功能。