简介:本文解决一个具体问题:如何在 LangChain 1.0 中用 `langchain-openai` 接入国内兼容 OpenAI 协议的大模型服务。文章给出安装方式、最小可运行代码、`create_agent` 新范式、RAG 实战、多服务商 base_url 对照表与常见踩坑清单,并顺带说明如何借助[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)完成模型选型与价格对比。
langchain-openai 是 LangChain 官方针对 OpenAI Chat Completions 接口写的适配器。它的价值不在于”只能连 OpenAI”,而在于 它严格遵循 OpenAI 标准协议 ——因此凡是宣称”OpenAI 兼容”的第三方服务商,都可以通过修改 base_url + api_key + model 三个参数直接接入。硅基流动、DeepSeek、百度智能云千帆(ModelBuilder)都属于这一类,千帆的兼容地址为 https://qianfan.baidubce.com/v2,模型名可直接填 deepseek-v3、deepseek-r1 或 ERNIE 系列。
这也解释了为什么 langchain-openai 成了国内开发者的主流选择:既绕开了访问限制,又不用为每家服务商写一套适配代码。如果你还在 several 家服务商之间摇摆,建议先用词元所的大模型 API 服务平台横向对比各家的模型能力、上下文长度与调用成本,再决定 base_url 指向哪里。
1.0 版本对包做了拆分,装错包是最常见的第一个坑:
pip install -U langchain langchain-openai
langchain:核心高层 API,1.0 后 Agent 能力内置(底层由 LangGraph 驱动)。langchain-openai:模型与 Embedding 适配器,第三方兼容服务也走这个包。langchain-classic: 仅当你要迁移旧代码 (LLMChain、initialize_agent、langchain.vectorstores 等)时才需要安装。langchain-elasticsearch、BES 向量检索集成等。
import osfrom langchain_openai import ChatOpenAIos.environ["OPENAI_API_KEY"] = "你的 API Key" # 千帆控制台新建的 API Keyllm = ChatOpenAI(model="deepseek-v3",base_url="https://qianfan.baidubce.com/v2", # 关键:兼容服务的地址temperature=0,timeout=60,max_retries=2,)resp = llm.invoke("用一句话解释什么是向量检索")print(resp.content)
流式输出与结构化输出同样只改一行:
# 流式for chunk in llm.stream("写一首关于秋天的五言绝句"):print(chunk.content, end="", flush=True)# 结构化输出(依赖模型/服务商的 function calling 能力)from pydantic import BaseModel, Fieldclass Movie(BaseModel):name: str = Field(description="电影名称")year: int = Field(description="上映年份")movie = llm.with_structured_output(Movie).invoke("推荐一部科幻电影,按 schema 输出")print(movie)
LangChain 1.0 最值得学的是 create_agent。以前要自己写”调用模型 → 解析 tool_calls → 执行工具 → 回填消息”的 while 循环,现在一行搞定,循环、错误重试、消息状态管理都交给底层图执行:
from langchain.agents import create_agentfrom langchain_core.tools import tool@tooldef query_order(order_id: str) -> str:"""根据订单号查询订单状态"""db = {"A1024": "已发货", "A2048": "待付款"}return db.get(order_id, "订单不存在")agent = create_agent(model=llm,tools=[query_order],system_prompt="你是电商客服,只能依据工具返回结果回答,不要编造。",)result = agent.invoke({"messages": [{"role": "user", "content": "我的订单 A1024 到哪了?"}]})print(result["messages"][-1].content)
三个要点:
query_order 的 docstring 会被送给模型用于决策,写清楚”什么时候该调用”比写清楚”怎么调用”更重要。create_agent,也无法用 with_structured_output。create_agent 基于 LangGraph,配合 checkpointer 就能实现多轮会话记忆,无需自己维护 history 列表。| 服务商 | base_url | 模型名示例 |
|---|---|---|
| 百度智能云千帆 | https://qianfan.baidubce.com/v2 |
deepseek-v3、deepseek-r1、ERNIE 系列 |
| DeepSeek | https://api.deepseek.com/v1 |
deepseek-chat、deepseek-reasoner |
| 硅基流动 | https://api.siliconflow.cn/v1 |
各类开源模型 |
| OpenAI | 不填(默认官方地址) | gpt-4o 等 |
具体可用模型与参数以各服务商官方文档为准。工程上建议把 base_url 和 model 抽到配置文件或环境变量,切换服务商时零改代码——这也是做多模型容灾、把主力模型与备用模型分层的基本功。想快速摸清哪些模型在同等任务上性价比更高,可以在词元所按价格与性能维度做一轮对比,再落到配置里。
LangChain 1.0 的 RAG 链路可以拆成四段,向量库换成任意集成包即可:
from langchain_openai import OpenAIEmbeddingsfrom langchain_elasticsearch import ElasticsearchStoreembeddings = OpenAIEmbeddings(model="embedding-v1",base_url="https://qianfan.baidubce.com/v2",api_key="你的 API Key",)# 1) 文档切分后写入向量库(以 Elasticsearch/BES 为例)db = ElasticsearchStore.from_documents(documents=split_docs,embedding=embeddings,es_url="http://user:password@host:9200",index_name="my_kb",)retriever = db.as_retriever(search_kwargs={"k": 4})# 2) 检索增强问答from langchain.messages import HumanMessage, SystemMessagedef ask(question: str) -> str:docs = retriever.invoke(question)context = "\n\n".join(d.page_content for d in docs)messages = [SystemMessage(content=f"仅依据以下资料回答,资料不足时明确说明。\n\n{context}"),HumanMessage(content=question),]return llm.invoke(messages).contentprint(ask("人工智能落地面临哪些挑战?"))
注意 1.0 中消息类型从 langchain_core.messages 统一到 langchain.messages 导出,旧写法仍兼容但会告警。检索质量往往比换模型更能决定 RAG 效果,切分粒度、召回条数、rerank 策略值得优先调优。
/v2,多数服务商是 /v1,漏写或多写会直接 404。ChatOpenAI 显式传入的参数优先于 OPENAI_API_KEY 环境变量,多项目共用机器时容易串号。deepseek-v3 与 deepseek-chat 不是同一个标识,务必查服务商模型列表。max_tokens 弃用 。新版本推荐 max_completion_tokens,旧参数在部分兼容服务上会被忽略。langchain-classic 或按新 API 重写。大模型按 Token 计费,输入与输出通常分开定价,输出单价高于输入。RAG 场景下真正的大头往往是 每次请求都重复发送的系统提示词与检索片段 ,优化方向按性价比排序:
选型阶段就把”单价 × 预估调用量”算清楚,比上线后再优化省事得多。这一步可以直接用百度智能云词元所的价格对比与统一 API 接入能力来做测算和验证。
LangChain 1.0 的学习路径可以压缩成三步:装对包(langchain + langchain-openai)→ 用 base_url 指向兼容服务跑通 invoke → 用 create_agent 把工具和数据接进来。掌握这条主线后,换模型只是改配置,换场景只是换工具,剩下的功夫花在提示词、检索质量和成本控制上。