> ## Documentation Index > Fetch the complete documentation index at: https://docs.bigmodel.cn/llms.txt > Use this file to discover all available pages before exploring further. # LangChain 集成智谱支持兼容 LangChain 框架，让您可以使用 LangChain 的强大功能来构建复杂的 AI 应用。 LangChain 是一个用于开发由语言模型驱动的应用程序的框架。智谱与 LangChain 的集成让您能够： * 使用 LangChain 的链式调用功能 * 构建智能代理和工具调用 * 实现复杂的对话记忆管理 ### 核心优势 }> 接入 LangChain 丰富的生态系统和工具链 }> 使用预构建的组件快速构建复杂 AI 应用 }> 灵活组合不同的组件满足各种需求 }> 享受活跃的开源社区和丰富的资源 ## 环境要求 }> Python 3.8 或更高版本 }> langchain\_community 版本在 0.0.32 以上请确保 langchain\_community 的版本在 0.0.32 以上，以获得最佳的兼容性和功能支持。 ## 安装依赖 ### 基础安装 ```bash theme={null} # 安装 LangChain 和相关依赖 pip install langchain langchainhub httpx_sse # 安装 OpenAI 兼容包 pip install langchain-openai ``` ### 完整安装 ```bash theme={null} # 一次性安装所有相关包 pip install langchain langchain-openai langchainhub httpx_sse # 验证安装 python -c "import langchain; print(langchain.__version__)" ``` ## 快速开始 ### 获取 API Key 1. 访问 [智谱开放平台](https://bigmodel.cn) 2. 注册并登录您的账户 3. 在 [API Keys](https://bigmodel.cn/usercenter/proj-mgmt/apikeys) 管理页面创建 API Key 4. 复制您的 API Key 以供使用建议将 API Key 设置为环境变量：`export ZAI_API_KEY=YOUR_API_KEY` 替代硬编码到代码中，以提高安全性。 ### 基础配置 ```python theme={null} import os from langchain_openai import ChatOpenAI # 创建智谱 LLM 实例 llm = ChatOpenAI( temperature=0.6, model="glm-5.2", openai_api_key="YOUR_API_KEY", openai_api_base="https://open.bigmodel.cn/api/paas/v4/" ) # 或者使用环境变量 llm = ChatOpenAI( temperature=0.6, model="glm-5.2", openai_api_key=os.getenv("ZAI_API_KEY"), openai_api_base="https://open.bigmodel.cn/api/paas/v4/" ) ``` ## 基础使用示例 ### 简单对话 ```python theme={null} from langchain_openai import ChatOpenAI from langchain.schema import HumanMessage, SystemMessage # 创建 LLM 实例 llm = ChatOpenAI( temperature=0.7, model="glm-5.2", openai_api_key="YOUR_API_KEY", openai_api_base="https://open.bigmodel.cn/api/paas/v4/" ) # 创建消息 messages = [ SystemMessage(content="你是一个有用的 AI 助手"), HumanMessage(content="请介绍一下人工智能的发展历程") ] # 调用模型 response = llm(messages) print(response.content) ``` ### 使用提示模板 ```python theme={null} from langchain.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI # 创建 LLM llm = ChatOpenAI( model="glm-5.2", openai_api_key="YOUR_API_KEY", openai_api_base="https://open.bigmodel.cn/api/paas/v4/" ) # 创建提示模板 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个专业的{domain}专家"), ("human", "请解释一下{topic}的概念和应用") ]) # 创建链 chain = prompt | llm # 调用链 response = chain.invoke({ "domain": "机器学习", "topic": "深度学习" }) print(response.content) ``` ### 对话记忆管理 ```python theme={null} from langchain_openai import ChatOpenAI from langchain.prompts import ( ChatPromptTemplate, MessagesPlaceholder, SystemMessagePromptTemplate, HumanMessagePromptTemplate, ) from langchain.chains import LLMChain from langchain.memory import ConversationBufferMemory # 创建 LLM llm = ChatOpenAI( temperature=0.6, model="glm-5.2", openai_api_key="YOUR_API_KEY", openai_api_base="https://open.bigmodel.cn/api/paas/v4/" ) # 创建提示模板 prompt = ChatPromptTemplate( messages=[ SystemMessagePromptTemplate.from_template( "You are a nice chatbot having a conversation with a human." ), MessagesPlaceholder(variable_name="chat_history"), HumanMessagePromptTemplate.from_template("{question}") ] ) # 创建记忆 memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True) # 创建对话链 conversation = LLMChain( llm=llm, prompt=prompt, verbose=True, memory=memory ) # 进行对话 response1 = conversation.invoke({"question": "tell me a joke"}) print("AI:", response1['text']) response2 = conversation.invoke({"question": "tell me another one"}) print("AI:", response2['text']) ``` ## 高级功能 ### 智能代理 (Agent) ```python theme={null} import os from langchain import hub from langchain.agents import AgentExecutor, create_react_agent from langchain_community.tools.tavily_search import TavilySearchResults from langchain_openai import ChatOpenAI # 设置搜索工具 API 密钥 os.environ["TAVILY_API_KEY"] = "your-tavily-api-key" # 创建 LLM llm = ChatOpenAI( model="glm-5.2", openai_api_key="YOUR_API_KEY", openai_api_base="https://open.bigmodel.cn/api/paas/v4/" ) # 创建工具 tools = [TavilySearchResults(max_results=2)] # 获取提示模板 prompt = hub.pull("hwchase17/react") # 创建代理 agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # 执行任务 result = agent_executor.invoke({"input": "what is LangChain?"}) print(result['output']) ``` ### 自定义工具 ```python theme={null} from langchain.tools import tool from langchain.agents import AgentExecutor, create_react_agent from langchain import hub from langchain_openai import ChatOpenAI @tool def get_weather(city: str) -> str: """获取指定城市的天气信息""" # 这里应该调用真实的天气 API # 示例返回 return f"{city} 的天气：晴天，温度 25°C，湿度 60%" @tool def get_stock_price(symbol): """获取股票价格""" # 模拟股票 API 调用 return { "symbol": symbol, "price": 150.25, "change": "+2.5%" } # 创建 LLM llm = ChatOpenAI( model="glm-5.2", openai_api_key="YOUR_API_KEY", openai_api_base="https://open.bigmodel.cn/api/paas/v4/", ) # 工具列表 tools = [get_weather, get_stock_price] # 创建代理 prompt = hub.pull("hwchase17/react") agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, max_iterations=3) # 使用代理 result = agent_executor.invoke({"input": "北京今天天气怎么样？然后帮我查询股票价格，股票代码是 000001"}) print(result['output']) ``` ### 流式输出 ```python theme={null} from langchain_openai import ChatOpenAI from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler from langchain.schema import HumanMessage # 创建带流式输出的 LLM llm = ChatOpenAI( model="glm-5.2", openai_api_key="YOUR_API_KEY", openai_api_base="https://open.bigmodel.cn/api/paas/v4/", streaming=True, callbacks=[StreamingStdOutCallbackHandler()] ) # 发送消息（输出会实时流式显示） response = llm([HumanMessage(content="写一首关于春天的诗")]) ``` ## 实践建议 * 启用 LangChain 缓存机制 * 使用批量处理减少 API 调用 * 合理设置 max\_tokens 限制 * 使用异步处理提高并发性能 * 实施重试机制和指数退避 * 设置合理的超时时间 * 记录详细的错误日志 * 提供降级方案 * 使用 ConversationBufferWindowMemory 限制历史长度 * 定期清理不必要的对话历史 * 监控内存使用情况 * 实施对话摘要机制 * 使用环境变量存储 API 密钥 * 实施输入验证和过滤 * 监控 API 使用量和成本 * 定期轮换 API 密钥 ## 更多资源 } href="/cn/api/introduction"> 查看智谱完整的 API 文档 } href="https://python.langchain.com/docs/get_started/introduction"> 查看 LangChain 官方文档和教程 LangChain 是一个快速发展的框架，建议定期更新到最新版本以获得最佳功能和性能。同时，智谱会持续优化与 LangChain 的集成，确保最佳的兼容性和用户体验。