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
框架生态
接入 LangChain 丰富的生态系统和工具链
环境要求
Python 版本
Python 3.8 或更高版本
LangChain 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
# 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
# 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
- 访问 智谱开放平台
- 注册并登录您的账户
- 在 API Keys 管理页面创建 API Key
- 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
基础配置
import os
from langchain_openai import ChatOpenAI
# 创建智谱 LLM 实例
llm = ChatOpenAI(
temperature=0.6,
model="glm-4.5",
openai_api_key="your-zhipuai-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-4.5",
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
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage
# 创建 LLM 实例
llm = ChatOpenAI(
temperature=0.7,
model="glm-4.5",
openai_api_key="your-zhipuai-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
from langchain.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
# 创建 LLM
llm = ChatOpenAI(
model="glm-4.5",
openai_api_key="your-zhipuai-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
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-4.5",
openai_api_key="your-zhipuai-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)
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-4.5",
openai_api_key="your-zhipuai-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
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-4-plus",
openai_api_key="your-zhipuai-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
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-4.5",
openai_api_key="your-zhipuai-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
性能优化
- 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
错误处理
- 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
内存管理
- 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
安全性
- 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
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。
