Langsung ke konten utama

​
Gambaran Umum

LemonData bekerja dengan baik dengan integrasi ChatOpenAI dan OpenAIEmbeddings milik LangChain ketika Anda tetap menggunakan surface chat dan embeddings standar yang kompatibel dengan OpenAI.
Dokumentasi LangChain saat ini mencatat bahwa ChatOpenAI menargetkan bentuk request/response resmi yang kompatibel dengan OpenAI. Jika Anda memerlukan field respons non-standar yang spesifik penyedia, gunakan integrasi LangChain yang spesifik penyedia alih-alih mengandalkan ChatOpenAI.
Halaman ini sengaja hanya mencakup surface LangChain standar yang kompatibel dengan OpenAI, bukan fitur LangChain khusus penyedia di luar cakupan tersebut.
Jenis: Framework atau platformJalur utama: Permukaan standar OpenAI-compatibleTingkat dukungan: Permukaan standar yang didukung

​
Instalasi

pip install langchain langchain-openai langchain-community faiss-cpu

​
Konfigurasi Dasar

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-5.4",
    api_key="sk-your-lemondata-key",
    base_url="https://api.lemondata.cc/v1",
)

response = llm.invoke("Explain LemonData in one sentence.")
print(response.content)

​
Menggunakan Model yang Berbeda

from langchain_openai import ChatOpenAI

gpt = ChatOpenAI(
    model="gpt-5.4",
    api_key="sk-your-key",
    base_url="https://api.lemondata.cc/v1",
)

claude = ChatOpenAI(
    model="claude-sonnet-4-6",
    api_key="sk-your-key",
    base_url="https://api.lemondata.cc/v1",
)

gemini = ChatOpenAI(
    model="gemini-2.5-flash",
    api_key="sk-your-key",
    base_url="https://api.lemondata.cc/v1",
)

deepseek = ChatOpenAI(
    model="deepseek-r1",
    api_key="sk-your-key",
    base_url="https://api.lemondata.cc/v1",
)

​
Riwayat Pesan

from langchain_core.messages import HumanMessage, SystemMessage

messages = [
    SystemMessage(content="You are a helpful assistant."),
    HumanMessage(content="What is the capital of France?")
]

response = llm.invoke(messages)
print(response.content)

​
Streaming

for chunk in llm.stream("Write a short poem about coding."):
    if chunk.content:
        print(chunk.content, end="", flush=True)

​
Embeddings

from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-small",
    api_key="sk-your-key",
    base_url="https://api.lemondata.cc/v1",
)

vector = embeddings.embed_query("Hello world")
print(vector[:5])

​
Contoh RAG Sederhana

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-small",
    api_key="sk-your-key",
    base_url="https://api.lemondata.cc/v1",
)

texts = [
    "LemonData provides one API for many AI models.",
    "LemonData mendukung integrasi yang kompatibel dengan OpenAI."
]

vectorstore = FAISS.from_texts(texts, embeddings)
retriever = vectorstore.as_retriever()

prompt = ChatPromptTemplate.from_template(
    "Answer using the context below.\\n\\nContext:\\n{context}\\n\\nQuestion:\\n{question}"
)

rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
)

response = rag_chain.invoke("What does LemonData provide?")
print(response.content)

​
Agents

Untuk proyek agentic baru, LangChain merekomendasikan untuk mempertimbangkan LangGraph demi kontrol yang lebih eksplisit atas workflow yang berjalan lama dan menggunakan tools.
from langchain.agents import create_openai_tools_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool

@tool
def search(query: str) -> str:
    """Search for information."""
    return f"Search results for: {query}"

tools = [search]

prompt = ChatPromptTemplate.from_messages([
    ("system", "You are a helpful assistant with access to tools."),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")
])

agent = create_openai_tools_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

result = executor.invoke({"input": "Search for LemonData pricing"})
print(result["output"])

​
Praktik Terbaik

Setup LemonData yang paling andal adalah meneruskan base_url="https://api.lemondata.cc/v1" secara langsung ke ChatOpenAI dan OpenAIEmbeddings alih-alih bergantung pada alias environment variable yang lebih lama.
Tetap gunakan chat standar, pemanggilan tool, streaming, dan embeddings pada ChatOpenAI. Jika Anda memerlukan tambahan native dari vendor, beralihlah ke integrasi LangChain milik vendor tersebut.
Gunakan model embedding seperti text-embedding-3-small untuk retrieval dan simpan model chat yang lebih kuat untuk langkah jawaban akhir.