跳轉到主要內容

​
概覽

當您使用標準 OpenAI 相容的 chat 與 embeddings 介面時，LemonData 能夠良好地搭配 LangChain 的 ChatOpenAI 與 OpenAIEmbeddings 整合使用。
目前的 LangChain 文件指出，ChatOpenAI 目標是官方 OpenAI 相容的 request/response 格式。如果您需要 provider 特定的非標準 response 欄位，請使用 provider 專用的 LangChain 整合，而不是依賴 ChatOpenAI。
類型: 框架或平台主要路徑: OpenAI-compatible 標準 surface支援級別: 支援標準 surface
本頁刻意只覆蓋標準 OpenAI-compatible LangChain surface，而不承諾超出該 surface 的 provider-native LangChain 功能。

​
安裝

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

​
基本設定

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)

​
使用不同模型

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",
)

​
訊息歷史

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)

​
串流

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])

​
簡單的 RAG 範例

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 supports OpenAI-compatible integrations."
]

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

對於新的 agentic 專案，LangChain 建議考慮使用 LangGraph，以便對長時間執行及使用工具的工作流程提供更明確的控制。
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"])

​
最佳實務

最可靠的 LemonData 設定方式，是直接將 base_url="https://api.lemondata.cc/v1" 傳遞給 ChatOpenAI 與 OpenAIEmbeddings，而不是依賴較舊的環境變數別名。
請在 ChatOpenAI 上使用標準 chat、tool calling、streaming 與 embeddings 功能。如果您需要供應商原生的額外功能，請切換至該供應商自己的 LangChain 整合。
針對檢索使用如 text-embedding-3-small 這類 embedding 模型，並將更強大的 chat 模型保留用於最終回答步驟。