跳转到主要内容

​
概述

当你使用标准 OpenAI 兼容的 chat 和 embeddings 接口时，LemonData 可以很好地与 LangChain 的 ChatOpenAI 和 OpenAIEmbeddings 集成配合使用。
当前的 LangChain 文档指出，ChatOpenAI 面向官方 OpenAI 兼容的请求/响应格式。如果你需要提供商特定的非标准响应字段，请使用提供商专用的 LangChain 集成，而不要依赖 ChatOpenAI。
类型: 框架或平台主要路径: OpenAI-compatible 标准 surface支持级别: 支持标准 surface
本页刻意只覆盖标准 OpenAI-compatible LangChain surface，而不承诺超出该 surface 的 provider-native LangChain 功能。

​
安装

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

​
基本配置

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",
)

​
消息历史

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)

​
流式输出

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])

​
简单 RAG 示例

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

对于新的 agentic 项目，LangChain 建议考虑使用 LangGraph，以便对长时间运行和使用工具的工作流进行更明确的控制。
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"])

​
最佳实践

最可靠的 LemonData 配置方式是直接将 base_url="https://api.lemondata.cc/v1" 传递给 ChatOpenAI 和 OpenAIEmbeddings，而不是依赖旧的环境变量别名。
请坚持在 ChatOpenAI 上使用标准 chat、tool calling、streaming 和 embeddings。如果你需要厂商原生的额外功能，请切换到该厂商自己的 LangChain 集成。
对于检索，请使用像 text-embedding-3-small 这样的 embedding 模型，并将更强的 chat 模型保留给最终回答步骤。