LangChain 接入 apizt：ChatOpenAI、LCEL 与流式验证

展开本页目录

开始前准备什么

Python 3.10+；建议为示例单独创建虚拟环境。
已创建自己的 apizt API Key，并确认 glm-5.3 权限。
能区分普通文字调用与模型供应商特有的 reasoning、文件或内置工具字段。

固定依赖
显式模型配置
运行最小链
核对元数据
增加能力

下载本次源码、输入和真实结果记录

2026-10-23 核验材料；实际执行范围、结果与限制见下方记录。

补充：原有练习资料与下载

下载完整 LangChain 示例

LCEL 翻译链、usage 与截断检查；无内置 Key。

下载固定依赖

langchain-openai 1.6.7 / openai 2.54.0。

LangChain：Prompt、模型与解析链实跑

本地LCEL链返回12；真实网关分支429，分别记录通过与阻点。

2026-10-23 · 真实LangChain LCEL经本地模型解析JSON7/5/12、退出0；随后同一真实SDK使用apizt HTTPS/gemini-2.5-flash、max_tokens64/max_retries0/timeout30单次请求明确HTTP429当前分组上游饱和，停止且未重投。不能把本地通过当公网网关通过。

已取得下列真实结果；仍有内容质量或功能范围需要按本页检查项复核。

运行环境: langchain-openai1.7.2/langchain-core1.7.0；独立练习目录；原创虚构输入；网关凭据仅置私密环境，未发布Key

1. 固定SDK依赖
在虚拟环境安装langchain-openai，固定完整依赖版本。
2. 显式指定本地调用配置
ChatOpenAI显式设置本地base_url=http://127.0.0.1:11435/v1、model=tutorial-qwen3-proof、api_key=ollama（本地忽略的占位值）。
3. 执行三段LCEL链
把7支蓝笔与5支红笔的原创输入交给PromptTemplate，用LCEL三段链invoke。
4. 解析并核对实际结果
保存真实模型原始字符串、SDK版本与退出码，再独立比较total=12；格式不合规需按失败展示。
5. 单独复核公网接入
切换apizt时必须另行使用其真实Base URL/Key/准确模型ID，不能用本地通过证明公网账户和模型已通过。
6. 保存本次原始结果
公网分支显式ChatOpenAI base_url=https://api.apizt.com/v1，api_key只读环境变量，model=gemini-2.5-flash，max_tokens64、max_retries0、timeout30。本次真实返回429当前分组上游饱和；保存错误requestID并停止，输出token上限不是费用上限。

这次实际得到什么

本地真实LCEL链返回并解析blue7/red5/total12，exit0。
真实apizt HTTPS/gemini-2.5-flash、max_retries0请求明确HTTP429当前分组上游饱和。
公网路径已停止，本地通过不等于公网通过。

langchain-tokenba-api 本次实际执行报告 — 本次实际输出与验证边界的浏览器截图；这是本站整理的运行报告，不能当作原生产品界面或未执行模型的成功证据。

下载本次源码、输入和真实结果记录查看本次执行报告与限制查看版本、命令与产物SHA256

使用这份结果时注意

只说明当前测试Key/分组/模型这一时点；不是全站不可用诊断。
输出token上限不是费用上限；未验证公网成功生成或工具能力。

先试对应的模型小样

固定依赖和运行环境

此示例固定 langchain-openai==1.6.7 与 openai==2.54.0，适配包声明 Python >=3.10。下载两个文件后，在虚拟环境安装依赖并设置自己的 Key。tokenba_MODEL 可覆盖默认模型，tokenba_BASE_URL 可用于测试目标地址。

这里用自己的 tokenba_* 变量，并显式传入构造器，避免同时存在 OPENAI_API_BASE 与 OPENAI_BASE_URL 时产生地址覆盖。不要在仓库中保存实际 Key。

terminal

bash

python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r framework-langchain-requirements.txt
export tokenba_API_KEY="YOUR_tokenba_API_KEY"
python framework-langchain.py

完整示例：保留数字的翻译链

ChatPromptTemplate 把输入映射为 system 与 human 消息，LCEL 的 prompt | model 返回 AIMessage。先保留这个对象，以便检查 usage_metadata 和 finish_reason；如果马上转成纯字符串，会丢掉这里需要核对的元数据。

默认 glm-5.3 的样例把 max_tokens 放进 extra_body 控制试跑输出预算。当前 ChatOpenAI 会转换普通 max_tokens 参数，因此不要照抄其他型号的 token 参数；换模型时核对实际请求体与通道要求。

framework-langchain.py

python

import os

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI


def main():
    model = ChatOpenAI(
        api_key=os.environ["tokenba_API_KEY"],
        base_url=os.getenv("tokenba_BASE_URL", "https://api.apizt.com/v1"),
        model=os.getenv("tokenba_MODEL", "glm-5.3"),
        use_responses_api=False,
        stream_usage=False,
        timeout=60,
        max_retries=0,
        extra_body={"max_tokens": 1024},
    )
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是产品文案编辑。保持数字与型号原样，只翻译给定文本。"),
        ("human", "翻译成中文：{text}"),
    ])
    result = (prompt | model).invoke({"text": "Plan A includes 100 requests per day."})
    print("answer:", result.content)
    print("usage:", result.usage_metadata)
    print("finish_reason:", result.response_metadata.get("finish_reason"))
    if not isinstance(result.content, str) or not result.content.strip():
        raise RuntimeError("未收到文字答案；先检查模型、协议和通道。")
    if result.response_metadata.get("finish_reason") == "length":
        raise RuntimeError("输出被截断；先核对账单，再调整输出预算。")


if __name__ == "__main__":
    main()

LangChain 的 Chat 请求参数：ChatOpenAI、use_responses_api、stream_usage、max_tokens — 本站绘制的内容说明图：本页示例走 Chat Completions；关闭 Responses 与流式 usage 是保守示例选择，不能代表所有型号的能力限制。
查看高清原图

明确走 Chat，而不是由功能隐式换协议

use_responses_api=False 明确选 Chat Completions，适合这条基础文字链。添加 Responses 内置工具、previous_response_id 或文件能力后，请按迁移教程验证 /responses；同一个地址前缀不能证明两个端点都可用。

ChatOpenAI 主要面向官方 OpenAI 格式。第三方响应里的 reasoning_content、reasoning_details 等扩展字段不保证被保留。需要这些信息时，采用能处理该字段的供应商集成，或对照原始响应自行适配，不能把缺失字段当作模型没有推理。

流式先验收结束，再采集 usage

基本请求成功后，可以使用 model.stream(messages) 逐段读取消息。先保留全部 chunk、结束状态和异常，确认中文没有断字、最后一段完整。流式 usage 是否存在取决于实际端点。

当前样例 stream_usage=False。如果当前通道已经支持 stream_options.include_usage，再显式改为 True 并验证最终 usage chunk。缺失 usage 应标记未知，不使用零值填补。

streaming-check.py · 在已有 model 后使用

python

messages = [("human", "用两条要点解释 API 请求验收。") ]
complete = None
for chunk in model.stream(messages):
    complete = chunk if complete is None else complete + chunk
    if isinstance(chunk.content, str):
        print(chunk.content, end="", flush=True)
print()
if complete is None:
    raise RuntimeError("没有收到任何 chunk")
print("finish_reason:", complete.response_metadata.get("finish_reason"))
print("usage:", complete.usage_metadata)

LangChain 分段与最终输出：chunk、response_metadata、usage_metadata、stream_usage — 本站绘制的内容说明图：图示是分段聚合与元数据的核对方法；收到第一个 chunk 不代表整个回答已正常结束。
查看高清原图

工具与 Schema 逐项增加

需求	LangChain 接入点	额外验收
函数工具	bind_tools	工具参数可解析，执行结果以正确 tool_call_id 回传。
结构化字段	with_structured_output	确认使用的 method，再校验类型、必填项和拒绝响应。
RAG	Retriever → Prompt → Model	引用真实片段，控制召回与历史预算，缺证据时拒答。
Responses 能力	单独配置并验证	/responses、状态保留与内置工具支持逐项检查。

需求: 函数工具
LangChain 接入点: bind_tools
额外验收: 工具参数可解析，执行结果以正确 tool_call_id 回传。

需求: 结构化字段
LangChain 接入点: with_structured_output
额外验收: 确认使用的 method，再校验类型、必填项和拒绝响应。

需求: RAG
LangChain 接入点: Retriever → Prompt → Model
额外验收: 引用真实片段，控制召回与历史预算，缺证据时拒答。

需求: Responses 能力
LangChain 接入点: 单独配置并验证
额外验收: /responses、状态保留与内置工具支持逐项检查。

先检查请求，再更换框架配置

现象	检查项	恢复动作
请求去了 api.openai.com	构造器是否显式传入 base_url、是否用了另一个 model 实例	打印不含 Key 的目标前缀，消除环境变量覆盖。
401 / model not found	Key 与精确 model	对照控制台权限与模型目录。
unsupported max_completion_tokens	最终请求体与所选型号参数	样例使用 extra_body 的 max_tokens；不要同时提交两种上限。
流式有文字但 usage 为空	通道是否支持 include_usage	保留未知 usage，对照控制台调用记录。
超时后又生成了一次	SDK、链外层或调用者的重试	首调 max_retries=0；查账后再决定重新提交。
reasoning 字段不见了	是否为供应商扩展字段	不要当成普通 content，使用适配器或保存脱敏原始响应。

现象: 请求去了 api.openai.com
检查项: 构造器是否显式传入 base_url、是否用了另一个 model 实例
恢复动作: 打印不含 Key 的目标前缀，消除环境变量覆盖。

现象: 401 / model not found
检查项: Key 与精确 model
恢复动作: 对照控制台权限与模型目录。

现象: unsupported max_completion_tokens
检查项: 最终请求体与所选型号参数
恢复动作: 样例使用 extra_body 的 max_tokens；不要同时提交两种上限。

现象: 流式有文字但 usage 为空
检查项: 通道是否支持 include_usage
恢复动作: 保留未知 usage，对照控制台调用记录。

现象: 超时后又生成了一次
检查项: SDK、链外层或调用者的重试
恢复动作: 首调 max_retries=0；查账后再决定重新提交。

现象: reasoning 字段不见了
检查项: 是否为供应商扩展字段
恢复动作: 不要当成普通 content，使用适配器或保存脱敏原始响应。

本次补测：先完成搜索要解决的问题，再进入下一步

设置 timeout 不等于只请求一次；框架和 SDK 重试叠加可能增加费用。

补测安装并运行 OpenAI SDK 的本地负例；没有把它说成 LangChain 新版本原生通过。

保留固定版本与完整 AIMessage，不要立刻转成纯文本。
先显式关闭框架和底层客户端自动重试，再用本地429 fixture统计请求次数。
对照真实成功请求的 request ID、model、usage；本地429不能写成 apizt 当次真实故障。

新增补测结果；与原有原生工具记录分别保存

json

{
  "local_sdk_requests": 1,
  "live_tokenba_http": 200,
  "max_retries": 0
}

LangChain 接入 apizt：ChatOpenAI、LCEL 与流式验证：新增实测步骤与结果 — 本次实际数据的浏览器执行报告截图，非第三方软件界面；原有配图和缩略图保留。
查看高清原图

怎样确认已经完成

翻译保留了 100 和 Plan A，答案非空且不是 length 截断。
读取 AIMessage 后再进入纯文字处理，usage 缺失不当成零。
模型、目标前缀和 Chat 协议是显式配置。
每次重试都记录，框架执行成功与实扣分开核对。

常见问题

ChatOpenAI 支持自定义 base_url 就代表所有模型能力都支持吗？

不代表。基础消息格式可兼容，供应商扩展字段、原生工具、缓存与文件参数需要另外适配。模型官方能力、网关支持和框架解析是三个独立环节。

LangChain 需要单独的 OpenAI Key 吗？

该自定义地址样例使用自己的 apizt API Key。显式传入 api_key 与 base_url，不需要把 apizt Key 配到官方 OpenAI 平台。

为什么默认关闭重试？

用于首调验收，便于确认一次请求产生的输出与费用。生产重试需有次数上限、错误分类和任务记录；超时并不证明服务端没有执行。

资料来源

展开本页目录

开始前准备什么

Python 3.10+；建议为示例单独创建虚拟环境。
已创建自己的 apizt API Key，并确认 glm-5.3 权限。
能区分普通文字调用与模型供应商特有的 reasoning、文件或内置工具字段。

固定依赖
显式模型配置
运行最小链
核对元数据
增加能力

下载本次源码、输入和真实结果记录

2026-10-23 核验材料；实际执行范围、结果与限制见下方记录。

补充：原有练习资料与下载

下载完整 LangChain 示例

LCEL 翻译链、usage 与截断检查；无内置 Key。

下载固定依赖

langchain-openai 1.6.7 / openai 2.54.0。

LangChain：Prompt、模型与解析链实跑

本地LCEL链返回12；真实网关分支429，分别记录通过与阻点。

已取得下列真实结果；仍有内容质量或功能范围需要按本页检查项复核。

运行环境: langchain-openai1.7.2/langchain-core1.7.0；独立练习目录；原创虚构输入；网关凭据仅置私密环境，未发布Key

1. 固定SDK依赖
在虚拟环境安装langchain-openai，固定完整依赖版本。
2. 显式指定本地调用配置
ChatOpenAI显式设置本地base_url=http://127.0.0.1:11435/v1、model=tutorial-qwen3-proof、api_key=ollama（本地忽略的占位值）。
3. 执行三段LCEL链
把7支蓝笔与5支红笔的原创输入交给PromptTemplate，用LCEL三段链invoke。
4. 解析并核对实际结果
保存真实模型原始字符串、SDK版本与退出码，再独立比较total=12；格式不合规需按失败展示。
5. 单独复核公网接入
切换apizt时必须另行使用其真实Base URL/Key/准确模型ID，不能用本地通过证明公网账户和模型已通过。
6. 保存本次原始结果
公网分支显式ChatOpenAI base_url=https://api.apizt.com/v1，api_key只读环境变量，model=gemini-2.5-flash，max_tokens64、max_retries0、timeout30。本次真实返回429当前分组上游饱和；保存错误requestID并停止，输出token上限不是费用上限。

这次实际得到什么

本地真实LCEL链返回并解析blue7/red5/total12，exit0。
真实apizt HTTPS/gemini-2.5-flash、max_retries0请求明确HTTP429当前分组上游饱和。
公网路径已停止，本地通过不等于公网通过。

下载本次源码、输入和真实结果记录查看本次执行报告与限制查看版本、命令与产物SHA256

使用这份结果时注意

只说明当前测试Key/分组/模型这一时点；不是全站不可用诊断。
输出token上限不是费用上限；未验证公网成功生成或工具能力。

先试对应的模型小样

固定依赖和运行环境

这里用自己的 tokenba_* 变量，并显式传入构造器，避免同时存在 OPENAI_API_BASE 与 OPENAI_BASE_URL 时产生地址覆盖。不要在仓库中保存实际 Key。

terminal

bash

python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r framework-langchain-requirements.txt
export tokenba_API_KEY="YOUR_tokenba_API_KEY"
python framework-langchain.py

完整示例：保留数字的翻译链

framework-langchain.py

python

import os

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI


def main():
    model = ChatOpenAI(
        api_key=os.environ["tokenba_API_KEY"],
        base_url=os.getenv("tokenba_BASE_URL", "https://api.apizt.com/v1"),
        model=os.getenv("tokenba_MODEL", "glm-5.3"),
        use_responses_api=False,
        stream_usage=False,
        timeout=60,
        max_retries=0,
        extra_body={"max_tokens": 1024},
    )
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是产品文案编辑。保持数字与型号原样，只翻译给定文本。"),
        ("human", "翻译成中文：{text}"),
    ])
    result = (prompt | model).invoke({"text": "Plan A includes 100 requests per day."})
    print("answer:", result.content)
    print("usage:", result.usage_metadata)
    print("finish_reason:", result.response_metadata.get("finish_reason"))
    if not isinstance(result.content, str) or not result.content.strip():
        raise RuntimeError("未收到文字答案；先检查模型、协议和通道。")
    if result.response_metadata.get("finish_reason") == "length":
        raise RuntimeError("输出被截断；先核对账单，再调整输出预算。")


if __name__ == "__main__":
    main()

明确走 Chat，而不是由功能隐式换协议

流式先验收结束，再采集 usage

streaming-check.py · 在已有 model 后使用

python

messages = [("human", "用两条要点解释 API 请求验收。") ]
complete = None
for chunk in model.stream(messages):
    complete = chunk if complete is None else complete + chunk
    if isinstance(chunk.content, str):
        print(chunk.content, end="", flush=True)
print()
if complete is None:
    raise RuntimeError("没有收到任何 chunk")
print("finish_reason:", complete.response_metadata.get("finish_reason"))
print("usage:", complete.usage_metadata)

工具与 Schema 逐项增加

需求	LangChain 接入点	额外验收
函数工具	bind_tools	工具参数可解析，执行结果以正确 tool_call_id 回传。
结构化字段	with_structured_output	确认使用的 method，再校验类型、必填项和拒绝响应。
RAG	Retriever → Prompt → Model	引用真实片段，控制召回与历史预算，缺证据时拒答。
Responses 能力	单独配置并验证	/responses、状态保留与内置工具支持逐项检查。

需求: 函数工具
LangChain 接入点: bind_tools
额外验收: 工具参数可解析，执行结果以正确 tool_call_id 回传。

需求: 结构化字段
LangChain 接入点: with_structured_output
额外验收: 确认使用的 method，再校验类型、必填项和拒绝响应。

需求: RAG
LangChain 接入点: Retriever → Prompt → Model
额外验收: 引用真实片段，控制召回与历史预算，缺证据时拒答。

需求: Responses 能力
LangChain 接入点: 单独配置并验证
额外验收: /responses、状态保留与内置工具支持逐项检查。

先检查请求，再更换框架配置

现象	检查项	恢复动作
请求去了 api.openai.com	构造器是否显式传入 base_url、是否用了另一个 model 实例	打印不含 Key 的目标前缀，消除环境变量覆盖。
401 / model not found	Key 与精确 model	对照控制台权限与模型目录。
unsupported max_completion_tokens	最终请求体与所选型号参数	样例使用 extra_body 的 max_tokens；不要同时提交两种上限。
流式有文字但 usage 为空	通道是否支持 include_usage	保留未知 usage，对照控制台调用记录。
超时后又生成了一次	SDK、链外层或调用者的重试	首调 max_retries=0；查账后再决定重新提交。
reasoning 字段不见了	是否为供应商扩展字段	不要当成普通 content，使用适配器或保存脱敏原始响应。

现象: 请求去了 api.openai.com
检查项: 构造器是否显式传入 base_url、是否用了另一个 model 实例
恢复动作: 打印不含 Key 的目标前缀，消除环境变量覆盖。

现象: 401 / model not found
检查项: Key 与精确 model
恢复动作: 对照控制台权限与模型目录。

现象: unsupported max_completion_tokens
检查项: 最终请求体与所选型号参数
恢复动作: 样例使用 extra_body 的 max_tokens；不要同时提交两种上限。

现象: 流式有文字但 usage 为空
检查项: 通道是否支持 include_usage
恢复动作: 保留未知 usage，对照控制台调用记录。

现象: 超时后又生成了一次
检查项: SDK、链外层或调用者的重试
恢复动作: 首调 max_retries=0；查账后再决定重新提交。

现象: reasoning 字段不见了
检查项: 是否为供应商扩展字段
恢复动作: 不要当成普通 content，使用适配器或保存脱敏原始响应。

本次补测：先完成搜索要解决的问题，再进入下一步

设置 timeout 不等于只请求一次；框架和 SDK 重试叠加可能增加费用。

补测安装并运行 OpenAI SDK 的本地负例；没有把它说成 LangChain 新版本原生通过。

保留固定版本与完整 AIMessage，不要立刻转成纯文本。
先显式关闭框架和底层客户端自动重试，再用本地429 fixture统计请求次数。
对照真实成功请求的 request ID、model、usage；本地429不能写成 apizt 当次真实故障。

新增补测结果；与原有原生工具记录分别保存

json

{
  "local_sdk_requests": 1,
  "live_tokenba_http": 200,
  "max_retries": 0
}

怎样确认已经完成

翻译保留了 100 和 Plan A，答案非空且不是 length 截断。
读取 AIMessage 后再进入纯文字处理，usage 缺失不当成零。
模型、目标前缀和 Chat 协议是显式配置。
每次重试都记录，框架执行成功与实扣分开核对。

常见问题

ChatOpenAI 支持自定义 base_url 就代表所有模型能力都支持吗？

不代表。基础消息格式可兼容，供应商扩展字段、原生工具、缓存与文件参数需要另外适配。模型官方能力、网关支持和框架解析是三个独立环节。

LangChain 需要单独的 OpenAI Key 吗？

该自定义地址样例使用自己的 apizt API Key。显式传入 api_key 与 base_url，不需要把 apizt Key 配到官方 OpenAI 平台。

为什么默认关闭重试？

用于首调验收，便于确认一次请求产生的输出与费用。生产重试需有次数上限、错误分类和任务记录；超时并不证明服务端没有执行。

先看结论

开始前准备什么

LangChain：Prompt、模型与解析链实跑

1. 固定SDK依赖

2. 显式指定本地调用配置

3. 执行三段LCEL链

4. 解析并核对实际结果

5. 单独复核公网接入

6. 保存本次原始结果

这次实际得到什么

使用这份结果时注意

固定依赖和运行环境

完整示例：保留数字的翻译链

明确走 Chat，而不是由功能隐式换协议

流式先验收结束，再采集 usage

工具与 Schema 逐项增加

先检查请求，再更换框架配置

本次补测：先完成搜索要解决的问题，再进入下一步

怎样确认已经完成

常见问题

资料来源

按当前任务选择下一步

1. 下载完整样例

2. 离线检查业务结果

3. 需要新结果时，再调用 API

先看结论

开始前准备什么

LangChain：Prompt、模型与解析链实跑

1. 固定SDK依赖

2. 显式指定本地调用配置

3. 执行三段LCEL链

4. 解析并核对实际结果

5. 单独复核公网接入

6. 保存本次原始结果

这次实际得到什么

使用这份结果时注意

固定依赖和运行环境

完整示例：保留数字的翻译链

明确走 Chat，而不是由功能隐式换协议

流式先验收结束，再采集 usage

工具与 Schema 逐项增加

先检查请求，再更换框架配置

本次补测：先完成搜索要解决的问题，再进入下一步

怎样确认已经完成

常见问题

资料来源

按当前任务选择下一步

1. 下载完整样例

2. 离线检查业务结果

3. 需要新结果时，再调用 API