Интеграция LangChain с Alibaba Bailian

LangChain в настоящее время является самым популярным фреймворком для разработки приложений на основе больших языковых моделей (LLM). Он помогает разработчикам быстро создавать приложения с промптами, моделями, цепочками инструментов и агентами через унифицированные интерфейсы компонентов.

Alibaba Cloud Bailian (DashScope) — это платформа сервисов LLM от Alibaba Cloud, предоставляющая серию чат-моделей Tongyi Qianwen (qwen), модели текстовых эмбеддингов и модели reranker.

В этой статье объясняется, как интегрировать модели Bailian с LangChain, рассматриваются три категории: чат-модели, модели текстовых эмбеддингов и модели reranker. Также приводятся полные примеры на Python, JavaScript и Java.

Предварительные требования

Нам нужно активировать сервис моделей Alibaba Cloud Bailian и получить API-KEY.

Сначала мы можем использовать основную учётную запись Alibaba Cloud, чтобы посетить платформу сервиса моделей Bailian:https://bailian.console.aliyun.com/Затем нажмите «Login» в правом верхнем углу. После входа нажмите значок шестерёнки ⚙️ в правом верхнем углу, выберите «API Key» и скопируйте API-ключ. Если у вас его нет, вы также можете создать API-ключ:

Прежде чем начать, давайте сначала разберёмся с двумя ключевыми понятиями: «Классы интеграции моделей» в LangChain и «Два режима интеграции» в Bailian.

Классы интеграции моделей

LangChain оборачивает модели от разных провайдеров в единые «классы интеграции».

Код приложения программируется под единый интерфейс. При смене провайдера нужно изменить только класс интеграции и параметры; бизнес-логику почти никогда не требуется менять.

На примере чат-моделей: на стороне Python есть два класса интеграции — ChatOpenAI и ChatTongyi, соответствующие режиму Bailian, совместимому с OpenAI, и нативному режиму DashScope соответственно.

Два режима интеграции

Bailian предоставляет два набора протоколов интеграции; разные протоколы соответствуют разным классам интеграции LangChain.

Режим, совместимый с OpenAIПротокол API совпадает с OpenAI. Любой фреймворк, поддерживающий протокол OpenAI, может подключаться напрямую, что обеспечивает минимальные затраты на интеграцию.

Нативный режим DashScopeОн использует собственный протокол DashScope от Bailian и может вызывать все модели генерации текста Bailian, включая развёрнутые пользовательские модели.

Общая архитектура интеграции показана на следующей схеме:

LangChain 集成阿里云百炼架构图

Так называемый «интерфейс, совместимый с OpenAI» означает, что протокол HTTP API провайдера совпадает с OpenAI.

При условии совместимости протокола любой код или инструменты, написанные для OpenAI, можно использовать напрямую, изменив только конечную точку API.

Настройка переменных окружения

Все языки и способы интеграции единообразно используют переменную окруженияDASHSCOPE_API_KEYдля хранения API-ключа.

Экспорт в терминале в Linux / macOS:

export DASHSCOPE_API_KEY="sk-你的百炼APIKey"

Настройка в Windows (CMD):

set DASHSCOPE_API_KEY=sk-你的百炼APIKey

Рекомендуется записать команду экспорта в файл конфигурации оболочки (например, ~/.bashrc, ~/.zshrc), чтобы не задавать её заново каждый раз при открытии терминала.

Настройка через файл .env (рекомендуется)

Ещё более рекомендуемый подход — записать API-ключ в файл .env в корневом каталоге проекта и использовать python-dotenv для автоматической загрузки его в переменные окружения.

Отделение API-ключа от кода в сочетании с .gitignore предотвращает случайные коммиты и упрощает каждому поддержание собственной конфигурации при совместной работе.

Создайте файл .env в корневом каталоге проекта:

# 文件路径：项目根目录/.env
DASHSCOPE_API_KEY=sk-你的百炼APIKey

Например, в нашем тестовом проектеexample-langchain-testсоздайте.envфайл и добавьте конфигурацию:

Установите python-dotenv:

pip install python-dotenv

Загрузите файл .env в начале вашего Python-кода:

Пример

from dotenv import load_dotenv

load_dotenv() # Прочитать файл .env в корневой директории проекта и внедрить его как переменные окружения

После загрузки os.getenv("DASHSCOPE_API_KEY") в вашем коде сможет прочитать ключ, что даёт тот же эффект, что и ручной экспорт.

Этот способ загрузки уже был продемонстрирован в примерах в разделе "Чат-модель".

Файл .env содержит конфиденциальные данные. Пожалуйста, добавьте его в .gitignore (напишите строку ".env"), чтобы API-ключ не был закоммичен в репозиторий.

Пожалуйста, замените API-ключ в примерах на настоящий ключ и никогда не делитесь им с другими.

Сравнение двух режимов интеграции

Сначала посмотрите таблицу сравнения, затем выберите режим интеграции по необходимости.

Пункт сравнения	Режим совместимости с OpenAI	Нативный режим DashScope
Принцип интеграции	Повторно использует класс интеграции протокола OpenAI	Использует нативный SDK DashScope
Поддерживаемые модели	Только некоторые модели	Все модели генерации текста и развёрнутые модели
Класс интеграции Python	ChatOpenAI	ChatTongyi
Класс интеграции JavaScript	ChatOpenAI	ChatAlibabaTongyi
Класс интеграции Java	OpenAiChatModel	QwenChatModel
Применимые сценарии	Существующий код OpenAI нужно быстро переключить	Требуются полные возможности модели или использование развернутых моделей

Оба режима используют один и тот же домен dashscope.aliyuncs.com. Разница заключается в пути: путь режима, совместимого с OpenAI, — /compatible-mode/v1, тогда как путь нативного режима DashScope встроен в SDK.

Чат-модель

Чат-модели — наиболее часто используемый тип моделей, применяемый для таких задач, как многоходовой диалог, вопросы и ответы и генерация контента.

Ниже мы описываем способы интеграции по языкам. В примере единообразно используется модель qwen-plus, которую можно заменить при необходимости.

Python: режим, совместимый с OpenAI

Используйте класс интеграции ChatOpenAI из пакета langchain_openai, чтобы вызывать Bailian как сервис OpenAI.

Сначала установите зависимости:

pip install langchain_openai

Пример кода:

Пример

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv # Чтение конфигурации из файла .env
import os

load_dotenv() # Загрузка переменных окружения, таких как API-ключ, из файла .env в корневом каталоге проекта

# Создание экземпляра чат-модели с подключением к Bailian через протокол, совместимый с OpenAI
chatLLM = ChatOpenAI(
api_key=os.getenv("DASHSCOPE_API_KEY"), # Прочитать API-ключ Bailian из переменной окружения (обязательно)
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", # Конечная точка API Bailian, совместимая с OpenAI (обязательно)
model="qwen-plus", # Имя модели (обязательно), здесь qwen-plus используется в качестве примера
# Другие необязательные параметры: temperature, max_tokens и т. д.
)

# Построить список сообщений многоходового диалога
messages = [
{"role": "system", "content": "Вы — полезный ассистент."}, # Системное сообщение, задаёт роль ассистента
{"role": "user", "content": "Кто вы?"}, # Сообщение пользователя, содержание вопроса
]

# Выполнить вызов и вернуть структурированный объект ответа
response = chatLLM.invoke(messages)
print(response.model_dump_json())

Результат вывода (некоторые поля опущены):

{
  "content": "我是通义千问，由阿里云开发的大语言模型，可以回答你的问题、协助创作、提供建议等。",
  "usage": { "prompt_tokens": 12, "completion_tokens": 28, "total_tokens": 40 }
}

После успешного вызова возвращается объект AIMessage. model_dump_json() может сериализовать его в JSON для удобного просмотра полного ответа.

Python: нативный режим DashScope

Используйте класс интеграции ChatTongyi из пакета langchain-community, который использует нативный протокол DashScope и поддерживает потоковый вывод.

ChatTongyi происходит из пакета langchain-community, и сам этот пакет, и dashscope больше не поддерживаются.

Для новых проектов рекомендуется отдавать предпочтение интеграции ChatOpenAI, совместимой с OpenAI. Рассматривайте этот подход только тогда, когда вам нужны нативные возможности DashScope (например, развёрнутые модели).

Сначала установите зависимости:

pip install langchain-community dashscope

Пример кода:

Пример

from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage
from dotenv import load_dotenv # Чтение конфигурации из файла .env
import os

load_dotenv() # Загрузить переменные окружения, такие как API-ключи, из файла .env в корне проекта

# Создать чат-модель Qwen, используя нативный протокол DashScope
chatLLM = ChatTongyi(
model="qwen-plus", # Имя модели (обязательно)
dashscope_api_key=os.getenv("DASHSCOPE_API_KEY"), # Прочитать API-ключ из переменной окружения (обязательно)
streaming=True, # Включить потоковый вывод
)

# Потоковая передача вызова с получением и печатью содержимого ответа по частям
res = chatLLM.stream([HumanMessage(content="привет")], streaming=True)
for r in res:
print("ответ чата:", r.content)

Результат вывода:

chat resp: 你好
chat resp: ！我是通义千问，有什么可以帮您的吗？

Потоковый вывод позволяет модели возвращать содержимое по частям во время генерации, что делает его подходящим для чат-интерфейсов, которым нужен эффект пишущей машинки.

Модель текстовых эмбеддингов

Модели эмбеддингов преобразуют текст в семантические векторы, формируя основу для таких приложений, как RAG (генерация с дополненной выборкой) и семантический поиск.

Выбор модели

Bailian предоставляет несколько версий моделей эмбеддингов. Вы можете сравнить их производительность с помощью метрик оценки MTEB и CMTEB; чем больше значение, тем лучше.

Модель	MTEB	MTEB (задача поиска)	CMTEB	CMTEB (задача поиска)
text-embedding-v1	58.30	45.47	59.84	56.59
text-embedding-v2	60.13	49.49	62.17	62.78
text-embedding-v3 (размерность 1024)	63.39	55.41	68.92	73.23
text-embedding-v4 (размерность 1024)	68.36	59.30	70.14	73.98

При вызове text-embedding-v3 и text-embedding-v4 через LangChain нельзя указать размерность вектора; по умолчанию они выдают 1024-мерные векторы.

Более новые версии работают лучше, поэтому отдавайте предпочтение v4.

Пример на Python

API эмбеддингов Bailian совместим со спецификацией OpenAI API. Просто используйте класс интеграции OpenAIEmbeddings из пакета langchain-openai и укажите base_url на совместимую конечную точку Bailian.

Не нужно устанавливать больше не поддерживаемые пакеты langchain-community и dashscope.

Сначала установите зависимости:

pip install langchain-openai

OpenAIEmbeddings требует три ключевых параметра: model (имя модели эмбеддингов), api_key (ключ API Bailian) и base_url (совместимая с OpenAI конечная точка Bailian).

base_url фиксирован как https://dashscope.aliyuncs.com/compatible-mode/v1, который совпадает с совместимой конечной точкой для чат-моделей.

Пример кода:

Пример

from langchain_openai import OpenAIEmbeddings
from dotenv import load_dotenv # Чтение конфигурации из файла .env
import os

load_dotenv() # Загрузить переменные окружения, такие как API-ключи, из файла .env в корне проекта

# Создайте экземпляр модели эмбеддингов для подключения к Bailian через протокол, совместимый с OpenAI
# chunk_size=10: Embedding API Bailian принимает не более 10 текстов за запрос.
# OpenAIEmbeddings по умолчанию упаковывает 1000 элементов за раз; если база знаний немного большая, будет превышен лимит и возникнет ошибка.
embeddings = OpenAIEmbeddings(
model="text-embedding-v4", # Имя модели эмбеддингов (обязательно), здесь в качестве примера используется v4
api_key=os.getenv("DASHSCOPE_API_KEY"), # Считать API-ключ Bailian из переменной окружения (обязательно)
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", # OpenAI-совместимый эндпоинт Bailian (обязательно)
check_embedding_ctx_length=False,
chunk_size=10,
)

# Векторизовать один текст запроса
text = "Это тестовый документ."
query_result = embeddings.embed_query(text)
print("Длина вектора текста:", len(query_result), sep='')

# Пакетная векторизация нескольких документов
doc_results = embeddings.embed_documents(
[
"Привет!",
"О, привет!",
"Как тебя зовут?",
"Друзья зовут меня World",
"Hello World!"
])
print("Количество текстовых векторов:", len(doc_results), ", длина текстового вектора:", len(doc_results[0]), sep='')

Результат вывода:

文本向量长度：1024
文本向量数量：5 ，文本向量长度：1024

embed_query используется для векторизации пользовательского запроса, а embed_documents — для пакетной векторизации документов-кандидатов. Вычислять сходство можно только тогда, когда оба выходных вектора имеют одинаковую размерность.

Модель реранжировщика

Модели реранжировщика повторно оценивают и переранжируют результаты поиска, значительно повышая качество ответов RAG-приложений.

Параметры модели

Bailian предоставляет следующие модели реранжировщика; выбирайте в зависимости от языка, стоимости и сценария:

Модель	Максимальное количество документов	Максимальный ввод на элемент	Поддержка языков	Цена за единицу (за тысячу токенов)	Применимые сценарии
qwen3-vl-rerank	100	8,000 Token	33 основных языка, включая китайский, английский, японский, корейский и т. д.	Изображение 0.0018 yuan / текст 0.0007 yuan	Кластеризация изображений, кросс-модальный поиск, поиск изображений
qwen3-rerank	500	4,000 Token	100+ языков, включая китайский, английский, испанский, французский, японский, корейский и т. д.	0.0005 yuan	Семантический поиск по тексту, приложения RAG
gte-rerank-v2	—	30,000 Token	Более 50 языков, включая китайский, английский, японский, корейский, тайский и т. д.	0.0008 yuan	Переранжирование длинных текстов

Пример на Python

Используйте класс интеграции DashScopeRerank из пакета langchain-community.

В этом примере используется DashScopeRerank из пакета langchain-community.

langchain-community и dashscope больше не поддерживаются. Для новых проектов обратите внимание на альтернативные методы интеграции, официально предоставляемые Bailian.

Сначала установите зависимости:

pip install langchain-community dashscope

Пример кода:

Пример

from langchain_community.document_compressors.dashscope_rerank import DashScopeRerank
from dotenv import load_dotenv # Чтение конфигурации из файла .env

load_dotenv() # Загрузить переменные окружения, такие как API-ключи, из файла .env в корне проекта

# Смоделировать список текстов-кандидатов, возвращаемых поиском
sequence = ["Пример — это китайский обучающий сайт, предоставляющий руководства по программированию", "text2", "text3"]

# Создать экземпляр модели реранкера
reranker = DashScopeRerank(
model="gte-rerank-v2", # Имя модели реранкера (обязательно)
)

# Переранжировать тексты-кандидаты на основе запроса, возвращая top_n с наивысшими оценками
print(reranker.rerank(documents=sequence, query="Что такое Python", top_n=2))

Метод rerank повторно оценивает и переранжирует документы-кандидаты на основе запроса, а top_n задаёт количество возвращаемых результатов. Обычно используется на этапе точного ранжирования после поиска RAG.

Интеграция JavaScript и Java

JavaScript: режим совместимости с OpenAI

В Node.js используйте класс интеграции ChatOpenAI из пакета @langchain/openai.

Сначала установите зависимости:

npm install @langchain/openai @langchain/core

Пример кода:

Пример

import { ChatOpenAI } from "@langchain/openai";

// Создать экземпляр чат-модели для подключения к Bailian через протокол, совместимый с OpenAI
const llm = new ChatOpenAI({
model: "qwen-plus", // Имя модели (обязательно), здесь в качестве примера используется qwen-plus
apiKey: process.env.DASHSCOPE_API_KEY, // Прочитать API-ключ Bailian из переменной окружения (обязательно)
configuration: {
baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1", // Конечная точка API Bailian, совместимого с OpenAI (обязательно)
},
});

// Выполнить вызов чата, возвращающий объект сообщения ИИ
const aiMsg = await llm.invoke([
{ role: "system", content: "Вы — полезный помощник, который переводит с английского на французский. Переведите предложение пользователя." }, // Системное сообщение
{ role: "user", content: "Я люблю программировать." }, // Сообщение пользователя
]);
console.log('---------------------------');
console.log(aiMsg.content);

Результат вывода:

---------------------------
J'adore la programmation.

JavaScript: нативный режим DashScope

Используйте класс интеграции ChatAlibabaTongyi из пакета @langchain/community.

Сначала установите зависимости:

Пример

npm install @langchain/community @langchain/core

Пример кода:

Пример

import { ChatAlibabaTongyi } from "@langchain/community/chat_models/alibaba_tongyi";
import { HumanMessage } from "@langchain/core/messages";

// По умолчанию используется модель qwen-turbo; требуется только API-ключ
const qwenTurbo = new ChatAlibabaTongyi({
alibabaApiKey: process.env.DASHSCOPE_API_KEY, // Чтение API-ключа из переменной среды (обязательно)
});

// Используйте qwen-plus, и вы можете дополнительно указать параметры генерации, такие как temperature
const qwenPlus = new ChatAlibabaTongyi({
model: "qwen-plus", // Название модели (обязательно)
temperature: 1, // Температура генерации; чем больше значение, тем более разнообразным будет вывод
alibabaApiKey: process.env.DASHSCOPE_API_KEY, // Чтение API-ключа из переменной среды (обязательно)
});

const messages = [new HumanMessage("Привет")];

// Вызовите две модели по отдельности и выведите результаты
const res = await qwenTurbo.invoke(messages);
const res2 = await qwenPlus.invoke(messages);

console.log('---------------------------');
console.log(res.content);
console.log('---------------------------');
console.log(res2.content);

Java: режим совместимости с OpenAI (LangChain4j)

Экосистема Java использует фреймворк LangChain4j для подключения к Bailian через модуль langchain4j-open-ai.

Для LangChain4j 1.0.0-beta3 требуется Java 17 или выше.

При компиляции с Java 11 будет выдана ошибка "Unsupported class file major version 61". Обновление JDK решит эту проблему.

Добавьте зависимость в pom.xml:

<!-- 文件路径：pom.xml -->
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai</artifactId>
    <version>1.0.0-beta3</version>
</dependency>

Пример кода:

Пример

import dev.langchain4j.data.message.SystemMessage;
import dev.langchain4j.data.message.UserMessage;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;

public class LangChainOpenAITest {
public static void main(String[] args) {
// Создать модель чата, повторно использовать протокол OpenAI для подключения к Bailian
ChatLanguageModel model = OpenAiChatModel.builder()
.apiKey(System.getenv("DASHSCOPE_API_KEY")) // Считать ключ API из переменной окружения (обязательно)
.baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1") // Адрес Bailian, совместимый с OpenAI (обязательно)
.modelName("qwen-plus") // Имя модели (обязательно)
.build();

SystemMessage systemMessage = SystemMessage.from("Вы эксперт по психологии"); // Системное сообщение, задать роль
UserMessage userMessage = UserMessage.from("Привет"); // Сообщение пользователя

System.out.println(model.chat(systemMessage, userMessage).aiMessage().text());
}
}

Java: нативный режим DashScope (LangChain4j)

Используйте модуль langchain4j-community-dashscope, поддерживающий обычные и потоковые вызовы.

Добавьте зависимость в pom.xml:

<!-- 文件路径：pom.xml -->
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-community-dashscope</artifactId>
    <version>1.0.0-beta3</version>
</dependency>

Пример кода (обычный вызов и потоковый вызов):

Пример

import dev.langchain4j.community.model.dashscope.QwenChatModel;
import dev.langchain4j.community.model.dashscope.QwenStreamingChatModel;
import dev.langchain4j.data.message.ChatMessage;
import dev.langchain4j.data.message.SystemMessage;
import dev.langchain4j.data.message.UserMessage;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.chat.StreamingChatLanguageModel;
import dev.langchain4j.model.chat.request.ChatRequest;
import dev.langchain4j.model.chat.response.ChatResponse;
import dev.langchain4j.model.chat.response.StreamingChatResponseHandler;

public class LangChainDashScopeTest {
public static void main(String[] args) {
chatLanguageModelTest(); // Обычный вызов
// streamingChatLanguageModelTest(); // Потоковый вызов, раскомментируйте при необходимости
}

// Обычный вызов: возвращает полный результат сразу
public static void chatLanguageModelTest() {
ChatLanguageModel qwenModel = QwenChatModel.builder()
.apiKey(System.getenv("DASHSCOPE_API_KEY")) // Считать ключ API из переменной окружения (обязательно)
.modelName("qwen-plus") // Имя модели (обязательно)
.build();

// Построение запроса, сообщения расположены в хронологическом порядке
ChatRequest request = ChatRequest.builder()
.messages(new ChatMessage[]{
SystemMessage.from("Вы эксперт по психологии"), // Системное сообщение
UserMessage.from("Привет") // Сообщение пользователя
})
.build();
System.out.println(qwenModel.chat(request).aiMessage().text());
}

// Потоковый вызов: получать сгенерированный текст по сегментам
public static void streamingChatLanguageModelTest() {
StreamingChatLanguageModel model = QwenStreamingChatModel.builder()
.apiKey(System.getenv("DASHSCOPE_API_KEY"))
.modelName("qwen-plus")
.build();

model.chat("Привет", new StreamingChatResponseHandler() {
@Override
public void onPartialResponse(String s) { // Колбэк один раз для каждого сгенерированного сегмента
System.out.println(s);
}

@Override
public void onCompleteResponse(ChatResponse chatResponse) { // Генерация завершена
System.out.println("Диалог завершен");
System.exit(0);
}

@Override
public void onError(Throwable throwable) { // Возникло исключение
System.out.println("Возникло исключение");
System.exit(0);
}
});
}
}

LangChain4j также предоставляет Spring Boot Starter. Не нужно вручную создавать объекты моделей; достаточно настроить в application.properties.

Пример

# Путь к файлу: application.properties
# API-ключ (обязательно)
langchain4j.open-ai.chat-model.api-key=${DASHSCOPE_API_KEY}
# Имя модели (обязательно)
langchain4j.open-ai.chat-model.model-name=qwen-plus
# Адрес API, совместимого с OpenAI (обязательно)
langchain4j.open-ai.chat-model.base-url=https://dashscope.aliyuncs.com/compatible-mode/v1
# Порт сервиса
server.port=9000

У собственного Starter DashScope элементы конфигурации имеют те же имена. Просто измените префикс на langchain4j.community.dashscope.chat-model, и нет необходимости настраивать base-url.

Примечания / Часто задаваемые вопросы

При возникновении проблем во время интеграции вы можете быстро найти их, обратившись к контрольному списку ниже.

Требования к версии Java

LangChain4j 1.0.0-beta3 требует Java 17 или более поздней версии.

При компиляции с Java 11 будет выдано сообщение "Unsupported class file major version 61". Обновление JDK решит эту проблему.

Режим, совместимый с OpenAI, поддерживает только некоторые модели

API, совместимый с OpenAI, поддерживает только некоторые модели Bailian. Полный список см. в официальной документации.

Если вызываемая модель не входит в поддерживаемый диапазон, переключитесь на нативный режим DashScope.

Размерность векторов эмбеддингов по умолчанию

При вызове text-embedding-v3 / v4 через LangChain они по умолчанию выдают 1024-мерные векторы, и размерность нельзя указать вручную.

При создании таблиц базы данных, пожалуйста, зарезервируйте поле вектора размерности 1024.

Безопасность ключа API

Не встраивайте API Key в код жестко; единообразно внедряйте его через переменную среды DASHSCOPE_API_KEY.

Для production-сред рекомендуется использовать в сочетании с Alibaba Cloud Key Management Service (KMS).

Ссылки

Следующая официальная документация поможет вам разобраться в соответствующих деталях:

Тема	Ссылка
Получить API-ключ	https://help.aliyun.com/zh/model-studio/get-api-key
Настройте переменные среды	https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables
Список моделей Bailian	https://help.aliyun.com/zh/model-studio/getting-started/models
Список моделей, совместимых с OpenAI	https://help.aliyun.com/zh/model-studio/compatibility-of-openai-with-dashscope
Документация по ChatOpenAI для Python	https://python.langchain.com/docs/integrations/chat/openai/
Документация по OpenAIEmbeddings для Python	https://python.langchain.com/docs/integrations/text_embedding/openai/
Документация Python ChatTongyi	https://python.langchain.com/docs/integrations/chat/tongyi/
Документация LangChain4j DashScope	https://docs.langchain4j.dev/integrations/language-models/dashscope

Другие расширения

Agent Конфигурация разработки

Справочное руководство

Интеграция LangChain с Alibaba Bailian

Предварительные требования

Классы интеграции моделей

Два режима интеграции

Настройка переменных окружения

Настройка через файл .env (рекомендуется)

Пример

Сравнение двух режимов интеграции

Чат-модель

Python: режим, совместимый с OpenAI

Пример

Python: нативный режим DashScope

Пример

Модель текстовых эмбеддингов

Выбор модели

Пример на Python

Пример

Модель реранжировщика

Параметры модели

Пример на Python

Пример

Интеграция JavaScript и Java

JavaScript: режим совместимости с OpenAI

Пример

JavaScript: нативный режим DashScope

Пример

Пример

Java: режим совместимости с OpenAI (LangChain4j)

Пример

Java: нативный режим DashScope (LangChain4j)

Пример

Пример

Примечания / Часто задаваемые вопросы

Требования к версии Java

Режим, совместимый с OpenAI, поддерживает только некоторые модели

Размерность векторов эмбеддингов по умолчанию

Безопасность ключа API

Ссылки