A LangChain és a LangGraph használatának első lépései az Foundryvel

Használja a langchain-azure-ai csomagot a LangChain- és LangGraph-alkalmazások Microsoft Foundry-képességekkel való létrehozásához. Ez a cikk egy áttekintést nyújt a csomagról, hogy gyorsan el tudjon indulni, majd az egyes funkciókhoz tartozó részletes dokumentációra továbblépjen.

Előfeltételek

  • Egy Azure előfizetés. Hozzon létre egyet ingyen.

  • Egy Foundry-projekt.

  • A Foundry User szerepkör a Foundry-projektben (a legalacsonyabb jogosultságú szerepkör a következőhöz:

    Important

    Az Foundry RBAC-szerepköröket nemrég átnevezték. Foundry user, Foundry Owner, Foundry-fióktulajdonos és Foundry Project Manager korábban Azure AI-felhasználónak, Azure AI-tulajdonosnak, Azure AI-fióktulajdonosnak és Azure AI-Project-kezelőnek hívták. Előfordulhat, hogy egyes helyeken továbbra is a korábbi elnevezések jelennek meg, amíg az átnevezés fokozatosan bevezetésre kerül. A szerepkör-azonosítók és az alapvető jogosultságok az átnevezés ellenére változatlanok maradnak.

    fejlesztés). Ha erőforrásokat is létrehoz vagy kezel, szükség szerint használja a közreműködőt vagy a tulajdonost . Részletekért lásd: Szerepkör alapú hozzáférés-vezérlés a Microsoft Foundry-nál.

  • Python 3.10-et vagy újabb verziót.

  • Azure CLI bejelentkezett (az login), hogy DefaultAzureCredential hitelesíthesse magát.

Tipp

Ez a cikk a Microsoft Foundry (új) támogatását ismerteti, amely a azure-ai-projects>=2.0 verziót használja. Ha a Foundry klasszikust használja, használja langchain-azure-ai[v1] helyette.

A csomag telepítése

Telepítse az alapcsomagot:

pip install -U langchain-azure-ai azure-identity

Telepítse a választható extrákat a forgatókönyv alapján:

pip install -U "langchain-azure-ai[tools]"
pip install -U "langchain-azure-ai[opentelemetry]"
  • Használja a(z) [tools]-t, ha az alkalmazás a(z) langchain_azure_ai.tools.* névtérből származó eszközöket, például a Document Intelligence eszközt használja.
  • Akkor használja [opentelemetry] , ha az OpenTelemetry használatával szeretné nyomon követni az integrációt.

Integrációs építőelemek kiválasztása

Ezzel a térképpel kiválaszthatja a megoldáshoz megfelelő névteret:

Képesség Névtér Tipikus használat
Öntöde Ügynöki Szolgáltatás langchain_azure_ai.agents Felügyelt ügynökcsomópontok létrehozása összetett gráfok és folyamatok létrehozásához a LangGraph és a LangChain számára. Lásd a részletes példákat.
LangGraph-üzemeltetés langchain_azure_ai.agents.hosting Üzemeltessen kompilált LangGraph-ügynököket a Foundry Agent Service-ben a Responses vagy az Invocations protokoll használatával. Lásd a részletes példákat.
Foundry Tartalombiztonság langchain_azure_ai.agents.middleware A Foundry Tartalombiztonság és -moderálás használatával győződjön meg arról, hogy a megoldás a megfelelő védőkorlátokkal telepíthető. Lásd a részletes példákat.
Csevegési modellek langchain_azure_ai.chat_models Hívja meg az Azure OpenAI-t és a modellkatalógus csevegőmodelljeit. Lásd a részletes példákat.
Beágyazások langchain_azure_ai.embeddings Meghívhat beágyazási modelleket a katalógusból, és vektorokat hozhat létre a keresési, lekérési és rangsorolási munkafolyamatokhoz. Lásd a részletes példákat.
Vektortárolók langchain_azure_ai.vectorstores Használjon Azure AI Keresés és Cosmos DB vektorintegrációkat.
Vizsla langchain_azure_ai.retrievers Lekérés futtatása Azure által támogatott indexek és tárolók között.
Csevegési előzmények tárolója langchain_azure_ai.chat_history A csevegési előzmények megőrzése és visszajátszása a munkamenetek között. Memóriaalapú előzmények használatával lekérheti az összesített csevegési előzményeket. Lásd a részletes példákat.
Eszközök langchain_azure_ai.tools Olyan eszközök hozzáadása, mint a Dokumentumintelligencia, a Látás, az Állapotelemzés és a Logic Apps; vagy egy teljes projekt eszközkészletét. Részletes példák
Öntödei eszközkészlet langchain_azure_ai.tools Felügyelt eszközöket és készségeket tölthet be egy Foundry-eszközkészletből egyetlen MCP-végponton keresztül. Lásd a részletes példákat.
Visszahívások és nyomkövetés langchain_azure_ai.callbacks Rögzítheti a futtatási eseményeket, és OpenTelemetria-nyomkövetéseket bocsáthat ki. Lásd a részletes példákat.
Lekérdezéskonstruktorok langchain_azure_ai.query_constructors Háttérspecifikus lekérdezési szűrők létrehozása lekéréses forgatókönyvekhez.

Lásd a Minden képesség részletes megismerése című szakaszt a konkrét útmutatókért.

Csatlakozás projektvégpontokkal és hitelesítő adatokkal

Számos langchain-azure-ai osztály támogatja az Foundry-projektvégponton keresztüli csatlakozást. Egyszer állítsa be AZURE_AI_PROJECT_ENDPOINT , majd használja újra a támogatott osztályok között.

export AZURE_AI_PROJECT_ENDPOINT="https://<resource>.services.ai.azure.com/api/projects/<project>"

A project_endpoint használatakor a hitelesítés Microsoft Entra ID és Azure RBAC-t használ a projekten.

Az API-kulcsok közvetlen szolgáltatásvégpontokhoz, például /openai/v1.

export OPENAI_BASE_URL="https://<resource>.services.ai.azure.com/openai/v1"
export OPENAI_API_KEY="<your-key>"

Példa: Öntödei modellek használata

A környezeti változók konfigurálása után a következőkkel használhatja a modellt:

from langchain.chat_models import init_chat_model

model = init_chat_model("azure_ai:gpt-5.2")

Az ügyfeleket külön is konfigurálhatja. Példaként tekintsünk AzureAIOpenAIApiChatModel reprezentatív mintaként:

import os

from azure.identity import AzureCliCredential, DefaultAzureCredential
from langchain_azure_ai.chat_models import AzureAIOpenAIApiChatModel

# Option A: Use a Foundry project endpoint (Microsoft Entra ID required).
model_from_project = AzureAIOpenAIApiChatModel(
  project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
  credential=DefaultAzureCredential(),
  model="gpt-5.2",
)

# Option B: Use a service endpoint directly with an API key.
model_from_endpoint = AzureAIOpenAIApiChatModel(
  endpoint=os.environ["OPENAI_BASE_URL"],
  credential=os.environ["OPENAI_API_KEY"],
  model="gpt-5.2",
)

# Option C: Use a different credential strategy.
model_with_cli_credential = AzureAIOpenAIApiChatModel(
  endpoint=os.environ["OPENAI_BASE_URL"],
  credential=AzureCliCredential(),
  model="gpt-5.2",
)

A kódrészlet leírása: Ugyanazt a modellt jeleníti meg, amely egy Foundry-projektvégpontról vagy egy közvetlen szolgáltatásvégpontról inicializálva van, és bemutatja, hogyan lehet felcserélni a hitelesítő adatokat.

Ugyanezt a mintát alkalmazhatja az eszközökre is. Például a projektvégpontot AzureAIDocumentIntelligenceTool és DefaultAzureCredential beállítás nélkül használhatja, amikor AZURE_AI_PROJECT_ENDPOINT be van állítva:

from langchain_azure_ai.tools import AzureAIDocumentIntelligenceTool

document_tool = AzureAIDocumentIntelligenceTool()

Hogyan DefaultAzureCredential működik?

DefaultAzureCredential több Microsoft Entra ID hitelesítőadat-forrást is kipróbál, és az elsőt használja, amely működik. Gyakori források a környezeti változók, a felügyelt identitás, a fejlesztői eszközök és a Azure CLI.

Használja DefaultAzureCredential alapértelmezettként a helyi fejlesztéshez és az üzembe helyezett számítási feladatokhoz. Ha szigorúbb ellenőrzésre van szüksége, cserélje le egy adott hitelesítő adatra, például AzureCliCredential helyi fejlesztéshez vagy ManagedIdentityCredential az Azure-ban történő éles környezetben futó terhelésekhez.

Ugyanezt a projektvégpont-mintát más osztályok is használják.

Az egyes képességek részletes megismerése

Kezdje az alábbi útmutatókkal ebben a dokumentációkészletben:

A következő csomagerőforrásokat használhatja modulszintű részletekhez és frissítésekhez:

Következő lépés

Öntödei modellek használata a LangChainnel

  • Utolsó frissítés időpontja: