LangChain'i ve Foundry ile LangGraph'ı kullanmaya başlama

langchain-azure-ai paketini, Microsoft Foundry özelliklerine sahip LangChain ve LangGraph uygulamaları oluşturmak için giriş noktası olarak kullanın. Bu makale, hızlı bir şekilde başlayıp her özellik için doğru ayrıntılı belgelere geçebilmeniz için paketin üst düzey bir haritasını sunar.

Önkoşullar

Ipucu

Bu makalede, sürümünü kullanan azure-ai-projects>=2.0 desteğinden bahsediliyor. Klasik Foundry kullanıyorsanız, bunun yerine kullanın langchain-azure-ai[v1] .

Paketi yükleme

Temel paketi yükleyin:

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

Senaryonuza göre isteğe bağlı ek özellikleri yükleyin:

pip install -U "langchain-azure-ai[tools]"
pip install -U "langchain-azure-ai[opentelemetry]"
  • Uygulamanız, Belge Zekası gibi ad alanından [tools]araçlar kullanıyorsa kullanınlangchain_azure_ai.tools.*.
  • OpenTelemetry aracılığıyla tümleştirmeyi izlemeyi istiyorsanız kullanın [opentelemetry] .

Tümleştirme yapı taşları seçme

Çözümünüz için doğru ad alanını seçmek için bu haritayı kullanın.

Yeteneği Ad alanı Tipik kullanım
Döküm Aracısı Servisi langchain_azure_ai.agents LangGraph ve LangChain için karmaşık graf ve akışlar oluşturmak için yönetilen aracı düğümleri oluşturun. Ayrıntılı örneklere bakın.
Dökümhane İçerik Güvenliği langchain_azure_ai.agents.middleware Çözümü doğru korumalarla dağıtabileceğinizden emin olmak için Dökümhane İçerik Güvenliği ve Moderasyonu'nu kullanın. Ayrıntılı örneklere bakın.
Sohbet modelleri langchain_azure_ai.chat_models Azure OpenAI ve model kataloğu sohbet modellerini çağır. Ayrıntılı örneklere bakın.
Eklemeler langchain_azure_ai.embeddings Katalogdan ekleme modellerini çağırın ve arama, alma ve derecelendirme iş akışları için vektörler oluşturun. Ayrıntılı örneklere bakın.
Vektör depoları langchain_azure_ai.vectorstores Azure Yapay Zeka Arama ve Cosmos DB vektör tümleştirmelerini kullanın.
Retrieverlar langchain_azure_ai.retrievers Azure destekli dizinler ve depolar üzerinde alma işlemini çalıştırın.
Sohbet geçmişi saklama langchain_azure_ai.chat_message_histories Oturumlar arasında sohbet geçmişini kalıcı hale getirip tekrar oynatabilirsiniz. Birleştirilmiş geçiş sohbeti geçmişini almak için bellek destekli geçmişleri kullanın. Ayrıntılı örneklere bakın.
Araçları langchain_azure_ai.tools Belge Zekası, Görüntü İşleme, sistem durumu metin analizi ve Logic Apps gibi araçlar ekleyin.
Geri çağırmalar ve izleme langchain_azure_ai.callbacks Çalıştırma olaylarını yakalayın ve OpenTelemetry izlemeleri yayımlayın. Ayrıntılı örneklere bakın.
Sorgu oluşturucuları langchain_azure_ai.query_constructors Alma senaryoları için arka uca özgü sorgu filtreleri oluşturun.

Belirli özel incelemeler için Her özelliği ayrıntılı olarak öğrenme bölümüne bakın.

Proje uç noktaları ve kimlik bilgileriyle bağlanma

Birçok langchain-azure-ai sınıf, Foundry proje uç noktası üzerinden bağlanmayı destekler. Bir kez ayarlayın AZURE_AI_PROJECT_ENDPOINT , ardından desteklenen sınıflar arasında yeniden kullanabilirsiniz.

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

project_endpoint kullandığınızda, kimlik doğrulaması projede Microsoft Entra ID ve Azure RBAC kullanır.

API anahtarları gibi /openai/v1doğrudan hizmet uç noktalarına yöneliktir.

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

Örnek: DökümHane Modellerini Kullanma

Ortam değişkenleri yapılandırıldıktan sonra şu şekilde bir model kullanabilirsiniz:

import langchain.chat_models import init_chat_model

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

ayrıca istemcileri özel olarak yapılandırabilirsiniz. Örnek olarak, temsili bir desen olarak görelim AzureAIOpenAIApiChatModel :

import os

from azure.identity import 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.
model_from_endpoint = AzureAIOpenAIApiChatModel(
  endpoint=os.environ["OPENAI_BASE_URL"],
  credential=DefaultAzureCredential(),
  model="gpt-5.2",
)

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

Bu kod parçacığının yaptığı iş: Aynı modelin Bir Döküm projesi uç noktasından veya doğrudan hizmet uç noktasından başlatıldığını gösterir ve kimlik bilgilerinin nasıl değiştirıldığını gösterir.

Araçlara aynı deseni uygulayabilirsiniz. Örneğin, AzureAIDocumentIntelligenceTool proje uç noktasını ve DefaultAzureCredential ek bir yapılandırmaya gerek kalmadan AZURE_AI_PROJECT_ENDPOINT ayarlandığında kullanabilir.

from langchain_azure_ai.tools import AzureAIDocumentIntelligenceTool

document_tool = AzureAIDocumentIntelligenceTool()

Nasıl DefaultAzureCredential çalışır?

DefaultAzureCredential birkaç Microsoft Entra ID kimlik bilgisi kaynağını sırayla dener ve çalışan ilk kimlik bilgilerini kullanır. Yaygın kaynaklar ortam değişkenleri, yönetilen kimlik, geliştirici araçları ve Azure CLI.

Yerel geliştirme ve dağıtılan iş yükleri için varsayılan olarak kullanın DefaultAzureCredential . Daha katı bir denetime ihtiyacınız varsa, bunu yalnızca yerel geliştirme için AzureCliCredential veya Azure'daki üretim iş yükleri için ManagedIdentityCredential gibi belirli bir kimlik bilgileriyle değiştirin.

Aynı proje uç nokta deseni diğer sınıflar tarafından da kullanılır.

Her özelliği ayrıntılı olarak öğrenin

Bu belge kümesindeki şu kılavuzlarla başlayın:

Modül düzeyi ayrıntıları ve güncelleştirmeleri için şu paket kaynaklarını kullanın:

Sonraki adım

LangChain ile DökümHane Modellerini Kullanma

  • Last updated on