LangChain接入azureopenai步调（2025年初）

背景：

  为了快速且规范的实现ai应用，可使用LangChain框架，便于后期维护。虽然deepseek异军突起，在终端用户占据率很高，但是过细查阅相干api接口，尤其是自有知识库必要使用的文本向量化模型方面，openai仍无法被替代。目前国内仍无法付费使用openai接口，必要迂回使用azure版的openai相干模型。

  目前，ai类应用处于快速迭代期，许多一年前的教程已经过期，因此记录下2025年最新的ai应用使用方法。
  
一、开通azureopenai必要注册azure.microsoft.com微软云服务，并绑定visa功能的信用卡。

openai.com不支持国内信用卡：

在azure的主页左上角下拉菜单，找到“成本管理 + 计费”：

在“成本管理 + 计费”窗口左侧导航栏，打开“计费-》付款方式”：

添加visa卡即可。
二、进入Azure AI Foundry，创建ai容器

访问新版的ai地址：Azure AI Foundry

https://ai.azure.com/
 

然后通过顶部“+创建项目”按键一键完成openai容器创建。
注意：我也试过旧版的创建容器方式，也许是访问地址没有搞对，使用api访问总是报404错误。
用新版创建容器后，点击项目名称，直接进入项目。

点击操场即可测试当前容器是否运行正常：

 在旧版的azure openai容器没有找到类似功能。也许有，但是新版更好找。保举小白初学者用新版
Azure AI Foundry

https://ai.azure.com/
三、测试python接入azure openai

点击谈天操场的“查看代码”功能

 可以看到完整的python运行代码：

 粘贴到https://colab.research.google.com/或者jupyter notebook中稍加改动（加入api key和endpoint）即可运行：

 api key在 Azure AI Foundry / 224199843-5323 / 概述 页可以找到

endpoint在示例代码上方的文本框中能找到：

 注意：在使用langchain_openai框架时，endpoint不填全，api接口无法访问，会报404错误。好比只填域名部门：

1. https://ai-2241998435710ai347721904316.openai.azure.com/

复制代码

https://ai-2241998435710ai347721904316.openai.azure.com/
 

被这个问题困惑了一天，最后填写了精确的url地址才解决。

1. !pip install -U langchain_openai
2. from langchain_openai import AzureChatOpenAI
3. from google.colab import userdata
5. chat = AzureChatOpenAI(
6.     azure_endpoint="https://ai-2241998435710ai347721904316.openai.azure.com/openai/deployments/gpt-4o-mini/chat/completions?api-version=2025-01-01-preview",
7.     # azure_endpoint="https://ai-2241998435710ai347721904316.openai.azure.com/", 错误url
8.     azure_deployment="ai-2241998435710ai347721904316",
9.     api_key=userdata.get('AZURE_OPENAI_API_KEY'),
10.     api_version="2025-01-01-preview",
11.     temperature=0,
12.     max_tokens=None,
13.     timeout=None,
14.     max_retries=2,
15.     # organization="...",
16.     # model="gpt-35-turbo",
17.     # model_version="0125",
18.     # other params...
19. )
21. messages = [
22.     (
23.         "system",
24.         "You are a helpful translator. Translate the user sentence to French.",
25.     ),
26.     ("human", "I love programming."),
27. ]
28. chat.invoke(messages)

复制代码

四、学会使用langchain的 提示词模板（ChatPromptTemplate）和 输出解析器（JsonOutputParser）

虽然吴恩达的课程已经过期，但是可以结合deepseek的提示和最新的langchain api文档来学习，我觉得吴恩达的授课思绪非常清晰，很适合看了一堆视频，越看越没有头绪的初学者。
(超爽中英!) 2024公认最好的【吴恩达LangChain+RAG】教程！更适合中国宝宝体质，全程干货无废话，学完成为AGI大佬！（附课件+代码）_哔哩哔哩_bilibili(超爽中英!) 2024公认最好的【吴恩达LangChain+RAG】教程！更适合中国宝宝体质，全程干货无废话，学完成为AGI大佬！（附课件+代码）共计29条视频，包括：基于LangChain的大语言模型应用开发1——介绍、基于LangChain的大语言模型应用开发2——模型，提示和输出解析、基于LangChain的大语言模型应用开发3——记忆等，UP主更多出色视频，请关注UP账号。

https://www.bilibili.com/video/BV1TJ4zemETf/

1. from langchain_openai import AzureChatOpenAI
2. from google.colab import userdata
4. chat = AzureChatOpenAI(
5.     azure_endpoint="https://ai-2241998435710ai347721904316.openai.azure.com/openai/deployments/gpt-4o-mini/chat/completions?api-version=2025-01-01-preview",
6.     # azure_endpoint="https://ai-2241998435710ai347721904316.openai.azure.com/",
7.     azure_deployment="ai-2241998435710ai347721904316",
8.     api_key=userdata.get('AZURE_OPENAI_API_KEY'),
9.     api_version="2025-01-01-preview",
10.     temperature=0,
11.     max_tokens=None,
12.     timeout=None,
13.     max_retries=2,
14.     # organization="...",
15.     # model="gpt-35-turbo",
16.     # model_version="0125",
17.     # other params...
18. )
20. from langchain_core.prompts import ChatPromptTemplate
21. from langchain_core.output_parsers import JsonOutputParser
22. # from langchain_core.pydantic_v1 import BaseModel, Field, HttpUrl  
23. # langchain_core.pydantic_v1 已淘汰，langchain可以直接导入pydantic 2的对象
24. from pydantic import BaseModel, Field, HttpUrl
25. from typing import List, Optional, Union
26. from datetime import date
28. # 1.1 创建含有动态字段的简历结构
31. # 动态字段的基类
32. class DynamicSection(BaseModel):
33.     section_name: str = Field(description="模块名称")
34.     content: Union[str, List[str], dict] = Field(description="模块内容")
37. # 教育经历、工作经历、技能、项目经验
38. class Education(BaseModel):
39.     """教育背景条目（所有字段可选）"""
40.     sections: List[DynamicSection] = Field(default_factory=list, description="动态项或动态列表")
42. class WorkExperience(BaseModel):
43.     """工作经历条目（所有字段可选）"""
44.     sections: List[DynamicSection] = Field(default_factory=list, description="动态项或动态列表")
46. class Skill(BaseModel):
47.     """技能条目（所有字段可选）"""
48.     sections: List[DynamicSection] = Field(default_factory=list, description="动态项或动态列表")
50. class ProjectExperience(BaseModel):
51.     sections: List[DynamicSection] = Field(default_factory=list, description="动态项或动态列表")
53. class Resume_dynamic(BaseModel):
54.     """简历数据模型（所有字段可选）"""
55.     # 基础信息
56.     seq_num: Optional[int] = Field(None, description="序号", gt=0)
57.     file_name: Optional[str] = Field(None, description="文件名", max_length=255)  # 允许字母数字/下划线/点/横线 regex=r"^[\w\-\.]+$"
58.     is_resume: Optional[bool] = Field(None, description="该文件是否是简历")
60.     # 个人信息
61.     name: Optional[str] = Field(None, description="姓名", min_length=2, max_length=50)
62.     gender: Optional[str] = Field(None, description="性别", examples=["男", "女", "其他"])
63.     birthday: Optional[date] = Field(None, description="生日")
64.     ethnicity: Optional[str] = Field(None, description="民族")
65.     political_affiliation: Optional[str] = Field(None, description="政治面貌")
66.     marital_status: Optional[str] = Field(None, description="婚姻状况")
67.     native_place: Optional[str] = Field(None, description="籍贯或户口所在地")
68.     address: Optional[str] = Field(None, description="现住址")
69.     id_number: Optional[str] = Field(None, description="身份证号码", pattern=r"^\d{17}[\dXx]$")
70.     phone: Optional[str] = Field(None, description="手机号", pattern=r"^1[3-9]\d{9}$")
71.     email: Optional[str] = Field(None, description="邮箱", pattern=r"^[\w\.-]+@[\w\.-]+\.\w{2,4}$")
73.     # 教育信息
74.     highest_degree: Optional[str] = Field(None, description="最高学历", examples=["高中", "专科", "本科", "硕士", "博士"])
75.     major: Optional[str] = Field(None, description="最高学历专业", max_length=50)
77.     # 求职信息
78.     job_target: Optional[str] = Field(None, description="求职意向职业", max_length=100)
80.     # 结构化信息
81.     education_background: Optional[List[Education]] = Field(None, description="教育背景")
82.     work_experience: Optional[List[WorkExperience]] = Field(None, description="工作经历")
83.     skills: Optional[List[Skill]] = Field(None, description="特殊技能或资格证书")
84.     project_experience: Optional[List[ProjectExperience]] = Field(None, description="项目经历")
86. # 2.1 创建简历结构json解析器
87. resume_output_parser = JsonOutputParser(pydantic_object=Resume_dynamic)
89. # 3. 创建简历解析提示模板
90. prompt = ChatPromptTemplate.from_template(
91.     "解析以下简历：{question}\n"
92.     "请按照指定格式返回：\n"
93.     "{format_instructions}"
94. )
96. # 4. 组合成链
97. chain = prompt | chat | resume_output_parser
99. resume_text = '''
100. 应聘人员信息表
101. 姓名 ...
102. 电话 ...
103. ... ...
105. '''
107. # 5. 调用
108. result = chain.invoke({
109.     "question": resume_text,
110.     "format_instructions": resume_output_parser.get_format_instructions()
111. })

复制代码

result输出效果：

1. {'seq_num': None,
2. 'file_name': None,
3. 'is_resume': None,
4. 'name': '',
5. 'gender': '男',
6. 'birthday': '1900-00-00',
7. 'ethnicity': '汉',
8. 'political_affiliation': '群众',
9. 'marital_status': '未婚',
10. 'native_place': '吉林省长春市',
11. 'address': '高新技术开发区，保利罗兰香谷',
12. 'id_number': '221100000000000000',
13. 'phone': '15922334455',
14. 'email': None,
15. 'highest_degree': '硕士',
16. 'major': '建筑与土木工程',
17. 'job_target': '市政道路、排水设计',
18. 'education_background': [{'sections': [{'section_name': '教育经历',
19.      'content': {'起止年月': '2012.09-2015.07',
20.       '毕业院校及系名称': '吉林建筑大学',
21.       '专业': '建筑与土木工程',
22.       '学位': '硕士'}},
23.     {'section_name': '教育经历',
24.      'content': {'起止年月': '2008.09-2012.07',
25.       '毕业院校及系名称': '长春工程学院',
26. ...
27.     {'section_name': '项目经历',

复制代码

注意：langchain_core.pydantic_v1 已淘汰，langchain可以直接导入pydantic 2的对象


例子来自deepseek，在本例中class Resume_dynamic(BaseModel):对象即用于提示词中对生成格式的要求，又用于将ai生成效果解析为dict对象，一箭双雕。其余代码非常直观，链式编程也符合一般人的认知。如许编写的代码即简洁又高效。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。