LangChain --- 如何连接硅基流动(SiliconFlow)

最新推荐文章于 2025-10-30 16:20:16 发布
原创 最新推荐文章于 2025-10-30 16:20:16 发布 · 3.2k 阅读 · 57 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#langchain #python

最近刚刚着手学习LangChain，学习了部分原理，参考上一篇文章

LangChain 学习记录 (1)

在刚刚准备上手实践就遇到了问题。由于国内限制，在我的本地调用Google和OpenAI的API一直不通。于是想起了硅基流动平台上的诸多模型，但中途一直提示我的token无效，无奈只能参考其他人的博客，终于找到了对应的方法。

 一、硅基流动(SiliconFlow)

官网：硅基流动(SiliconFlow)

siliconflow 集合了顶尖大模型， 致力于为开发者提供更快、更全面、体验更丝滑的模型 API，助力开发者和企业聚焦产品创新，无须担心产品大规模推广所带来的高昂算力成本。

1、关于模型

注册并登录硅基流动后，会有部分赠送金额，可用于体验付费模型。

具体每个模型的计费可在模型广场内点击查看，如图所示

​

 2、创建API密钥

在左侧点击API密钥，点击新建API密钥

如图所示的密钥描述可随便自定义，该密钥权限拥有账户的完整权限，注意不要泄露。 ​

创建完成后，点击密钥即可复制；或者点击右侧的复制图标

​

二、使用LangChain进行连接

1、选择模型

可选择免费的模型进行代码调试，避免浪费调用次数。

打开模型筛选器，选择只看免费，随机挑选一个模型即可

最低0.47元/天 解锁文章
构建硅基流动embedding模型API兼容langchain接口的实战代码
herosunly的博客
09-24 2万+
本文详细介绍了构建硅基流动embedding模型API兼容langchain接口的实战代码，希望能对学习大模型的同学们有所帮助。 文章目录 1. 前言 2. 实战代码
langchain教程1：调用国内硅基流动免费API及基础使用
Cachel Wood的博客
07-14 737
本文介绍了LangChain的默认模型配置及硅基流动API的使用。LangChain没有统一的默认模型，OpenAI类默认使用text-davinci-003，ChatOpenAI类默认使用gpt-3.5-turbo。硅基流动提供免费API，可调用国内多个主流模型。文章展示了通过LangChain调用硅基流动API的代码示例，对比了llm和chat_model的不同输出风格，并提供了名称生成任务的自定义输出解析器实现。最后演示了如何使用PromptTemplate格式化输出和NameOutputParser
Langchain调用硅基流动siliconflow的api方法
qq_52681218的博客
02-21 3473
最近正在进行Langchain的学习，但是官方的doc里面只有openai等调用api的操作，对国内用户相对不友好。解决方法：调用硅基流动的api来替换国外的api，且更加economy。后续会更新对Langchain Demo的文章（希望自己学的够快）即可完成对应的模型调用。
从零开始学习LangChain1.0
最新发布
兴趣使然的创作者
10-30 2185
本文根据新文档[1]对 LangChain 进行学习和实践，当前采用的版本是1.0.2。
使用 LangChain 对接硅基流动（SiliconFlow）API：构建一个智能对话系统
Clang’s Blog
02-13 5040
硅基流动是一种基于大语言模型（如深度学习模型）提供自然语言处理能力的 API 服务。它支持多种类型的模型，可以通过 REST API 接口与其进行交互，进行自然语言生成、问答、文本处理等任务。LangChain 是一个用于创建与 LLM 相关应用的工具库，它提供了一些功能强大的模块，允许开发者更容易地将 LLM 集成到应用程序中。LangChain 支持任务链、记忆管理、外部 API 集成等特性，帮助开发者创建复杂的智能应用。
通过LangChain调用硅基流动DeepSeek API的教程
echola_mendes的博客
03-21 1343
本文基于Conda的AI开发环境搭建与DeepSeek大模型调用全流程。通过创建Python 3.10虚拟环境实现项目依赖隔离，借助清华镜像源解决国内开发者安装瓶颈，成功集成LangChain框架与OpenAI兼容接口
Langchain如何调用Siliconflow的模型
qq_47085173的博客
07-08 4877
上给出了详细的调用方式，我们可以方便的ctrl C 和 ctrl V。硅基流动之前宣布了部分模型免费，那我们就可以调用API来搞些事情。而Langchain支持自定义封装LLM（
使用LangChain自定义大模型 | 完美调用第三方 API | 如OneAPI/硅基流动
sinat_29950703的博客
10-31 6106
很多OneAPI类的平台，提供了免费的API-KEY。【方法1】通过`REST`接口进行服务调用，【方法2】通过 `OpenAI`接口调用。
我用硅基流动API玩转LangChain的奇妙之旅
qq_25218219的博客
03-26 1822
没有OpenAI的API Key还想玩LangChain？（代码仓库：[假装这里有个链接] | 下期预告：《LangChain + 国产大模型的更多骚操作》）无缝对接，就像在肯德基点到了麦当劳的薯条（虽然不太可能，但确实好用）。“任何一个足够先进的科技，初看都与魔法无异。” —— 阿瑟·克拉克。未来只要接入真实天气API，AI就能自动查询了！这就像拔掉了网速限制器，让API请求直连无阻！想让AI的回答像聊天软件一样逐字输出？它兼容OpenAI的协议，让我能用。—— 比某些翻译软件还准！，想翻什么语言都行！
reranker重排序模型（硅基流动）调用示例，langchain写reranker接口的思路
qq_64012735的博客
05-29 1967
属于不同类别，得分最低但未归零，可能因模型对语义泛化的容忍有有log和守护进程，监控啥的，要写一个接口的话。
【带你 langchain 双排系列教程】1. langchian 基本架构与环境配置（siliconFlow Deepseek接入）
u013257767的博客
02-18 1252
LangChain 是一个用于构建和部署大模型应用的框架，涵盖了从语言模型（LLM）到检索增强生成（RAG）、OpenAI 集成以及智能体（Agent）的全套工具链。以下是一个简要的 LangChain 大模型全套教程，帮助你快速上手。
深入浅出LangChain AI Agent智能体开发教程（二）—LangChain接入大模型
weixin_42782643的博客
07-17 989
本期分享我们讲解了LangChain接入大模型的基本架构，并列举了硅基流动和DeepSeek大模型接入的案例，最后给出了LangChain官方文档接入其它大模型的方法。下期分享将介绍LangChain核心概念—链！
SpringBoot接入DeepSeek（硅基流动版）+ 前端页面调试（SSE连接模式）
FBB360JAVA的博客
02-26 3322
作为一个Java程序员，了解前沿科技技术，也算是份内的事了。 DeepSeek 大模型，从开源到现在，一直在🔥。各个公司也基本都部署了自己的所谓满血版DeepSeek。虽然官方是免费使用的，但是它太忙了。因此，很多能直接使用的，不太忙的DeepSeek应运而生。我今天使用的就是“硅基流动版”DeepSeek！硅基流动
一键解锁 DeepSeek-R1 免费使用权限，硅基流动注册 + API 密钥领取超详细教程
weixin_50019283的博客
02-17 1万+
成功注册登录后，进入模型广场，选择“DeepSeek - R1”模型，点击“在线体验”，就能开启与模型的对话。在Chatbox中，不仅能自助查看剩余token，还支持自定义Token显示、自动标题等个性化设置，并且手机端和电脑端都能使用，方便随时随地与模型交流。：打开浏览器，输入网址 https://cloud.siliconflow.cn/i/CaXCS6ET ，进入硅基流动官方网站。：不同模型的计费标准各有不同，在调用模型前，务必查看相关说明，做到心中有数。
【DeepSeek-R1】 API申请（硅基流动）
weixin_43195420的博客
02-16 8821
硅基流动DeepSeek-R1 API申请保姆级教程
万字长文！手把手带你上手基于LangChain及Qwen大模型的开发与应用
python1222_的博客
02-18 1298
下面我们将延续着LangChain的课程，来为大家讲述一下这门在DeepLearning.AI上的经典课程——
WEB项目接入Deepseek（硅基流动）
weixin_44646763的博客
02-19 1057
在WEB项目中接入Deepseek（硅基流动）
使用硅基流动(siliconflow)+chatbox使用DeepSeek-R1
热门推荐
g1773838986的博客
02-04 2万+
本文介绍了通过Chatbox快速接入DeepSeek模型的方法：首先下载安装Chatbox客户端，随后在硅基流动平台（可使用邀请码y6FLrkTB）完成手机号注册并生成API密钥，接着在平台文档中复制目标模型的API域名，最后在Chatbox设置中添加自定义接口，填入密钥和域名即可调用DeepSeek模型，全程聚焦核心配置步骤，实现快速部署。
langchain 硅基流动
06-14
### LangChain与硅基流动技术实现及教程 #### 1. 环境配置 在使用LangChain调用硅基流动DeepSeek API时，首先需要确保环境正确配置。通过创建虚拟环境并激活，可以避免依赖冲突问题。例如，在终端中执行以下命令以激活虚拟环境： ```bash conda activate langchain-learn ``` 这一步完成后，终端提示符会变为 `(langchain-learn)`[^1]。 #### 2. API密钥设置 为了能够成功调用硅基流动API，需要正确配置环境变量。以下是设置API密钥和基础URL的代码示例： ```python import os os.environ["OPENAI_API_KEY"] = "sk-你的硅基流动Key" os.environ["OPENAI_API_BASE"] = "https://api.siliconflow.cn/v1" ``` 此步骤确保了LangChain能够正确连接到硅基流动的服务[^2]。 #### 3. 调用大模型生成内容 通过LangChain结合硅基流动API，可以轻松实现文本生成、图片生成等任务。例如，以下代码展示了如何生成一张未来城市的高清图片： ```python from langchain.llms import DeepSeek from PIL import Image import requests from io import BytesIO # 初始化DeepSeek模型 llm = DeepSeek(model_name="kwai-kolors") # 图片生成提示词 prompt = "a sprawling futuristic city at night, neon lights glowing, towering skyscrapers, flying cars in the sky, cyberpunk style, vibrant colors, highly detailed, ultra realistic" # 调用模型生成图片 response = llm.generate_image(prompt) # 加载生成的图片 image = Image.open(BytesIO(requests.get(response['url']).content)) image.show() ``` 上述代码片段利用了硅基流动提供的Kwai-Kolors大模型，实现了根据描述性文本生成高质量图片的功能[^3]。 #### 4. Reranker重排序模型调用 在某些场景下，可能需要对检索结果进行重排序以提高相关性。硅基流动提供了reranker接口，LangChain可以通过以下方式实现调用： ```python from langchain.prompts import PromptTemplate from langchain.chains import LLMChain from langchain.llms import DeepSeek # 定义重排序提示模板 template = """Given the following retrieved documents, rank them based on relevance to the query: {query}. Documents: {docs}""" prompt = PromptTemplate(template=template, input_variables=["query", "docs"]) # 初始化LLM链 llm = DeepSeek(model_name="reranker") chain = LLMChain(llm=llm, prompt=prompt) # 示例输入 query = "how to use langchain with silicon flow" docs = ["doc1: introduction to langchain", "doc2: integrating langchain with deepseek"] # 执行重排序 result = chain.run({"query": query, "docs": docs}) print(result) ``` 该代码片段展示了如何通过LangChain构建一个基于硅基流动reranker模型的重排序系统[^4]。 #### 5. 常见问题处理 在实际开发过程中，可能会遇到HTTP状态码为422的情况，这通常意味着请求的内容格式正确但语义有误。解决方法包括检查输入参数是否符合API要求以及确认模型名称是否正确[^4]。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值