HiveGPT AI 学习
登录

LangChain 接入 HiveGPT ​

只改创建模型的那一行： Python 里用 ChatOpenAI(model="gpt-5.5", base_url="https://hivegpt.cn/v1", api_key=...)；LangChain.js 里用 new ChatOpenAI({ model: 'gpt-5.5', apiKey, configuration: { baseURL: 'https://hivegpt.cn/v1' } })。链、Agent、RAG 等其他代码都不用动。

python
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-5.5", base_url="https://hivegpt.cn/v1", api_key="sk-你的Key")
print(llm.invoke("用一句话介绍你自己").content)

更新于 2026-10，基于 langchain-openai 1.x（Python）和 @langchain/openai 1.x（JS）。模型名以你的 Key 能用的为准，见 查看可用模型。

准备（Python） ​

bash
pip install -U langchain-openai

Key 放进环境变量，不要写死在代码里：

bash
export HIVEGPT_API_KEY="sk-你的Key"
powershell
$env:HIVEGPT_API_KEY="sk-你的Key"

还没有 Key：到 API 密钥 页创建一个，分组选 GPT 类分组。

只改环境变量

ChatOpenAI 会读取 OPENAI_API_KEY 和 OPENAI_BASE_URL（旧写法 OPENAI_API_BASE 也认）。现成的 LangChain 项目，把这两个变量设成 HiveGPT 的 Key 和 https://hivegpt.cn/v1，不改代码就能切过来。

基本调用和流式输出 ​

python
import os
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-5.5",
    base_url="https://hivegpt.cn/v1",
    api_key=os.environ["HIVEGPT_API_KEY"],
    max_retries=3,  # 429 / 5xx 自动重试
    timeout=120,
)

# 一次性返回
resp = llm.invoke([
    ("system", "你是一位耐心的编程老师，回答简洁。"),
    ("human", "什么是装饰器？"),
])
print(resp.content)
print("本次用量：", resp.usage_metadata)

# 流式输出
for chunk in llm.stream("写一首关于秋天的四行小诗"):
    print(chunk.content, end="", flush=True)
print()

提示词模板和链 ​

python
import os
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-5.5", base_url="https://hivegpt.cn/v1", api_key=os.environ["HIVEGPT_API_KEY"])

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是{role}，用不超过 100 字回答。"),
    ("human", "{question}"),
])
chain = prompt | llm | StrOutputParser()

print(chain.invoke({"role": "资深产品经理", "question": "怎么判断一个需求值不值得做？"}))

# 批量执行，max_concurrency 控制同时进行的请求数
answers = chain.batch(
    [{"role": "厨师", "question": "怎么煮出不粘的米饭？"}, {"role": "健身教练", "question": "每周练几次合适？"}],
    config={"max_concurrency": 3},
)
for a in answers:
    print("-", a)

结构化输出 ​

with_structured_output 让模型按 Pydantic 模型输出，直接拿到对象：

python
import os
from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field

llm = ChatOpenAI(model="gpt-5.5", base_url="https://hivegpt.cn/v1", api_key=os.environ["HIVEGPT_API_KEY"])


class Review(BaseModel):
    sentiment: str = Field(description="正面 / 负面 / 中性")
    score: int = Field(description="1 到 5 分")
    keywords: list[str] = Field(description="评价里提到的要点")


structured = llm.with_structured_output(Review)
review = structured.invoke("快递很快，包装也好，就是耳机音质一般，低音有点闷。")
print(review.sentiment, review.score, review.keywords)

工具调用 ​

用 @tool 把函数变成工具，bind_tools 交给模型，模型决定调用后由你执行，再把结果发回去：

python
import os
from langchain_core.messages import HumanMessage
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-5.5", base_url="https://hivegpt.cn/v1", api_key=os.environ["HIVEGPT_API_KEY"])


@tool
def get_weather(city: str) -> str:
    """查询某个城市当前的天气。"""
    return f"{city}：晴，23°C"  # 换成真实的天气接口


llm_with_tools = llm.bind_tools([get_weather])
messages = [HumanMessage("北京今天天气怎么样？适合跑步吗？")]

ai = llm_with_tools.invoke(messages)
messages.append(ai)
for call in ai.tool_calls:
    messages.append(get_weather.invoke(call))  # 返回 ToolMessage
final = llm_with_tools.invoke(messages)
print(final.content)

要让模型自己多步调用工具、直到完成任务，用 LangChain 的 Agent（langchain 包的 create_agent）或 LangGraph，模型同样传上面这个 llm。原理见 Agent 循环。

嵌入（Embeddings） ​

做 RAG 知识库要用嵌入模型。先用 /v1/models 确认你的分组里有嵌入模型（名字里带 embedding），没有的话嵌入部分用其他服务商。

python
import os
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-small",  # 换成你的分组里的嵌入模型
    base_url="https://hivegpt.cn/v1",
    api_key=os.environ["HIVEGPT_API_KEY"],
    check_embedding_ctx_length=False,  # 直接发送原文，见下方说明
)
vectors = embeddings.embed_documents(["退货政策是 7 天无理由", "发货时间是下单后 48 小时内"])
query = embeddings.embed_query("多久发货？")
print(len(vectors), "条文档，向量维度", len(query))

为什么要 check_embedding_ctx_length=False

默认情况下，OpenAIEmbeddings 会先在本地用 tiktoken 把文字切成 token 编号再发送（第一次运行还要从国外下载编码文件，国内网络常常卡住）。加上这个参数后直接发送原文，兼容性更好；每段文字的长度请自己控制在模型上限以内。

LangChain.js ​

bash
npm install @langchain/openai @langchain/core
js
import { ChatOpenAI } from '@langchain/openai'

const llm = new ChatOpenAI({
  model: 'gpt-5.5',
  apiKey: process.env.HIVEGPT_API_KEY,
  configuration: { baseURL: 'https://hivegpt.cn/v1' },
  maxRetries: 3,
})

const resp = await llm.invoke('用一句话解释什么是向量数据库')
console.log(resp.content)

for await (const chunk of await llm.stream('写一首关于秋天的四行小诗')) {
  process.stdout.write(chunk.content)
}
console.log()

JS 里的 baseURL 要放在 configuration 里，直接写成 new ChatOpenAI({ baseURL }) 是不生效的。结构化输出用 llm.withStructuredOutput(zodSchema)，工具调用用 llm.bindTools([...])，用法和 Python 一致。

常见问题 ​

现象原因处理
401，提示 Key 无效api_key 没传进去，用了别的 OPENAI_API_KEY显式传 api_key，或检查环境变量，见 401 报错
请求跑到了 api.openai.com，连不上或报 Key 不对base_url 没生效（JS 里没放进 configuration）按上面的写法改
404，提示「接口地址少了 /v1」或「多了一个 /v1」base_url 写错写成 https://hivegpt.cn/v1，见 Base URL 要不要加 /v1
404，提示分组「不支持模型」模型名不在你的分组里见 模型不存在
OpenAIEmbeddings 卡住不动或报 tiktoken 下载失败在下载 tiktoken 编码文件加 check_embedding_ctx_length=False
400：Unsupported parameter: 'temperature'推理类模型只接受默认值创建 ChatOpenAI 时不传 temperature
429并发太高，如 batch 一次跑太多设 max_concurrency，见 429 报错

下一步 ​

代码示例在页面里运行时使用 HiveGPT 的模型接口。延伸阅读来自 JavaGuide（Apache-2.0），版权归原作者。

© HiveGPT