Saltar al contenido principal

Documentation Index

Fetch the complete documentation index at: https://docs.tokenlab.sh/llms.txt

Use this file to discover all available pages before exploring further.

​
Descripción general

TokenLab funciona bien con las integraciones ChatOpenAI y OpenAIEmbeddings de LangChain cuando te mantienes dentro de la superficie estándar de chat y embeddings compatible con OpenAI.
La documentación actual de LangChain señala que ChatOpenAI está orientado a las formas oficiales de solicitud/respuesta compatibles con OpenAI. Si necesitas campos de respuesta no estándar y específicos del proveedor, usa una integración específica del proveedor en LangChain en lugar de depender de ChatOpenAI.
Esta página cubre deliberadamente solo la superficie estándar compatible con OpenAI de LangChain, y no las funciones nativas del proveedor de LangChain fuera de ese ámbito.

​
Instalación

pip install langchain langchain-openai langchain-community faiss-cpu

​
Configuración básica

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-5.4",
    api_key="sk-your-tokenlab-key",
    base_url="https://api.tokenlab.sh/v1",
)

response = llm.invoke("Explain TokenLab in one sentence.")
print(response.content)

​
Uso de diferentes modelos

from langchain_openai import ChatOpenAI

gpt = ChatOpenAI(
    model="gpt-5.4",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

claude = ChatOpenAI(
    model="claude-sonnet-4-6",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

gemini = ChatOpenAI(
    model="gemini-2.5-flash",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

deepseek = ChatOpenAI(
    model="deepseek-r1",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

​
Historial de mensajes

from langchain_core.messages import HumanMessage, SystemMessage

messages = [
    SystemMessage(content="You are a helpful assistant."),
    HumanMessage(content="What is the capital of France?")
]

response = llm.invoke(messages)
print(response.content)

​
Streaming

for chunk in llm.stream("Write a short poem about coding."):
    if chunk.content:
        print(chunk.content, end="", flush=True)

​
Embeddings

from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-small",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

vector = embeddings.embed_query("Hello world")
print(vector[:5])

​
Ejemplo simple de RAG

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-small",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

texts = [
    "TokenLab provides one API for many AI models.",
    "TokenLab supports OpenAI-compatible integrations."
]

vectorstore = FAISS.from_texts(texts, embeddings)
retriever = vectorstore.as_retriever()

prompt = ChatPromptTemplate.from_template(
    "Answer using the context below.\\n\\nContext:\\n{context}\\n\\nQuestion:\\n{question}"
)

rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
)

response = rag_chain.invoke("What does TokenLab provide?")
print(response.content)

​
Agents

Para nuevos proyectos agénticos, LangChain recomienda considerar LangGraph para un control más explícito sobre flujos de trabajo de larga duración y que usan herramientas.
from langchain.agents import create_openai_tools_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool

@tool
def search(query: str) -> str:
    """Search for information."""
    return f"Search results for: {query}"

tools = [search]

prompt = ChatPromptTemplate.from_messages([
    ("system", "You are a helpful assistant with access to tools."),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")
])

agent = create_openai_tools_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

result = executor.invoke({"input": "Search for TokenLab pricing"})
print(result["output"])

​
Mejores prácticas

La configuración más confiable de TokenLab es pasar base_url="https://api.tokenlab.sh/v1" directamente a ChatOpenAI y OpenAIEmbeddings en lugar de depender de alias antiguos de variables de entorno.
Limítate al chat estándar, llamadas a herramientas, streaming y embeddings en ChatOpenAI. Si necesitas extras nativos del proveedor, cambia a la integración propia del proveedor en LangChain.
Usa modelos de embeddings como text-embedding-3-small para recuperación y reserva modelos de chat más potentes para el paso final de respuesta.