> ## 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.

# LangChain

> Intégrez TokenLab à LangChain à l’aide du chat et des embeddings standard compatibles OpenAI

## Vue d’ensemble

TokenLab fonctionne bien avec les intégrations `ChatOpenAI` et `OpenAIEmbeddings` de LangChain lorsque vous restez sur la surface standard de chat et d’embeddings compatible OpenAI.

<Note>
  La documentation actuelle de LangChain indique que `ChatOpenAI` cible les formats standard de requête/réponse compatibles avec OpenAI. Si vous avez besoin de champs de réponse spécifiques à un fournisseur et non standard, utilisez plutôt une intégration LangChain spécifique à ce fournisseur au lieu de vous appuyer sur `ChatOpenAI`.
</Note>

<Note>
  **Type**: Framework ou plateforme

  **Chemin principal**: surface standard compatible avec OpenAI

  **Niveau de support**: Surface standard prise en charge
</Note>

Cette page couvre volontairement uniquement la surface standard compatible OpenAI de LangChain, et non les fonctionnalités LangChain propres à un fournisseur au-delà de cette surface.

## Installation

```bash theme={null}
pip install langchain langchain-openai langchain-community faiss-cpu
```

## Configuration de base

```python theme={null}
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)
```

## Utilisation de différents modèles

```python theme={null}
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-3.5-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",
)
```

## Historique des messages

```python theme={null}
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)
```

## Diffusion en continu

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

## Embeddings

```python theme={null}
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])
```

## Exemple simple de RAG

```python theme={null}
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 prend en charge les intégrations compatibles OpenAI."
]

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

<Note>
  Pour les nouveaux projets agentiques, LangChain recommande d’envisager LangGraph afin d’obtenir un contrôle plus explicite sur les flux de travail de longue durée et utilisant des outils.
</Note>

```python theme={null}
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"])
```

## Bonnes pratiques

<AccordionGroup>
  <Accordion title="Transmettre `base_url` explicitement">
    La configuration TokenLab la plus fiable consiste à transmettre `base_url="https://api.tokenlab.sh/v1"` directement à `ChatOpenAI` et `OpenAIEmbeddings` au lieu de dépendre d’anciens alias de variables d’environnement.
  </Accordion>

  <Accordion title="Utiliser ici les fonctionnalités standard">
    Tenez-vous-en au chat standard, à l’appel d’outils, au streaming et aux embeddings sur `ChatOpenAI`. Si vous avez besoin d’extensions natives propres à un fournisseur, passez à l’intégration LangChain du fournisseur concerné.
  </Accordion>

  <Accordion title="Utiliser des modèles moins coûteux pour la récupération">
    Utilisez des modèles d’embedding comme `text-embedding-3-small` pour la récupération et réservez des modèles de chat plus puissants pour l’étape de réponse finale.
  </Accordion>
</AccordionGroup>