> ## 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

> Integrasikan TokenLab dengan LangChain menggunakan chat dan embeddings standar yang kompatibel dengan OpenAI

## Gambaran Umum

TokenLab bekerja dengan baik dengan integrasi `ChatOpenAI` dan `OpenAIEmbeddings` milik LangChain ketika Anda tetap menggunakan surface chat dan embeddings standar yang kompatibel dengan OpenAI.

<Note>
  Dokumentasi LangChain saat ini mencatat bahwa `ChatOpenAI` menargetkan bentuk request/response resmi yang kompatibel dengan OpenAI. Jika Anda memerlukan field respons non-standar yang spesifik penyedia, gunakan integrasi LangChain yang spesifik penyedia alih-alih mengandalkan `ChatOpenAI`.
</Note>

Halaman ini sengaja hanya mencakup surface LangChain standar yang kompatibel dengan OpenAI, bukan fitur LangChain khusus penyedia di luar cakupan tersebut.

<Note>
  **Jenis**: Framework atau platform

  **Jalur utama**: Permukaan standar kompatibel OpenAI

  **Tingkat dukungan**: Permukaan standar yang didukung
</Note>

## Instalasi

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

## Konfigurasi Dasar

```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)
```

## Menggunakan Model yang Berbeda

```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",
)
```

## Riwayat Pesan

```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)
```

## Streaming

```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])
```

## Contoh RAG Sederhana

```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 mendukung integrasi yang kompatibel dengan 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>
  Untuk proyek agentic baru, LangChain merekomendasikan untuk mempertimbangkan LangGraph demi kontrol yang lebih eksplisit atas workflow yang berjalan lama dan menggunakan tools.
</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"])
```

## Praktik Terbaik

<AccordionGroup>
  <Accordion title="Teruskan base_url secara eksplisit">
    Setup TokenLab yang paling andal adalah meneruskan `base_url="https://api.tokenlab.sh/v1"` secara langsung ke `ChatOpenAI` dan `OpenAIEmbeddings` alih-alih bergantung pada alias environment variable yang lebih lama.
  </Accordion>

  <Accordion title="Gunakan fitur standar di sini">
    Tetap gunakan chat standar, pemanggilan tool, streaming, dan embeddings pada `ChatOpenAI`. Jika Anda memerlukan tambahan native dari vendor, beralihlah ke integrasi LangChain milik vendor tersebut.
  </Accordion>

  <Accordion title="Gunakan model yang lebih murah untuk retrieval">
    Gunakan model embedding seperti `text-embedding-3-small` untuk retrieval dan simpan model chat yang lebih kuat untuk langkah jawaban akhir.
  </Accordion>
</AccordionGroup>