Microsoft 集成

​

聊天模型

1. Azure OpenAI（推荐）— 通过统一接口访问部署在 Microsoft Foundry 中的任何模型（包括 OpenAI、Llama、DeepSeek、Mistral 和 Phi），并具备企业级功能，例如通过 Microsoft Entra ID 进行无密钥身份验证、区域数据驻留和专用网络。可在 v1 API 上使用 ChatOpenAI，或使用 AzureChatOpenAI 进行传统部署。 Azure OpenAI 还支持 Responses API，可让你直接从聊天模型访问服务器端工具，例如代码解释器、图像生成和文件搜索。
2. Azure AI — 推荐在使用聊天模型的同时，访问更广泛 Azure 生态系统中的工具、存储和自定义中间件。
3. Azure ML — 允许使用 Azure Machine Learning 部署和管理自定义或微调的开源模型。

​

Azure OpenAI

pip install -U langchain-openai

pip install azure-identity

from azure.identity import DefaultAzureCredential, get_bearer_token_provider
from langchain_openai import ChatOpenAI

token_provider = get_bearer_token_provider(
    DefaultAzureCredential(),
    "https://cognitiveservices.azure.com/.default",
)

llm = ChatOpenAI(
    model="gpt-5.4-mini",  # 你的 Azure 部署名称
    base_url="https://YOUR-RESOURCE-NAME.openai.azure.com/openai/v1/",
    api_key=token_provider,  # 处理令牌刷新的可调用对象
)

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-5.4-mini",  # 你的 Azure 部署名称
    base_url="https://YOUR-RESOURCE-NAME.openai.azure.com/openai/v1/",
    api_key="your-azure-api-key",
)

from langchain_openai import AzureChatOpenAI

​

Responses API

from azure.identity import DefaultAzureCredential, get_bearer_token_provider
from langchain_openai import ChatOpenAI

token_provider = get_bearer_token_provider(
    DefaultAzureCredential(),
    "https://cognitiveservices.azure.com/.default",
)

llm = ChatOpenAI(
    model="gpt-5.4-mini",
    base_url="https://YOUR-RESOURCE-NAME.openai.azure.com/openai/v1/",
    api_key=token_provider,
    use_responses_api=True,
)

response = llm.invoke("总结一下苦涩的教训。")
print(response.text)

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-5.4-mini",
    base_url="https://YOUR-RESOURCE-NAME.openai.azure.com/openai/v1/",
    api_key="your-azure-api-key",
    use_responses_api=True,
)

response = llm.invoke("总结一下苦涩的教训。")
print(response.text)

​

Azure AI

Azure AI Foundry 是更广泛的 Azure AI 平台。langchain-azure-ai 包可让你将 Azure 原生工具、存储和自定义中间件引入 LangChain 应用，并通过 AzureAIOpenAIApiChatModel 类公开部署在 Foundry 中的聊天模型。

pip install -U langchain-azure-ai

​

LLM

1. Azure OpenAI（推荐）— 使用 AzureOpenAI 将部署在 Microsoft Foundry 中的任何模型（包括 OpenAI、Llama、DeepSeek、Mistral 和 Phi）作为补全 LLM 访问。
2. Azure ML — 使用托管在 Azure Machine Learning 在线端点上的自定义或开源模型。

​

Azure OpenAI

pip install -U langchain-openai

from azure.identity import DefaultAzureCredential, get_bearer_token_provider
from langchain_openai import AzureOpenAI

token_provider = get_bearer_token_provider(
    DefaultAzureCredential(),
    "https://cognitiveservices.azure.com/.default",
)

llm = AzureOpenAI(
    azure_deployment="gpt-5.4-mini",  # 你的 Azure 部署名称
    api_version="2025-04-01-preview",
    azure_ad_token_provider=token_provider,
)

print(llm.invoke("写一首关于海洋的俳句。"))

from langchain_openai import AzureOpenAI

llm = AzureOpenAI(
    azure_deployment="gpt-5.4-mini",  # 你的 Azure 部署名称
    api_version="2025-04-01-preview",
    azure_endpoint="https://YOUR-RESOURCE-NAME.openai.azure.com/",
    api_key="your-azure-api-key",
)

print(llm.invoke("写一首关于海洋的俳句。"))

​

嵌入模型

1. Azure OpenAI（推荐）— 使用 AzureOpenAIEmbeddings 访问部署在 Microsoft Foundry 中的嵌入模型（包括 OpenAI text-embedding-3-small、text-embedding-3-large 和 Cohere）。
2. Azure AI — 推荐在使用嵌入模型的同时，访问更广泛 Azure 生态系统中的工具、存储和自定义中间件。

​

Azure OpenAI

pip install -U langchain-openai

from azure.identity import DefaultAzureCredential, get_bearer_token_provider
from langchain_openai import AzureOpenAIEmbeddings

token_provider = get_bearer_token_provider(
    DefaultAzureCredential(),
    "https://cognitiveservices.azure.com/.default",
)

embeddings = AzureOpenAIEmbeddings(
    azure_deployment="text-embedding-3-small",  # 你的 Azure 部署名称
    api_version="2025-04-01-preview",
    azure_ad_token_provider=token_provider,
)

vector = embeddings.embed_query("LangChain 让代理变得简单。")

from langchain_openai import AzureOpenAIEmbeddings

embeddings = AzureOpenAIEmbeddings(
    azure_deployment="text-embedding-3-small",  # 你的 Azure 部署名称
    api_version="2025-04-01-preview",
    azure_endpoint="https://YOUR-RESOURCE-NAME.openai.azure.com/",
    api_key="your-azure-api-key",
)

vector = embeddings.embed_query("LangChain 让代理变得简单。")

​

Azure AI

pip install -U langchain-azure-ai

​

中间件

​

Azure AI Content Safety 中间件

Azure AI Content Safety 提供可通过中间件应用到 LangChain 代理的防护机制。langchain-azure-ai 包目前导出了用于文本审核、图像审核、提示注入检测、受保护材料检测和扎根性评估的中间件。

pip install -U langchain-azure-ai

from langchain_azure_ai.agents.middleware import AzureContentModerationMiddleware

​

文档加载器

​

Azure Blob Storage

Azure Blob Storage 是 Microsoft 面向云的对象存储解决方案。Blob Storage 针对存储海量非结构化数据进行了优化。非结构化数据是指不遵循特定数据模型或定义的数据，例如文本或二进制数据。

• 直接向浏览器提供图像或文档。
• 存储用于分布式访问的文件。
• 流式传输视频和音频。
• 写入日志文件。
• 存储用于备份和还原、灾难恢复以及归档的数据。
• 存储供本地或 Azure 托管服务分析的数据。

pip install langchain-azure-storage

from langchain_azure_storage.document_loaders import AzureBlobStorageLoader

​

记忆

​

Azure cosmos DB 聊天消息历史

Azure Cosmos DB 为对话式 AI 应用提供聊天消息历史存储，使你能够以低延迟和高可用性持久化并检索对话历史。

pip install langchain-azure-cosmosdb

from langchain_azure_cosmosdb import CosmosDBChatMessageHistory

history = CosmosDBChatMessageHistory(
    cosmos_endpoint="https://<your-account>.documents.azure.com:443/",
    cosmos_database="<your-database>",
    cosmos_container="<your-container>",
    session_id="<session-id>",
    user_id="<user-id>",
    credential="<your-key-or-token-credential>",
    ttl=3600,  # 可选：消息在 1 小时后过期
)
history.prepare_cosmos()

history.add_user_message("你好！")
history.add_ai_message("你好！")

​

Azure cosmos DB 语义缓存

AzureCosmosDBNoSqlSemanticCache 使用向量相似度将 LLM 响应缓存在 Azure Cosmos DB for NoSQL 中，当再次遇到语义相似的提示时返回缓存结果。

pip install langchain-azure-cosmosdb

from azure.cosmos import CosmosClient, PartitionKey
from langchain_core.globals import set_llm_cache
from langchain_azure_cosmosdb import AzureCosmosDBNoSqlSemanticCache

cosmos_client = CosmosClient("<endpoint>", "<key>")

cache = AzureCosmosDBNoSqlSemanticCache(
    cosmos_client=cosmos_client,
    embedding=embedding,
    vector_embedding_policy=vector_embedding_policy,
    indexing_policy=indexing_policy,
    cosmos_container_properties={"partition_key": PartitionKey(path="/id")},
    cosmos_database_properties={"id": "cache-db"},
    vector_search_fields={"text_field": "text", "embedding_field": "embedding"},
    database_name="cache-db",
    container_name="cache-container",
)

set_llm_cache(cache)

​

向量存储

​

Azure cosmos DB

​

Azure cosmos DB for MongoDB (vCore)

Azure Cosmos DB for MongoDB vCore 让创建具有完整原生 MongoDB 支持的数据库变得简单。 你可以复用自己的 MongoDB 经验，并通过将应用指向 API for MongoDB vCore 帐户的连接字符串，继续使用喜欢的 MongoDB 驱动程序、SDK 和工具。 使用 Azure Cosmos DB for MongoDB vCore 中的向量搜索，可以将基于 AI 的应用与存储在 Azure Cosmos DB 中的数据无缝集成。

安装和设置

pip install langchain-azure-ai pymongo

在 Microsoft Azure 上部署 Azure cosmos DB

from langchain_azure_ai.vectorstores import AzureCosmosDBMongoVCoreVectorSearch

​

Azure cosmos DB NoSQL

Azure Cosmos DB for NoSQL 现在提供预览版向量索引和搜索。 此功能旨在处理高维向量，在任何规模下都能实现高效且准确的向量搜索。你现在可以将向量 直接与数据一起存储在文档中。这意味着数据库中的每个文档不仅可以包含传统的无架构数据， 还可以将高维向量作为文档的其他属性。这种数据与向量的共置允许高效索引和搜索， 因为向量存储在与其所表示数据相同的逻辑单元中。这简化了数据管理、AI 应用架构以及 基于向量的操作效率。

安装和设置

pip install langchain-azure-cosmosdb azure-cosmos

在 Microsoft Azure 上部署 Azure cosmos DB

from langchain_azure_cosmosdb import AzureCosmosDBNoSqlVectorSearch

​

Azure Database for PostgreSQL

Azure Database for PostgreSQL - Flexible Server 是基于开源 Postgres 数据库引擎的关系型数据库服务。它是一种完全托管的数据库即服务，能够以可预测的性能、安全性、高可用性和动态可扩展性处理关键任务工作负载。

​

Azure SQL Database

Azure SQL Database 是一项强大的服务，结合了可扩展性、安全性和高可用性，提供现代数据库解决方案的所有优势。它还提供专用的 Vector 数据类型和内置函数，简化了在关系型数据库中直接存储和查询向量嵌入的过程。这消除了对单独向量数据库及相关集成的需求，在降低整体复杂度的同时提升解决方案的安全性。

安装和设置

!pip install langchain-sqlserver==0.1.1

在 Microsoft Azure 上部署 Azure SQL DB

from langchain_sqlserver import SQLServer_VectorStore

​

向量存储

​

Azure Database for PostgreSQL

Azure Database for PostgreSQL - Flexible Server 是基于开源 Postgres 数据库引擎的关系型数据库服务。它是一种完全托管的数据库即服务，能够以可预测的性能、安全性、高可用性和动态可扩展性处理关键任务工作负载。

​

工具

​

Azure Container apps 动态会话

pip install langchain-azure-dynamic-sessions

from langchain_azure_dynamic_sessions import SessionsPythonREPLTool