Microsoft 集成

​

聊天模型

1. Azure OpenAI（推荐）—— 通过单一接口访问部署在 Microsoft Foundry 中的任何模型（包括 OpenAI、Llama、DeepSeek、Mistral 和 Phi），并具备企业级功能，如通过 Microsoft Entra ID 实现的无密钥身份验证、区域数据驻留和专用网络。在 v1 API 上使用 ChatOpenAI，或者为传统部署使用 AzureChatOpenAI。 Azure OpenAI 还支持 Responses API，它允许你直接从聊天模型访问服务器端工具，如代码解释器、图像生成和文件搜索。
2. Azure AI —— 推荐用于在更广泛的 Azure 生态系统中访问工具、存储和自定义中间件，并与你的聊天模型结合使用。
3. Azure ML —— 允许使用 Azure 机器学习部署和管理自定义或微调的开源模型。

​

Azure OpenAI

pip install -U langchain-openai

uv add 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 包允许你将 Azure 原生工具、存储和自定义中间件引入 LangChain 应用，并通过 AzureAIOpenAIApiChatModel 类暴露部署在 Foundry 中的聊天模型。

pip install -U langchain-azure-ai

uv add langchain-azure-ai

​

大语言模型 (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）作为补全式 LLM 访问。
2. Azure ML —— 使用托管在 Azure 机器学习在线端点上的自定义或开源模型。

​

Azure OpenAI

pip install -U langchain-openai

uv add 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）—— 使用部署在 Microsoft Foundry 中的嵌入模型（包括 OpenAI text-embedding-3-small、text-embedding-3-large 和 Cohere）配合 AzureOpenAIEmbeddings。
2. Azure AI —— 推荐用于在更广泛的 Azure 生态系统中访问工具、存储和自定义中间件，并与你的嵌入模型结合使用。

​

Azure OpenAI

pip install -U langchain-openai

uv add 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 让构建智能体变得简单。")

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 让构建智能体变得简单。")

​

Azure AI

pip install -U langchain-azure-ai

uv add langchain-azure-ai

​

中间件

​

Azure AI 内容安全中间件

Azure AI Content Safety 提供了你可以通过中间件应用于 LangChain 智能体的防护栏。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、受保护材料检测和事实一致性评估的中间件。

pip install -U langchain-azure-ai

uv add langchain-azure-ai

from langchain_azure_ai.agents.middleware import AzureContentModerationMiddleware

​

文档加载器

​

Azure Blob 存储

Azure Blob Storage 是 Microsoft 的云端对象存储解决方案。Blob 存储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符合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服务。
• 存储文件以供分布式访问。
• 流式传输视频和音频。
• 写入日志文件。
• 存储用于备份和恢复、灾难恢复以及归档的数据。
• 存储数据以供本地或 Azure 托管的服务进行分析。

pip install langchain-azure-storage

uv add langchain-azure-storage

from langchain_azure_storage.document_loaders import AzureBlobStorageLoader

​

内存

​

Azure Cosmos DB 聊天消息历史记录

Azure Cosmos DB 为对话式 AI 应用程序提供聊天消息历史存储，使你能够以低延迟和高可用性来持久化和检索对话历史。

pip install langchain-azure-cosmosdb

uv add 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 响应缓存到 Azure Cosmos DB for NoSQL 中，当再次遇到语义相似的提示时，将返回缓存的结果。

pip install langchain-azure-cosmosdb

uv add 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 让你能够轻松创建一个完全支持原生 MongoDB 的数据库。 你可以应用你的 MongoDB 经验，并通过将应用程序指向 MongoDB vCore API 账户的连接字符串，继续使用你喜欢的 MongoDB 驱动程序、SDK 和工具。 在 Azure Cosmos DB for MongoDB vCore 中使用向量搜索，可以将你的基于 AI 的应用程序与存储在 Azure Cosmos DB 中的数据无缝集成。

安装与设置

pip install langchain-azure-ai pymongo

uv add 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 现在以预览版形式提供向量索引和搜索功能。 此功能旨在处理高维向量，能够在任何规模下实现高效且准确的向量搜索。你现在可以将向量 直接存储在文档中，与数据并列。这意味着你数据库中的每个文档不仅包含传统的无模式数据， 还可以包含作为文档其他属性的高维向量。这种数据和向量的共置允许进行高效的索引和搜索， 因为向量存储在与其所代表数据相同的逻辑单元中。这简化了数据管理、AI 应用程序架构以及 基于向量的操作的效率。

安装与设置

pip install langchain-azure-cosmosdb azure-cosmos

uv add 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 - 灵活服务器 是一项基于开源 Postgres 数据库引擎的关系型数据库服务。它是一项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 数据库

Azure SQL Database 是一项强大的服务，它结合了可扩展性、安全性和高可用性，提供了现代数据库解决方案的所有优势。它还提供专用的向量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，在降低整体复杂性的同时提高了你解决方案的安全性。

安装与设置

!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 - 灵活服务器 是一项基于开源 Postgres 数据库引擎的关系型数据库服务。它是一项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

​

Microsoft Foundry 工具

pip install -U "langchain-azure-ai[tools]"

uv add "langchain-azure-ai[tools]"

from langchain_azure_ai.tools import AzureAIDocumentIntelligenceTool

​

图像生成工具

from langchain_azure_ai.tools import AzureOpenAIModelImageGenTool

​

转录工具

from langchain_azure_ai.tools import AzureOpenAITranscriptionsTool

​

代码解释器工具（服务器端）

from langchain_azure_ai.tools.builtin import CodeInterpreterTool

​

网络搜索工具（服务器端）

from langchain_azure_ai.tools.builtin import WebSearchTool

​

文件搜索工具（服务器端）

from langchain_azure_ai.tools.builtin import FileSearchTool

​

图像生成工具（服务器端）

from langchain_azure_ai.tools.builtin import ImageGenerationTool

​

MCP 工具（服务器端）

from langchain_azure_ai.tools.builtin import McpTool

​

Azure Container Apps 动态会话

pip install langchain-azure-dynamic-sessions

uv add langchain-azure-dynamic-sessions

from langchain_azure_dynamic_sessions import SessionsPythonREPLTool

​

Azure Logic Apps

pip install -U "langchain-azure-ai[tools]"

uv add "langchain-azure-ai[tools]"

from langchain_azure_ai.tools import AzureLogicAppTool

​

工具包

​

Microsoft Foundry 项目工具箱

pip install -U "langchain-azure-ai[tools]" langchain-mcp-adapters httpx

uv add "langchain-azure-ai[tools]" langchain-mcp-adapters httpx

from langchain_azure_ai.tools import AzureAIProjectToolbox

​

Microsoft Foundry 工具（原 Azure AI Services）

pip install -U "langchain-azure-ai[tools]"

uv add "langchain-azure-ai[tools]"

from langchain_azure_ai.tools import AzureAIServicesToolkit

• 图像分析：AzureAIImageAnalysisTool
• 文档智能：AzureAIDocumentIntelligenceTool
• 语音转文本：AzureAISpeechToTextTool
• 文本转语音：AzureAITextToSpeechTool
• 医疗文本分析：AzureAITextAnalyticsHealthTool

​

运行时

​

Microsoft Foundry 托管智能体

1. 将编译后的图传递给你所选协议的主机服务器。
2. 设置 FOUNDRY_PROJECT_ENDPOINT 和 FOUNDRY_MODEL_NAME，然后在本地运行并测试主机。
3. 使用 azd ai agent init 初始化一个托管智能体项目，使用 azd ai agent run 测试其容器，并使用 azd provision 和 azd deploy 进行部署。你也可以使用 Foundry Toolkit Visual Studio Code 扩展进行部署。