AzureChatOpenAI 集成

你可以在 Azure 文档中找到有关 Azure OpenAI 最新模型及其成本、上下文窗口和支持的输入类型的信息。有关 LangChain 中 Microsoft 集成的完整集合（包括 Azure AI Search、Azure Database for PostgreSQL 和 M365 套件等工具），请参阅 Microsoft 提供者页面。

Azure OpenAI 与 OpenAIAzure OpenAI 指的是托管在 Microsoft Azure 平台上的 OpenAI 模型。托管在 Azure 上的模型附带了额外的企业功能，包括支持使用 Entra ID 进行无密钥身份验证。

使用 ChatOpenAI 与 v1 API（推荐）Azure OpenAI 的 v1 API（自 2025 年 8 月起正式发布）允许你直接使用 ChatOpenAI 与 Azure 端点。这消除了对过时的 api-version 参数的需求，并提供了对 Microsoft Entra ID 身份验证的原生支持，支持自动令牌刷新。我们继续支持 AzureChatOpenAI，它现在与 ChatOpenAI 共享相同的基础实现，后者直接与 OpenAI 服务交互。本页作为身份验证和将你的 Azure OpenAI 聊天模型连接到 LangChain 的快速入门指南。

API 参考有关所有功能和配置选项的详细文档，请访问 AzureChatOpenAI API 参考。有关可用功能的详细信息，请访问 ChatOpenAI 文档。

概述

集成详情

类	包	可序列化	JS/TS 支持	下载量	最新版本
`AzureChatOpenAI`	`langchain-openai`	beta	✅ (npm)

模型功能

工具调用	结构化输出	图像输入	音频输入	视频输入	令牌级流式传输	原生异步	令牌使用量	对数概率
✅	✅	✅	❌	❌	✅	✅	✅	✅

设置

要访问 Azure OpenAI 模型，你需要创建一个 Azure 帐户，创建一个 Azure OpenAI 模型的部署，获取部署的名称和端点，并安装 langchain-openai 集成包。

安装

pip install -U langchain-openai

uv add langchain-openai

凭证

ChatOpenAI 和 AzureChatOpenAI 都支持使用 Microsoft Entra ID（推荐）或 API 密钥 进行 Azure OpenAI 身份验证。

Microsoft Entra ID

Microsoft Entra ID 提供无密钥身份验证和自动令牌刷新。安装 azure-identity 包并创建一个令牌提供者——同一个提供者适用于 ChatOpenAI 和 AzureChatOpenAI：

pip install azure-identity

from azure.identity import DefaultAzureCredential, get_bearer_token_provider

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

API 密钥

前往 Azure 文档创建你的部署并生成 API 密钥。设置 AZURE_OPENAI_API_KEY 和 AZURE_OPENAI_ENDPOINT 环境变量：

import getpass
import os

if "AZURE_OPENAI_API_KEY" not in os.environ:
    os.environ["AZURE_OPENAI_API_KEY"] = getpass.getpass(
        "Enter your AzureOpenAI API key: "
    )
os.environ["AZURE_OPENAI_ENDPOINT"] = "https://YOUR-RESOURCE-NAME.openai.azure.com/"

要启用模型调用的自动跟踪，请设置你的 LangSmith API 密钥：

os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
os.environ["LANGSMITH_TRACING"] = "true"

实例化

使用 v1 API 的 ChatOpenAI

将 base_url 设置为你的 Azure 端点，并附加 /openai/v1/。使用 v1 API，你可以通过单一接口调用部署在 Microsoft Foundry 中的任何模型（包括 OpenAI、Llama、DeepSeek、Mistral 和 Phi），只需将 model 指向你的部署名称。

Entra ID（推荐）
API 密钥

将令牌提供者传递给 api_key：

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=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",
)

AzureChatOpenAI

当使用需要 api_version 的传统 Azure OpenAI API 版本时，请使用 AzureChatOpenAI。

Entra ID（推荐）
API 密钥

将令牌提供者传递给 azure_ad_token_provider：

from langchain_openai import AzureChatOpenAI

llm = AzureChatOpenAI(
    azure_deployment="gpt-5.4-mini",  # 或你的部署
    api_version="2025-04-01-preview",  # 或你的 api 版本
    azure_ad_token_provider=token_provider,
)

从环境中读取 AZURE_OPENAI_API_KEY 和 AZURE_OPENAI_ENDPOINT：

from langchain_openai import AzureChatOpenAI

llm = AzureChatOpenAI(
    azure_deployment="gpt-5.4-mini",  # 或你的部署
    api_version="2025-04-01-preview",  # 或你的 api 版本
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
    # 其他参数...
)

调用

messages = [
    (
        "system",
        "You are a helpful assistant that translates English to French. Translate the user sentence.",
    ),
    ("human", "I love programming."),
]
ai_msg = llm.invoke(messages)
print(ai_msg.text)

J'adore la programmation.

工具调用

使用 Pydantic 类、字典模式、LangChain 工具或函数将工具绑定到模型：

from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field


class GetWeather(BaseModel):
    """Get the current weather in a given location"""

    location: str = Field(description="The city and state, e.g. San Francisco, CA")


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

llm_with_tools = llm.bind_tools([GetWeather])

ai_msg = llm_with_tools.invoke("What is the weather like in San Francisco?")
ai_msg.tool_calls

[{'name': 'GetWeather',
  'args': {'location': 'San Francisco, CA'},
  'id': 'call_jUqhd8wzAIzInTJl72Rla8ht',
  'type': 'tool_call'}]

有关绑定工具和工具调用输出的更多信息，请访问工具调用文档。

构建代理

使用 create_agent 构建一个使用 Azure OpenAI 和工具的代理：

from langchain.agents import create_agent
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",
)


def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"


agent = create_agent(
    model=llm,
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 流式传输代理响应
for chunk in agent.stream(
    {"messages": [{"role": "user", "content": "What is the weather in SF?"}]},
    stream_mode="updates",
):
    for step, data in chunk.items():
        print(f"step: {step}")
        print(f"content: {data['messages'][-1].text}")

流式传输使用量元数据

OpenAI 的 Chat Completions API 默认不流式传输令牌使用量统计信息（参见 OpenAI API 参考中的流式选项）。要在流式传输时恢复令牌计数，请将 stream_usage=True 设置为初始化参数或在调用时设置：

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",
    stream_usage=True,
)

Responses API

Azure OpenAI 支持 Responses API，它提供有状态的对话、内置的服务器端工具（代码解释器、图像生成、文件搜索和远程 MCP）以及结构化的推理摘要。当你设置 reasoning 参数时，ChatOpenAI 会自动路由到 Responses API，或者你可以通过 use_responses_api=True 显式选择使用：

Entra ID（推荐）
API 密钥

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=token_provider,
    use_responses_api=True,
)

# 绑定一个内置的服务器端工具
llm_with_tools = llm.bind_tools(
    [{"type": "code_interpreter", "container": {"type": "auto"}}]
)

response = llm_with_tools.invoke(
    "Use the code interpreter to compute the 25th Fibonacci number."
)
print(response.text)

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",
    use_responses_api=True,
)

# 绑定一个内置的服务器端工具
llm_with_tools = llm.bind_tools(
    [{"type": "code_interpreter", "container": {"type": "auto"}}]
)

response = llm_with_tools.invoke(
    "Use the code interpreter to compute the 25th Fibonacci number."
)
print(response.text)

有关内置工具及其使用方法的详细信息，请参阅 Azure OpenAI Responses API 文档。

推理努力与摘要

Azure OpenAI 推理模型（例如 o4-mini、gpt-5）在生成最终答案之前会花费额外的令牌来思考请求。使用 v1 API 上的 ChatOpenAI，你可以配置模型在推理上花费多少努力，并可选择请求其思维链的摘要。

推理努力

将 reasoning_effort 设置为 "low"、"medium" 或 "high"。较高的设置让模型在推理上花费更多令牌，这通常会提高复杂任务的质量，但会增加延迟：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-5.4-mini",  # 你的 Azure 推理模型部署
    base_url="https://YOUR-RESOURCE-NAME.openai.azure.com/openai/v1/",
    api_key=token_provider,
    reasoning_effort="medium",
)

response = llm.invoke("Tell me about the bitter lesson.")
print(response.text)

推理模型使用令牌进行内部推理（completion_tokens_details 中的 reasoning_tokens）。这些令牌不会出现在消息内容中，但会计入输出令牌限制。如果你看到空响应，请增加 max_tokens 或将其留空，以便模型有足够的空间进行推理和输出。

推理摘要

当通过 Responses API 使用推理模型时，你可以通过传递 reasoning 字典来请求模型思维链的摘要。设置 reasoning 会自动将 ChatOpenAI 路由到 Responses API：

from langchain_openai import ChatOpenAI

reasoning = {
    "effort": "high",    # 'low', 'medium', 或 'high'
    "summary": "auto",   # 'auto', 'concise', 或 'detailed'
}

llm = ChatOpenAI(
    model="gpt-5.4-mini",  # 你的 Azure 推理模型部署
    base_url="https://YOUR-RESOURCE-NAME.openai.azure.com/openai/v1/",
    api_key=token_provider,
    reasoning=reasoning,
)

response = llm.invoke("What's the optimal strategy to win at poker?")

# 最终答案
print(response.text)

# 推理摘要块
for block in response.content_blocks:
    if block["type"] == "reasoning":
        print(block["reasoning"])

尝试通过推理摘要参数以外的方法提取原始推理令牌不受支持，并且可能违反 Azure 的可接受使用策略。请使用 summary 字段访问模型推理。

即使启用，推理摘要也不保证在每个步骤或请求中都提供——这是预期行为。

指定模型版本（旧版 API）

本节仅适用于使用传统 API 版本的 AzureChatOpenAI。v1 API 不需要 api_version 参数。

使用 AzureChatOpenAI 时，Azure OpenAI 响应包含一个 model_name 响应元数据属性。与原生 OpenAI 响应不同，它不包含模型的具体版本（该版本在 Azure 中的部署上设置）。传递 model_version 以区分不同版本：

from langchain_openai import AzureChatOpenAI

llm = AzureChatOpenAI(
    azure_deployment="gpt-5.4-mini",  # 或你的部署
    api_version="2025-04-01-preview",  # 或你的 api 版本
    model_version="0301",
)

API 参考

有关所有功能和配置选项的详细文档，请访问 AzureChatOpenAI API 参考。

将这些文档连接到 Claude、VSCode 等，通过 MCP 获取实时答案。

在 GitHub 上编辑此页面或提交问题。

Popular Providers

Integrations by component

概述

集成详情

模型功能

设置

安装

凭证

Microsoft Entra ID

API 密钥

实例化

使用 v1 API 的 ChatOpenAI

AzureChatOpenAI

调用

工具调用

构建代理

流式传输使用量元数据

Responses API

推理努力与摘要

推理努力

推理摘要

指定模型版本（旧版 API）

API 参考

​概述

​集成详情

​模型功能

​设置

​安装

​凭证

​Microsoft Entra ID

​API 密钥

​实例化

​使用 v1 API 的 ChatOpenAI

​AzureChatOpenAI

​调用

​工具调用

​构建代理

​流式传输使用量元数据

​Responses API

​推理努力与摘要

​推理努力

​推理摘要

​指定模型版本（旧版 API）

​API 参考

概述

集成详情

模型功能

设置

安装

凭证

Microsoft Entra ID

API 密钥

实例化

使用 v1 API 的 ChatOpenAI

AzureChatOpenAI

调用

工具调用

构建代理

流式传输使用量元数据

Responses API

推理努力与摘要

推理努力

推理摘要

指定模型版本（旧版 API）

API 参考