Skip to main content
Tensorlake 是 AI 数据云，能可靠地将非结构化数据转化为适合 AI 应用摄取的格式。 langchain-tensorlake 包提供 Tensorlake 与 LangChain 之间的无缝集成， 使您能够构建具有增强解析功能（如签名检测）的复杂文档处理代理。

​
Tensorlake 功能概览

Tensorlake 为您提供以下工具：
  • 提取：基于模式驱动的结构化数据提取，从文档中抽取特定字段。
  • 解析：将文档转换为 Markdown，用于构建 RAG/知识图谱系统。
  • 编排：构建可编程工作流，对文档、文本、音频、视频等进行大规模摄取和富化。
详细了解请访问 docs.tensorlake.ai

​
安装

pip install -U langchain-tensorlake

​
示例

查看关于如何使用 langchain-tensorlake 工具在非结构化文档中检测签名的完整教程。 或查看此 colab notebook 快速入门。

​
快速入门

​
1. 配置环境

通过设置以下环境变量来配置 Tensorlake 和 OpenAI 的凭证： 
export TENSORLAKE_API_KEY="your-tensorlake-api-key"
export OPENAI_API_KEY = "your-openai-api-key"
从 Tensorlake 云控制台 获取您的 Tensorlake API 密钥。新用户可获得 100 个免费额度。

​
2. 导入必要的包

from langchain_tensorlake import document_markdown_tool
from langchain.agents import create_agent
import asyncio
import os

​
3. 构建签名检测代理

async def main(question):
    # Create the agent with the Tensorlake tool
    agent = create_agent(
            model="gpt-4.1-mini",
            tools=[document_markdown_tool],
            prompt=(
                """
                I have a document that needs to be parsed. \n\nPlease parse this document and answer the question about it.
                """
            ),
            name="real-estate-agent",
        )

    # Run the agent
    result = await agent.ainvoke({"messages": [{"role": "user", "content": question}]})

    # Print the result
    print(result["messages"][-1].content)
注意： 我们强烈建议使用 openai 作为代理模型，以确保代理设置正确的解析参数

​
4. 使用示例

# Define the path to the document to be parsed
path = "path/to/your/document.pdf"

# Define the question to be asked and create the agent
question = f"What contextual information can you extract about the signatures in my document found at {path}?"

if __name__ == "__main__":
    asyncio.run(main(question))

​
需要帮助？

通过 Slack 或直接在 GitHub 上的包仓库 联系我们。
在 GitHub 上编辑此页面 或 提交问题。
连接这些文档 到 Claude、VSCode 等，通过 MCP 获取实时答案。