Installera klientintegrationen
Installera langchain-openai i din Python-miljö. Generera en TextCortex API-nyckel, lagra den på serversidan som TEXTCORTEX_API_KEY och välj en identifierare från GET /models för TEXTCORTEX_MODEL.
Bas-URL:n är https://api.textcortex.com/v1. Lägg inte till /chat/kompletteringar till en klientbas-URL; klienten konstruerar slutpunkten.
Skapa en ChatOpenAI-klient
Detta minimala exempel använder den konfigurerade modellen. Ändra den identifieraren för att utvärdera en annan modell som stöds samtidigt som klientkonfigurationen behålls.
import os
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
base_url="https://api.textcortex.com/v1",
api_key=os.environ["TEXTCORTEX_API_KEY"],
model=os.environ["TEXTCORTEX_MODEL"],
)
answer = llm.invoke("Hello")
print(answer.content)Lägg till funktioner en i taget
När den grundläggande begäran fungerar, lägg till streaming, verktygsscheman eller utdatavalidering som din kedja behöver. Kontrollera stödet för den exakta TextCortex-modellvägen istället för att anta att alla OpenAI-klientalternativ är portabla.
Fäst paketversionerna som du validerar och behåll en liten förfrågningsfixturuppsättning. Detta gör SDK-uppgraderingar och modelländringar lättare att bedöma separat.
Håll routing och hämtning under din kontroll
Använd applikationskonfiguration för att välja modeller för olika kedjor. GPT, Claude, Gemini och modeller med öppen vikt kan dela TextCortex-anslutningen medan de utför olika uppgifter.
Om en kedja hämtar dokument, tillämpa behörigheter innan du skickar kontext till modellen. För europeiska behandlingskrav, välj EU-värdade rutter för varje modellanrop i kedjan.