要将 LangChain 与 RESTful API 结合使用，您通常需要创建自定义工具或集成，以允许 LangChain 组件（如链或代理）与外部服务交互。LangChain 提供了内置的实用程序和模式，可以简化语言模型 (LLM) 与 API 的连接，从而实现 LLM 可以触发 API 调用、处理响应并将数据合并到其输出中的工作流程。这涉及到编写代码来处理 HTTP 请求、解析响应，并将逻辑集成到 LangChain 的框架中。
首先，定义一个自定义工具或使用 LangChain 的 APIRequestTool 与 API 交互。例如，如果您需要从天气 API 获取数据，您可以创建使用 Python 的 requests 库的工具。 这是一个简化的例子
from langchain.tools import tool
import requests
@tool
def get_weather(city: str) -> str:
"""Fetches current weather for a city using a REST API."""
url = f"https://api.weather.com/v1/{city}/conditions"
response = requests.get(url)
return response.json()["weather_description"]
可以将此工具添加到 LangChain 代理中，允许 LLM 根据用户输入（例如，“东京的天气怎么样？”）决定何时调用它。 代理自动解析查询，调用该工具，并将 API 响应与其自身的输出相结合。 对于需要身份验证或 POST 请求的更复杂的 API，您可以通过添加标头、处理令牌或使用 LangChain 的 BaseModel 验证输入来扩展此模式。
其次，构造链以按顺序执行 API 调用和 LLM 处理。 例如，您可以创建一个链，该链首先调用 API 以检索原始数据，然后使用 LLM 对其进行总结。 使用 SimpleSequentialChain
from langchain.chains import SimpleSequentialChain
from langchain.llms import OpenAI
llm = OpenAI()
chain = SimpleSequentialChain(
chains=[get_weather_tool_chain, llm_chain_for_summary]
)
在这里，get_weather_tool_chain 处理 API 调用，而 llm_chain_for_summary 处理结果。 这种方法适用于无状态 API。 对于有状态的交互（例如，多步骤工作流程），请使用带有记忆的代理来跨 API 调用跟踪上下文。
最后，处理错误和边缘情况。 API 可能会返回不完整的数据、超时或需要速率限制。 将 API 调用包装在 try-except 块中，使用 Pydantic 验证响应，并使用 LangChain 的内置重试机制。 例如
from tenacity import retry, stop_after_attempt
@retry(stop=stop_after_attempt(3))
def safe_api_call(url):
# implementation with error handling
在将 API 集成与 LangChain 结合使用之前，请始终单独测试它们。 这可以确保可靠性，并有助于调试问题，例如不正确的参数或身份验证错误。 通过将 LangChain 的编排与强大的 API 客户端代码相结合，您可以构建可靠的、数据感知的 LLM 应用程序。