Microsoft 集成

使用 LangChain Python 集成 Microsoft。

本页面涵盖了与 Microsoft Azure 及其他 Microsoft 产品的所有 LangChain 集成。

推荐：Microsoft Foundry

对于以 Microsoft Foundry 为中心的新的 LangChain 或 LangGraph 应用，请从 langchain-azure-ai 开始。它添加了 Foundry 项目端点、Azure 凭证集成、智能体服务、托管、工具、内容安全、检索和 Azure 可观察性。

对于直接访问 Azure OpenAI v1 API 模型，代码在 OpenAI 和 Azure 之间切换、传统 Azure OpenAI API 版本、完成式 LLM 或更小的依赖表面，请使用 langchain-openai 包。

Foundry 资源包括 Azure OpenAI 功能，并增加了更广泛的模型目录、智能体服务和评估功能。如果您使用 Azure OpenAI 资源，将其升级为 Foundry 资源 以保留现有的 API 端点、状态和安全配置，同时获得 Foundry 功能的访问权限。

对于智能体托管，请使用 Microsoft Foundry 托管的智能体 在具有内置运行时、会话、扩展、身份和协议端点的托管智能体平台上部署自定义 LangGraph 代码。

示例和教程：

• microsoft-foundry/foundry-samples LangGraph 托管的智能体示例：在本地运行 LangGraph 智能体或将它们部署到 Microsoft Foundry，包含响应、调用和 A2A 示例。
• Azure-Samples/langchain-azure-openai-starter：从生产就绪的 LangChain 和 Azure OpenAI 应用模板开始，允许您使用单个 azd 命令直接部署到 Azure。
• microsoft/langchain-for-beginners：一个动手课程，介绍使用 Azure OpenAI 的 LangChain。
• Azure-Samples/langchain-agent-python：在 Azure 上构建和部署 LangChain 智能体。

Azure 上的 Claude

Microsoft Foundry 还提供对所有 Anthropic Claude 模型 的访问，包括 Opus、Sonnet 和 Haiku。Claude 模型通过专用的 Anthropic 原生端点提供服务，而不是 Azure OpenAI v1 API。使用 langchain-anthropic 指向您的 Foundry Anthropic 端点。

选择包

langchain-azure-ai 和 @[langchain-openai] 是互补而非替代品。langchain-azure-ai 依赖于 langchain-openai，其聊天和嵌入类从 @[ChatOpenAI] 和 @[OpenAIEmbeddings] 继承，因此安装 Azure 包不会从您的依赖链中移除 OpenAI 包。

使用以下表格选择起点：

场景	包
以 Foundry 项目为中心的新应用	langchain-azure-ai
Foundry 智能体服务、托管的 LangGraph、工具箱、内容安全、Azure 工具或 Application Insights	langchain-azure-ai
从 Foundry 项目端点配置的嵌入	langchain-azure-ai
直接 Azure OpenAI v1 聊天调用	langchain-openai
相同代码必须在 OpenAI 和 Azure 之间切换	langchain-openai
现有的 @[AzureChatOpenAI] 应用	langchain-openai
传统日期的 Azure OpenAI API 版本	langchain-openai
完成式 LLM 接口	langchain-openai
最小的依赖和操作表面	langchain-openai

将现有的 langchain-openai 应用迁移到 langchain-azure-ai 不是一个即插即用的导入更改：

• 配置不同。azure_endpoint、azure_deployment、api_version 和 token-provider 参数变为 project_endpoint 或 endpoint、model 和 credential。
• 默认行为不同。AzureAIOpenAIApiChatModel 在解析项目端点时默认为响应 API。设置 use_responses_api=False 以保持聊天补全行为。
• langchain-azure-ai 中不存在 @[AzureOpenAI] 的完成式 LLM 对等物。
• @[AzureChatOpenAI] 携带 Azure 特定的响应元数据和内容过滤处理，Foundry 聊天模型不会重现。
• 两个包都遵循官方 OpenAI 架构，因此由 DeepSeek 或 Mistral 等兼容提供者返回的非标准字段可能不会被保留。

聊天模型

Microsoft 通过 Azure 提供三种主要选项来访问聊天模型：

1. Microsoft Foundry（推荐用于以项目为中心的应用）：使用 AzureAIOpenAIApiChatModel 从 langchain-azure-ai，并使用 Foundry 项目端点和 Azure 凭证。此包还与 Foundry 智能体、托管、工具、内容安全、检索和可观察性集成。
2. Azure OpenAI：使用 ChatOpenAI 从 langchain-openai 进行直接 v1 API 调用或切换 OpenAI 和 Azure 的代码。使用 AzureChatOpenAI 用于传统 Azure OpenAI API 版本和现有应用。
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。

Microsoft Foundry

Microsoft Foundry 提供项目级别的模型和 Azure 服务访问。当您的应用使用 Foundry 项目、Azure 凭证或其他 Foundry 功能时，请使用 AzureAIOpenAIApiChatModel 从 langchain-azure-ai。

pip

pip install -U langchain-azure-ai

设置您的项目端点：

export AZURE_AI_PROJECT_ENDPOINT="https://<resource>.services.ai.azure.com/api/projects/<project>"

然后创建聊天模型：

from azure.identity import DefaultAzureCredential
from langchain_azure_ai.chat_models import AzureAIOpenAIApiChatModel

llm = AzureAIOpenAIApiChatModel(
    model="gpt-5.2",  # your Foundry model deployment name
    credential=DefaultAzureCredential(),
)

有关完整设置指南，请参阅 Microsoft Foundry 聊天模型集成。

Azure OpenAI

对于直接 Azure OpenAI 访问，创建 Azure 部署 并安装 langchain-openai 包：

pip

pip install -U langchain-openai

在 v1 API 上，直接使用 ChatOpenAI 对您的 Azure 端点——无需 api_version：

Entra ID (recommended)

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",  # your Azure deployment name
    base_url="https://YOUR-RESOURCE-NAME.openai.azure.com/openai/v1/",
    api_key=token_provider,  # callable that handles token refresh
)

API key

from langchain_openai import ChatOpenAI

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

对于传统的 Azure OpenAI API 版本，使用 AzureChatOpenAI：

from langchain_openai import AzureChatOpenAI

查看 Azure ChatOpenAI 集成页面 了解端到端设置、Entra ID 身份验证、工具调用和推理示例。

响应 API

Azure OpenAI 支持 响应 API，该 API 提供有状态对话、内置工具（网络搜索、文件搜索、代码解释器）和结构化推理摘要。 ChatOpenAI 在你设置 reasoning 参数时自动路由到响应 API，或者你可以使用 use_responses_api=True 显式启用：

Entra ID (recommended)

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("Summarize the bitter lesson.")
print(response.text)

API key

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("Summarize the bitter lesson.")
print(response.text)

有关响应 API 的推理工作、推理摘要和流式输出的使用说明，请查看 Azure ChatOpenAI 集成页面。

智能体

Microsoft 通过 Azure 提供两种主要选项来访问智能体：

1. Azure OpenAI（推荐）：使用 AzureOpenAI 从 langchain-openai 的 Azure OpenAI 文本补全部署。
2. Azure ML：使用部署在 Azure 机器学习在线端点上的自定义或开源模型。

Azure OpenAI

查看 使用示例。

pip

pip install -U langchain-openai

Entra ID (recommended)

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",  # your Azure deployment name
    api_version="2025-04-01-preview",
    azure_ad_token_provider=token_provider,
)

print(llm.invoke("Write a haiku about the ocean."))

API key

from langchain_openai import AzureOpenAI

llm = AzureOpenAI(
    azure_deployment="gpt-5.4-mini",  # your Azure deployment name
    api_version="2025-04-01-preview",
    azure_endpoint="https://YOUR-RESOURCE-NAME.openai.azure.com/",
    api_key="your-azure-api-key",
)

print(llm.invoke("Write a haiku about the ocean."))

嵌入模型

根据你的应用程序如何连接到 Azure 选择嵌入集成：

1. Microsoft Foundry（推荐用于以项目为中心的应用程序）：使用 AzureAIOpenAIApiEmbeddingsModel 从 langchain-azure-ai，结合 Foundry 项目配置和 Azure 凭据。
2. Azure OpenAI：使用 @[AzureOpenAIEmbeddings] 从 langchain-openai，用于直接或传统的 Azure OpenAI 端点、现有应用程序或更小的依赖表面。

Microsoft Foundry

安装 langchain-azure-ai：

pip

pip install -U langchain-azure-ai

设置你的项目端点：

export AZURE_AI_PROJECT_ENDPOINT="https://<resource>.services.ai.azure.com/api/projects/<project>"

然后创建嵌入模型：

from azure.identity import DefaultAzureCredential
from langchain_azure_ai.embeddings import AzureAIOpenAIApiEmbeddingsModel

embeddings = AzureAIOpenAIApiEmbeddingsModel(
    model="text-embedding-3-small",  # your Foundry model deployment name
    credential=DefaultAzureCredential(),
)

Foundry 项目配置目前直接派生 /openai/v1 端点，因为嵌入尚未通过项目端点本身提供服务。

更多信息，请查看 Microsoft Foundry 嵌入集成。

Azure OpenAI

查看 使用示例。

pip

pip install -U langchain-openai

Entra ID (recommended)

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",  # your Azure deployment name
    api_version="2025-04-01-preview",
    azure_ad_token_provider=token_provider,
)

vector = embeddings.embed_query("LangChain makes agents easy.")

API key

from langchain_openai import AzureOpenAIEmbeddings

embeddings = AzureOpenAIEmbeddings(
    azure_deployment="text-embedding-3-small",  # your Azure deployment name
    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 makes agents easy.")

中间件

Azure AI 内容安全中间件

Azure AI 内容安全 提供了您可以通过中间件应用于 LangChain 智能体的约束。langchain-azure-ai 包目前导出用于文本审核、图像审核、提示词注入检测、受保护材料检测和事实性评估的中间件。

安装中间件包：

pip

pip install -U langchain-azure-ai

参见 Microsoft Foundry 中间件指南。

from langchain_azure_ai.agents.middleware import AzureContentModerationMiddleware

文档加载器

Azure Blob 存储

Azure Blob 存储 是微软的云对象存储解决方案。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遵循特定数据模型或定义的数据，例如文本或二进制数据。

Azure Blob Storage 设计用于：

• 直接将图像或文档提供给浏览器。
• 存储用于分布式访问的文件。
• 流式传输视频和音频。
• 写入日志文件。
• 存储用于备份和恢复、灾难恢复和归档的数据。
• 存储用于本地或 Azure 托管的服务的分析的数据。

pip

pip install langchain-azure-storage

参见 Azure Blob 存储加载器的使用示例。

from langchain_azure_storage.document_loaders import AzureBlobStorageLoader

后端

Azure Blob 存储后端

Azure Blob 存储 是微软的云对象存储解决方案。AzureBlobBackend 实现了 Deep Agents BackendProtocol，因此深度智能体可以将其整个工作区（文件、记忆和工件）持久化到 blob 容器中。

AzureBlobBackend 是 langchain-azure-storage 包的一部分，该包目前处于 公共预览 状态。

使用 deepagents 扩展进行安装（需要 Python 3.11+）：

pip

pip install -U "langchain-azure-storage[deepagents]"

from langchain_azure_storage.deepagents import AzureBlobBackend

快速入门：

from deepagents import create_deep_agent
from langchain_azure_storage.deepagents import AzureBlobBackend

backend = AzureBlobBackend(
    account_url="https://<my-storage-account-name>.blob.core.windows.net",
    container_name="agent-workspace",
    prefix="session-001/",  # Optional: isolate each agent/session under a prefix.
)

agent = create_deep_agent(backend=backend)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "Write a hello world script to hello.py"}]}
)

后端默认为 DefaultAzureCredential，并接受 credential 覆盖。

有关更多信息，请参见 后端集成。有关完整使用细节和安全指南，请参见 包存储库。

记忆

Azure cosmos DB 聊天消息历史

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

pip

pip install langchain-azure-cosmosdb

配置您的 Azure Cosmos DB 连接（同步或异步，使用访问密钥或 Microsoft Entra ID）：

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,  # optional: messages expire after 1 hour
)
history.prepare_cosmos()

history.add_user_message("Hello!")
history.add_ai_message("Hi there!")

对于异步使用，从同一包中导入 AsyncCosmosDBChatMessageHistory。

Azure cosmos DB 语义缓存

AzureCosmosDBNoSqlSemanticCache 在 Azure Cosmos DB 中缓存 LLM 响应以 NoSQL 使用向量相似性，当再次看到语义相似的提示词时返回缓存的结果。

pip

pip install 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)

对于异步使用，导入 AsyncAzureCosmosDBNoSqlSemanticCache。

向量存储

Azure cosmos DB

AI 智能体可以依赖 Azure Cosmos DB 作为统一的 记忆系统 解决方案，享受速度、规模和简单性。该服务成功 使 OpenAI 的 ChatGPT 服务 能够以高可靠性和低维护成本动态扩展。由 atom-record-sequence 引擎驱动，它是世界上第一个提供无服务器模式的 NoSQL、关系型 和 向量数据库 服务。

以下是两个可用的 Azure Cosmos DB API，它们可以提供向量存储功能。

Azure cosmos DB for MongoDB (vCore)

Azure Cosmos DB for MongoDB vCore 使创建具有完整原生 MongoDB 支持的数据库变得轻松。 您可以通过将应用程序指向 MongoDB vCore 账户的连接字符串来应用您的 MongoDB 经验，并继续使用您喜欢的 MongoDB 驱动程序、SDK 和工具。 在 Azure Cosmos DB for MongoDB vCore 中使用向量搜索，可以无缝地将基于 AI 的应用程序与存储在 Azure Cosmos DB 中的数据集成。

安装和设置

参见 详细配置说明。

我们需要安装 langchain-azure-ai 和 pymongo Python 包。

pip

pip install langchain-azure-ai pymongo

在 Microsoft Azure 上部署 Azure cosmos DB

Azure Cosmos DB for MongoDB vCore 为开发人员提供了一个完全托管的 MongoDB 兼容数据库服务，用于构建具有熟悉架构的现代应用程序。

使用 Cosmos DB for MongoDB vCore，开发人员可以享受原生 Azure 集成、低拥有总成本（TCO）以及在迁移现有应用程序或构建新应用程序时熟悉的 vCore 架构带来的好处。

免费注册 以开始使用。

参见 使用示例。

from langchain_azure_ai.vectorstores import AzureCosmosDBMongoVCoreVectorSearch

Azure cosmos DB NoSQL

Azure Cosmos DB for NoSQL 现在提供向量索引和搜索功能（预览版）。 此功能设计用于处理高维向量，能够在任何规模下实现高效和准确的向量搜索。现在您可以直接在文档中将向量存储在您的数据旁边。这意味着数据库中的每个文档不仅可以包含传统的无模式数据，还可以包含作为文档其他属性的维度向量。数据和向量的这种共存允许高效索引和搜索，因为向量存储在与它们表示的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。

安装和设置

参见 详细配置说明。

我们需要安装 langchain-azure-cosmosdb 和 azure-cosmos Python 包。

pip

pip install langchain-azure-cosmosdb azure-cosmos

在 Microsoft Azure 上部署 Azure cosmos DB

Azure Cosmos DB 通过动态和弹性自动扩展提供高度响应的解决方案，适用于现代应用和智能工作负载。它可在每个 Azure 区域提供，并自动将数据复制到靠近用户的位置。它具有 SLA 保证的低延迟和高可用性。

免费注册，立即开始使用。

查看 使用示例。

from langchain_azure_cosmosdb import AzureCosmosDBNoSqlVectorSearch

Azure Database for PostgreSQL

Azure Database for PostgreSQL - Flexible Server 是基于开源 Postgres 数据库引擎的关系型数据库服务。它是一种完全管理的数据库即服务，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。

查看 Azure Database for PostgreSQL 的 设置说明。

直接使用 Azure 门户中的 连接字符串。

由于 Azure Database for PostgreSQL 是开源 Postgres，您可以使用 LangChain 的 Postgres 支持 连接到 Azure Database for PostgreSQL。

Azure SQL Database

Azure SQL Database 是一种强大的服务，结合了可扩展性、安全性和高可用性，提供现代数据库解决方案的所有好处。它还提供专用的 Vector 数据类型和内置函数，可简化在关系型数据库中直接存储和查询向量嵌入。这消除了对单独向量数据库及相关集成的需求，提高了解决方案的安全性，同时降低了整体复杂性。

通过利用现有的 SQL Server 数据库进行向量搜索，您可以在最小化成本的同时增强数据能力，并避免过渡到新系统的挑战。

安装和设置

查看 详细配置说明。

我们需要安装 langchain-sqlserver Python 包。

!pip install langchain-sqlserver==0.1.1

在 Microsoft Azure 上部署 Azure SQL DB

免费注册，立即开始使用。

查看 使用示例。

from langchain_sqlserver import SQLServer_VectorStore

向量存储

Azure Database for PostgreSQL

Azure Database for PostgreSQL - Flexible Server 是基于开源 Postgres 数据库引擎的关系型数据库服务。它是一种完全管理的数据库即服务，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。

查看 Azure Database for PostgreSQL 的 设置说明。

您需要在数据库中 启用 pgvector 扩展，才能将 Postgres 用作向量存储。启用扩展后，您可以使用 PGVector in LangChain 连接到 Azure Database for PostgreSQL。

查看 使用示例。直接使用 Azure 门户中的 连接字符串。

工具

Microsoft Foundry 工具

Microsoft Foundry 暴露 LangChain 服务工具，用于 Azure AI 内容理解、文档智能、图像分析和健康文本分析。

使用 tools 附加包安装：

pip

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

查看 Microsoft Foundry 工具指南。

from langchain_azure_ai.tools import AzureAIDocumentIntelligenceTool

图像生成工具

Microsoft Foundry Models 目录中有多个模型可用于图像生成。

查看 Microsoft Foundry 工具指南。

from langchain_azure_ai.tools import AzureOpenAIModelImageGenTool

转录工具

Microsoft Foundry Models 目录中有 Whisper 模型可用于语音转文本转录。

查看 Microsoft Foundry 工具指南。

from langchain_azure_ai.tools import AzureOpenAITranscriptionsTool

代码解释工具（服务器端）

使用代码解释工具在沙盒容器中服务器端运行 Python 代码。

查看 Microsoft Foundry 工具指南。

from langchain_azure_ai.tools.builtin import CodeInterpreterTool

网络搜索工具（服务器端）

搜索互联网以获取当前信息和来源。

查看 Microsoft Foundry 工具指南。

from langchain_azure_ai.tools.builtin import WebSearchTool

文件搜索工具（服务器端）

搜索向量存储以获取相关文档内容。

查看 Microsoft Foundry 工具指南。

from langchain_azure_ai.tools.builtin import FileSearchTool

图像生成工具（服务器端）

使用 GPT 图像模型在 Azure AI Foundry 服务器端生成或编辑图像。

查看 Microsoft Foundry 工具指南。

from langchain_azure_ai.tools.builtin import ImageGenerationTool

MCP 工具（服务器端）

访问外部模型上下文协议 (MCP) 服务器。

查看 Microsoft Foundry 工具指南。

from langchain_azure_ai.tools.builtin import McpTool

Azure Container Apps 动态会话

我们需要从 Azure Container Apps 服务获取 POOL_MANAGEMENT_ENDPOINT 环境变量。 查看 Azure 动态会话设置说明。

我们需要安装一个 Python 包。

pip

pip install langchain-azure-dynamic-sessions

查看 使用示例。

from langchain_azure_dynamic_sessions import SessionsPythonREPLTool

Azure Logic Apps

触发 Azure Logic Apps 工作流以自动化业务流程和集成。

使用 tools 附加包安装：

pip

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

查看 Azure Logic Apps 集成指南。

from langchain_azure_ai.tools import AzureLogicAppTool

工具包

Microsoft Foundry 项目工具箱

通过模型上下文协议 (MCP) 动态从 Azure AI Foundry 工具箱加载工具。

使用 tools 附加包安装：

pip

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

查看 Azure AI Foundry 工具箱指南。

from langchain_azure_ai.tools import AzureAIProjectToolbox

Microsoft Foundry 工具（原 Azure AI 服务）

安装集成包：

pip

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

查看 使用示例。

from langchain_azure_ai.tools import AzureAIServicesToolkit

The AzureAIServicesToolkit 工具包包含以下工具：

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

运行时

微软工厂托管智能体

微软工厂托管智能体在一个托管运行时中运行自定义 LangGraph 代码。使用 langchain_azure_ai.agents.hosting 包来暴露编译后的 LangGraph 图，同时由工厂管理运行时、会话、扩展、身份和协议端点。

LangGraph 托管支持需要 langchain-azure-ai[hosting]>=1.2.8。

开始之前，您需要一个 Azure 订阅、一个工厂项目、一个部署的对话模型、Python 3.10 或更高版本，以及 Azure CLI 身份验证。部署智能体还需要在项目上具有工厂项目管理员角色。

根据客户端如何与智能体交互，选择托管协议：

协议	运行参数	SDK 主机类	端点	使用场景
响应	--protocol responses	ResponsesHostServer	/responses	您需要兼容 OpenAI 的聊天、流式输出、响应历史记录或对话线程。大多数对话智能体从这里开始。
调用	--protocol invocations	InvocationsHostServer	/invocations	您需要一个自定义的 JSON 形状、一个 webhook 风格的端点或非对话处理。

对于使用基于 BaseChatOpenAI 模型的响应 API 的托管图，使用 output_version="responses/v1"。在 langchain-openai 1.0.0 或更高版本中，您可以省略此设置，除非被 LC_OUTPUT_VERSION 覆盖。此指导适用于响应和调用托管协议。

查看 响应协议 和 调用协议 的完整运行示例。

使用配置驱动的运行器

如果您的智能体已经使用 LangGraph CLI 运行，请使用 langchain_azure_ai.agents.hosting.run 工具从同一项目目录。运行器使用现有的 langgraph.json 配置来加载编译后的图，因此无需代码更改。

设置工厂项目端点和模型部署名称，然后在启动主机时选择协议：

Responses

export FOUNDRY_PROJECT_ENDPOINT="https://<account>.services.ai.azure.com/api/projects/<project>"
export AZURE_AI_MODEL_DEPLOYMENT_NAME="<model-deployment-name>"
python -m langchain_azure_ai.agents.hosting.run --protocol responses

Invocations

export FOUNDRY_PROJECT_ENDPOINT="https://<account>.services.ai.azure.com/api/projects/<project>"
export AZURE_AI_MODEL_DEPLOYMENT_NAME="<model-deployment-name>"
python -m langchain_azure_ai.agents.hosting.run --protocol invocations

对于部署，在 azure.yaml 中的智能体服务上设置 codeConfiguration.entryPoint 为相同的运行器和协议。保留现有的项目路径、运行时和依赖解析设置：

Responses

services:
    my-agent:
        codeConfiguration:
            entryPoint: '-m langchain_azure_ai.agents.hosting.run --protocol responses'

Invocations

services:
    my-agent:
        codeConfiguration:
            entryPoint: '-m langchain_azure_ai.agents.hosting.run --protocol invocations'
...

使用 SDK 主机类

当您需要自定义服务器构建、直接控制服务器生命周期或实现高级托管行为（如自定义路由或处理器）时，使用 SDK 主机类：

Responses

from langchain_azure_ai.agents.hosting import ResponsesHostServer

ResponsesHostServer(graph).run()

Invocations

from langchain_azure_ai.agents.hosting import InvocationsHostServer

InvocationsHostServer(graph).run()

要部署任何方法，使用 azd ai agent init 初始化托管智能体项目，使用 azd ai agent run 本地测试，并使用 azd deploy 部署。仅在需要创建工厂项目或其他 Azure 资源时，首先运行 azd provision。您也可以使用工厂工具包 Visual Studio Code 扩展部署。

微软学习指南包含两个协议的完整示例、对话状态、人工参与流程、测试、部署和故障排除。

---

官方原文：src/oss/python/integrations/providers/microsoft.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。