Tensorlake 集成

使用 LangChain Python 集成 Tensorlake。

Tensorlake是AI数据云，可靠地将非结构化数据源的数据转换为AI应用程序可摄入的格式。

The langchain-tensorlake package提供了与Tensorlake和LangChain的无缝集成， 使您能够使用增强的解析功能构建复杂的文档处理智能体，例如签名检测。

Tensorlake功能概览

Tensorlake为您提供以下工具：

• Extract：基于模式的结构化数据抽取，从文档中提取特定字段
• Parse：将文档转换为Markdown格式，用于构建RAG/Knowledge Graph系统
• Orchestrate：构建可编程工作流，对文档、文本、音频、视频等数据进行大规模摄入和增强

更多详情请访问docs.tensorlake.ai

---

安装

pip

pip install -U langchain-tensorlake

---

示例

请参考完整教程，了解如何使用langchain-tensorlake工具检测非结构化文档中的签名。

或查看这个Colab笔记本获取快速入门指南。

---

快速开始

1. 配置环境

您需要为Tensorlake和OpenAI配置凭据，设置以下环境变量：

export TENSORLAKE_API_KEY="your-tensorlake-api-key"
export OPENAI_API_KEY = "your-openai-api-key"

从Tensorlake云控制台获取Tensorlake API密钥。新用户可获赠100个免费信用额度。

2. 导入必要包

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

3. 构建签名检测智能体

async def main(question):
    # Create the agent with the Tensorlake tool
    agent = create_agent(
            model="gpt-5.4-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作为智能体模型，以确保智能体正确设置解析参数

4. 示例用法

# 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？

可通过Slack与我们联系，或直接访问GitHub仓库获取支持。

---

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