上周接了个私活，甲方要做一个能自动分析合同条款的小工具。需求不复杂：用户丢一份 PDF 进来，系统拆分段落、提取关键条款、给出风险评估。我一看这不就是典型的 LangChain + LLM 的活儿嘛，撸起袖子就开干。
结果在"接 API"这一步卡了大半天。
LangChain 接 API 核心就三步：安装依赖、配置 LLM 对象、传入 api_key 和 base_url。但坑在于，2026 年模型太多了，官方 SDK 版本又老在变，不同模型的接入方式差异还挺大。这篇文章我把三种方案都跑了一遍，直接上代码和实测结果，你照着抄就行。
先说结论
| 方案 | 适用场景 | 上手难度 | 模型切换成本 | 我的评价 |
|---|---|---|---|---|
| 方案一：ChatOpenAI 直连官方 | 只用 GPT 系列 | ⭐⭐ | 高（换模型要改代码） | 够用但不灵活 |
| 方案二：ChatAnthropic 接 Claude | 只用 Claude 系列 | ⭐⭐ | 高（同上） | Claude Opus 4.6 真的猛 |
| 方案三：OpenAI 兼容协议 + 聚合 API | 多模型切换、生产环境 | ⭐ | 极低（改 model 字符串就行） | 我最终用的方案 |
环境准备
Python 3.10+，LangChain 最新版。2026 年 LangChain 的包拆得比较碎，别装错了：
pipinstalllangchain langchain-openai langchain-anthropic langchain-core# 确认版本，我用的是这个pip show langchain-openai# Version: 0.3.x小提醒：langchain和langchain-community是两个包，很多老教程搞混了。2026 年官方推荐用langchain-openai这种独立的 partner 包，别再用from langchain.chat_models import ChatOpenAI这种旧写法了，虽然暂时还能跑但迟早废弃。
方案一：ChatOpenAI 直连 OpenAI 官方
最基础的方案，LangChain 文档第一页就教这个：
fromlangchain_openaiimportChatOpenAIfromlangchain_core.messagesimportHumanMessage,SystemMessage llm=ChatOpenAI(model="gpt-5",temperature=0.3,api_key="sk-your-openai-key",)messages=[SystemMessage(content="你是一个合同分析助手，请用中文回答"),HumanMessage(content="请分析以下条款的风险点：甲方有权在未通知乙方的情况下单方面修改合同条款。"),]response=llm.invoke(messages)print(response.content)实测下来，GPT-5 的分析质量没话说，风险点列得很全，响应时间大概 2-4 秒。硬伤是只能用 OpenAI 的模型。我那个项目后来甲方说想对比一下 Claude 的效果，我就得再接一套。
方案二：ChatAnthropic 接 Claude
Claude Opus 4.6 在长文本理解上比 GPT-5 强一些（个人体感，不是严格 benchmark），合同分析这种场景挺适合：
fromlangchain_anthropicimportChatAnthropicfromlangchain_core.messagesimportHumanMessage,SystemMessage llm=ChatAnthropic(model="claude-sonnet-4-20250514",temperature=0.3,api_key="sk-ant-your-anthropic-key",max_tokens=4096,)messages=[SystemMessage(content="你是一个合同分析助手，请用中文回答，列出所有潜在风险"),HumanMessage(content="请分析以下条款的风险点：甲方有权在未通知乙方的情况下单方面修改合同条款。"),]response=llm.invoke(messages)print(response.content)Claude 的输出结构化做得更好，自动分了"法律风险"“商业风险”"建议修改方案"三个板块。延迟和方案一差不多。问题是 Anthropic 的 SDK 鉴权方式和 OpenAI 不一样，两套代码维护起来烦。
到这里我就开始烦了——甲方又说想试试 DeepSeek V3 和 Qwen 3，说这俩便宜。我总不能每个模型写一套接入代码吧？
方案三：OpenAI 兼容协议 + 聚合 API（推荐）
这是我最后用的方案。
核心思路：大部分模型厂商都兼容 OpenAI 的 API 协议，所以只需要用ChatOpenAI，把base_url指向一个聚合平台，就能用同一套代码调所有模型。
我用的是 ofox.ai 的聚合接口。ofox.ai 是一个 AI 模型聚合平台，一个 API Key 可以调用 GPT-5、Claude Opus 4.6、Gemini 3、DeepSeek V3、Qwen 3 等 50+ 模型，兼容 OpenAI/Anthropic/Gemini 三大协议，支持支付宝付款，按量计费。
fromlangchain_openaiimportChatOpenAIfromlangchain_core.messagesimportHumanMessage,SystemMessage# 切换模型只需要改 model 参数，其他代码完全不动defget_llm(model_name:str="gpt-5"):returnChatOpenAI(model=model_name,temperature=0.3,api_key="your-ofox-key",base_url="https://api.ofox.ai/v1",)messages=[SystemMessage(content="你是一个合同分析助手，请用中文回答，列出所有潜在风险并给出修改建议"),HumanMessage(content="请分析以下条款的风险点：甲方有权在未通知乙方的情况下单方面修改合同条款。"),]# 跑 GPT-5print("=== GPT-5 ===")resp1=get_llm("gpt-5").invoke(messages)print(resp1.content)# 跑 Claudeprint("\n=== Claude Opus 4.6 ===")resp2=get_llm("claude-opus-4-20250514").invoke(messages)print(resp2.content)# 跑 DeepSeek V3print("\n=== DeepSeek V3 ===")resp3=get_llm("deepseek-chat").invoke(messages)print(resp3.content)三个模型全跑通，代码层面零改动（除了 model 字符串）。延迟大概 300ms-500ms，比我预期好。最爽的是：甲方后面又加了个"用最便宜的模型跑初筛，贵的模型跑精分析"的需求，我 5 分钟就改完了。
实战：用 LangChain 链式调用做合同分析 Pipeline
光调 API 没意思，给个完整的链式调用示例：
fromlangchain_openaiimportChatOpenAIfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportJsonOutputParserfrompydanticimportBaseModel,FieldfromtypingimportList# 定义输出结构classRiskAnalysis(BaseModel):clause:str=Field(description="原始条款")risk_level:str=Field(description="风险等级：高/中/低")risks:List[str]=Field(description="风险点列表")suggestion:str=Field(description="修改建议")# 构建 Chainllm=ChatOpenAI(model="gpt-5",temperature=0.2,api_key="your-ofox-key",base_url="https://api.ofox.ai/v1",)parser=JsonOutputParser(pydantic_object=RiskAnalysis)prompt=ChatPromptTemplate.from_messages([("system","你是专业的合同风险分析师。请分析给定条款的风险，按指定 JSON 格式输出。\n{format_instructions}"),("human","请分析这个条款：{clause}"),])chain=prompt|llm|parser# 运行result=chain.invoke({"clause":"甲方有权在未通知乙方的情况下单方面修改合同条款，乙方不得提出异议。","format_instructions":parser.get_format_instructions(),})print(f"风险等级:{result['risk_level']}")print(f"风险点: ")forrinresult['risks']:print(f" -{r}")print(f"修改建议:{result['suggestion']}")跑出来的结果大概长这样：
风险等级: 高 风险点: - 甲方享有不受限制的单方变更权，严重违反合同对等原则 - 未通知即修改，剥夺了乙方的知情权 - "不得提出异议"条款可能被认定为格式条款中的霸王条款 修改建议: 建议修改为"甲方如需修改合同条款，应提前30日书面通知乙方，经双方协商一致后方可变更"整体调用链路
踩坑记录
坑 1：LangChain 版本地狱
我一开始用的langchain==0.1.x的老代码，from langchain.chat_models import ChatOpenAI直接报 deprecation warning 一屏幕。2026 年请统一用langchain-openai包的from langchain_openai import ChatOpenAI。
坑 2：JsonOutputParser 对中文不友好
GPT-5 偶尔会在 JSON 外面包一层 markdown 的```json标记，导致 parser 炸了。解决办法是在 prompt 里加一句"直接输出 JSON，不要包裹在代码块中"。
坑 3：Streaming 模式下 output parser 不能直接用
用了chain.stream()想做流式输出，JsonOutputParser会报错，因为它需要完整的 JSON 才能 parse。要么用chain.invoke()等完整响应，要么自己攒 chunk 最后再 parse。
# 流式输出的正确姿势chunks=[]forchunkinchain.stream({"clause":"...","format_instructions":"..."}):chunks.append(chunk)# 这里 chunk 已经是 parser 处理过的部分结果这个坑我踩了两个小时，LangChain 文档里关于 streaming + parser 的说明少得可怜。
坑 4：temperature 设太高导致 JSON 格式不稳定
合同分析这种场景，temperature 建议设 0.1-0.3。我一开始设了 0.7，DeepSeek V3 有 20% 的概率输出格式不对。
小结
LangChain 接 API 这事儿本身不难，难的是选对方案。如果你也需要频繁切换模型、对比效果，方案三（OpenAI 兼容协议 + 聚合接口）是目前最省心的路子。代码写一遍，model 参数一换，完事。
那个合同分析的私活最后交付了，甲方还挺满意。不过他最后选了 DeepSeek V3 跑初筛 + GPT-5 跑精分析的组合——因为便宜，嗯，甲方永远是对的。
