前言

在上一篇文章中，我们探讨了如何自定义LLM类。但是看到最新的LangGraph版本中，主要利用的是OpenAI或者ChatOpenAI，并使用了ChatOpenAI独有的bind_tool方法，使得图结构有了更为丰富的动作与功能，这让我非常眼红。于是本文就探讨了OpenAI或者ChatOpenAI包装自定义LLM的方法。

OpenAI为什么可以？

有些人已经比较熟悉了，为什么偏偏包括OpenAI在内的大模型厂商都可以使用url+api-key的模式访问信息并获取返回结果。这里还是再度解析一下。

我们找到Python文件中的from openai import OpenAI，并选择进入OpenAI看一看原理，我们可以发现，OpenAI类继承自SyncAPIClient，而SyncAPIClient继承自BaseClient[httpx.Client, Stream[Any]]，类内有一个成员变量：_client: httpx.Client。

核心的部分在：

def request(
  self,
  cast_to: Type[ResponseT],
  options: FinalRequestOptions,
  remaining_retries: Optional[int] = None,
  *,
  stream: bool = False,
  stream_cls: type[_StreamT] | None = None,
) -> ResponseT | _StreamT:
  if remaining_retries is not None:
    retries_taken = options.get_max_retries(
      self.max_retries
    ) - remaining_retries
  else:
    retries_taken = 0

  return self._request(
    cast_to=cast_to,
    options=options,
    stream=stream,
    stream_cls=stream_cls,
    retries_taken=retries_taken,
  )

而_request中，有一段是这样的

response = self._client.send(
  request,
  (
    stream=stream or
    self._should_stream_response_body(
      request=request
    )
  ),
  **kwargs,
)

其中，send方法都并不需要太关注源码,直接看注释都明白是在干啥了:

def send(
  self,
  request: Request,
  *,
  stream: bool = False,
  auth: AuthTypes | UseClientDefault | None = USE_CLIENT_DEFAULT,
  follow_redirects: bool | UseClientDefault = USE_CLIENT_DEFAULT,
) -> Response:
  """
  Send a request.

  The request is sent as-is, unmodified.

  Typically you'll want to build one with `Client.build_request()`
  so that any client-level configuration is merged into the request,
  but passing an explicit `httpx.Request()` is supported as well.

  See also: [Request instances][0]

  [0]: /advanced/clients/#request-instances
  """

也就是说，OpenAI的本质就是一个巨大的网络请求客户端，而url与api-key就是访问客户端的两个参数。

OpenAI怎么传参？

那么知道了这些之后，我们又应该怎么找规律，从而把自己的url和api-key塞进去呢？

首先我们注意到其中有一个方法：

@property
@override
def auth_headers(self) -> dict[str, str]:
  api_key = self.api_key
  return {"Authorization": f"Bearer {api_key}"}

这个和MindIE的使用方法相当一致。我们接着找，然后在这里找到了一点蛛丝马迹：

@property
def default_headers(self) -> dict[str, str | Omit]:
  return {
    "Accept": "application/json",
    "Content-Type": "application/json",
    "User-Agent": self.user_agent,
    **self.platform_headers(),
    **self.auth_headers,
    **self._custom_headers,
  }

在这里，self.auth_headers中构建的字典在这里被展开了，成为了新字典中的若干个字段。如果你对HTTP请求略有基础，你会发现，原来内置的部分属性Accept、Content-Type、User-Agent都是仅出现在请求头中的内容。也就是说，这个api-key实际上是应当放在请求头里面一起携带过去。

而url最终也将成为BaseClient类中的一个参数，传入httpxRequest._models.Request类：

return Request(
  method,
  url,
  content=content,
  data=data,
  files=files,
  json=json,
  params=params,
  headers=headers,
  cookies=cookies,
  extensions=extensions,
)

OpenAI怎么兼容？

既然大概知道了OpenAI的原理，那么关键就是兼容自己的LLM了。

首先，我们需要一个api的url，也就是请求返回结果是按照OpenAI接口格式返回的一个数据接口，一般情况下是以v1/chat/completions为结尾的。

然后，我们需要一个api的key，这个key必须得是Bearer 开头的，否则就没办法兼容OpenAI了，除非你愿意花这个时间把整个OpenAI的接口实现一遍，然后在自定义api_key的时候做出不一样的行为。

然后，拿到你的api-key：Bearer <your-api-key>

我们就可以开开心心地访问了：

llm = OpenAI(
  base_url="<your-api-url>",
  api_key="<your-api-key>"
)

P.S. 一般情况下，厂商会帮你隐去这个Bearer，你只需要关注<your-api-key>就好了。而如果厂商没有帮你隐去，你也需要知道，在当前开发场景下，到底要不要加上Bearer 。

如果你比较细心的话，你会发现通义千问的方法也是这个：

llm = OpenAI(
  base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
  api_key="<your-dashscope-key>"
)

这也反向证明了我们的正确性。

ChatOpenAI如何兼容？

我们同样从源码中找到答案。

首先，找到from langchain_openai import ChatOpenAI，其实这也是同等于from langchain_openai.chat_models.base import ChatOpenAI。

在这里，我们找到有一个client属性与root_client属性。其中：

self.root_client = openai.OpenAI(
  **client_params, **sync_specific
)
self.client = self.root_client.chat.completions

看出来了吗？ChatOpenAI本质上就是openai.OpenAI的封装，root_client属性就是openai.OpenAI的实例，client属性是v1/chat/completions接口的实例。

这就没什么悬念了。所以ChatOpenAI实际上与OpenAI一样，只需要这样：

llm = ChatOpenAI(
  base_url="<your-api-url>",
  api_key="Bearer <your-api-key>",
  model="<your choice>"
)