2026 年 openlux langgraph 配置实操步骤：从环境变量到流式输出

2026 年 openlux langgraph 配置实操步骤：从环境变量到流式输出

把 API Key 写死在代码里、把模型名写死在节点里，是 LangGraph 项目最常见的迁移隐患。

这篇按实操顺序走一遍 openlux langgraph 配置：先准备依赖与环境变量，再把模型挂进图节点，最后把流式输出从头接到尾。文中出现的变量名、参数名和接口地址以 openlux 官方文档与你控制台里显示的信息为准，不同接入方式可能略有差异；一旦遇到不一致，先以控制台为准，再回头调整代码。

一、准备阶段：依赖与环境变量

装什么依赖

典型的组合是 langgraph、langchain-core，再加上一个能对接兼容接口的客户端，例如 langchain-openai。如果 openlux 提供了官方 SDK，优先按官方文档安装，避免自己拼装请求。

pip install -U langgraph langchain-openai python-dotenv

环境变量放在哪里

密钥、接口地址、模型名都放进环境变量，本地用 .env，线上用容器变量或密钥管理服务，不要写进仓库、前端代码或日志。

export OPENLUX_API_KEY="你的密钥"
export OPENLUX_BASE_URL="https://控制台给出的接口地址"
export OPENLUX_MODEL="控制台显示的模型名称"

配置时有三个细节最容易出错：一是 Base URL 结尾要不要带 /v1，以文档示例为准；二是模型名称的大小写和分隔符必须完全一致；三是有些接入方式需要额外请求头，这类要求通常写在文档的鉴权章节里，不要凭经验省略。

二、把模型挂进 LangGraph

初始化一个可复用的模型对象

把环境变量读进客户端，不要让节点自己去拼配置。

import os
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model=os.environ["OPENLUX_MODEL"],
    api_key=os.environ["OPENLUX_API_KEY"],
    base_url=os.environ["OPENLUX_BASE_URL"],
    temperature=0.3,
)

如果客户端不支持 base_url 这个参数名，就按它文档里的写法设置，不要改成硬编码域名。做完这一步，可以先只调一次 llm.invoke，确认密钥与地址没问题，再进图里调。

在节点里调用，而不是写死模型

from langgraph.graph import StateGraph, START, END, MessagesState

def call_model(state):
    resp = llm.invoke(state["messages"])
    return {"messages": [resp]}

builder = StateGraph(MessagesState)
builder.add_node("model", call_model)
builder.add_edge(START, "model")
builder.add_edge("model", END)
graph = builder.compile()

更推荐的做法是把 llm 通过配置或依赖注入的方式传进节点，这样换模型时只改环境变量，不用动图结构。多智能体或多模型协作时，这一点尤其重要，否则每加一个模型就要复制一份节点代码。

三、流式输出：从图到前端

LangGraph 的流式能力和底层模型的流式能力是两件事，需要分别确认。常用的三种模式可以这样分工：

• stream_mode="messages"：适合逐 Token 输出，聊天类界面用这个。
• stream_mode="updates"：适合观察每个节点执行完后的状态变化，调试多步流程用这个。
• stream_mode="values"：适合查看每一步的完整状态，排查上下文丢失用这个。

for chunk in graph.stream(
    {"messages": [{"role": "user", "content": "写一段产品介绍"}]},
    stream_mode="messages",
):
    print(chunk, flush=True)

如果结果是“攒完一次性返回”而不是逐字出现，一般是三种原因：客户端没有开启流式解析、中间层做了缓冲、或者请求里被加入了会关闭流式的参数。排查时先保持最小脚本，只打印每个 chunk 的时间戳，确认分块是否真的在陆续到达。

四、配置项自查表

五、常见报错与排查顺序

• 401 或 403：先查密钥是否正确、是否过期、请求头是否按文档要求携带。
• 404：多半是 Base URL 少了或多了一段路径，也可能是模型名不在可用清单里。
• 400 参数不支持：把请求参数精简到最小集合，再逐个加回，定位是哪个字段被拒绝。
• 流式无输出或中途断开：先用最短提示词测试；仍然复现，再检查网络中间层是否做了缓冲或超时。
• 余额或额度类提示：到控制台确认余额与用量，不要只按报错文案猜。

哪些参数被支持、哪些行为会额外计费，都以 openlux 的官方文档和控制台页面为准；网络上流传的示例代码可能对应的是旧版本参数。

六、多环境、多模型怎么管

真实项目里通常不止一个模型：规划用推理能力强的，改写用便宜的，摘要用长上下文友好的。如果每换一个模型就要改一次接入地址和密钥，配置成本会很快超过模型本身的费用。千聚AI中转站 这类 AI 中转站的思路是把接口收敛成一层：一个 Base URL 加一套 API Key，按任务选择不同模型，Key、余额和调用情况在同一个控制台里管理，开发、测试、生产可以各用一个 Key 分开计量。具体的模型清单、协议兼容方式和计费规则，可以在 千聚官网 控制台里查看后，再决定要不要接入。

无论用哪种方式，建议保留一个最简测试脚本：一个环境变量、一次 invoke、一次 stream。以后升级依赖或更换模型，先跑这个脚本，能省掉大量“到底是谁变了”的排查时间。

配好环境变量之后，先跑通一次流式调用

如果你希望用一套接口地址管理 LangGraph 里的多个模型，可以注册千聚账号，在控制台获取 API Key、查看可用模型，然后按本文步骤完成首次流式测试。

进入千聚控制台，获取 API Key 开始调试