背景：
为了快速且规范的实现ai应用，可使用LangChain框架，便于后期维护。虽然deepseek异军突起，在终端用户占有率很高，但是仔细查阅相关api接口，尤其是自有知识库需要使用的文本向量化模型方面，openai仍无法被替代。目前国内仍无法付费使用openai接口，需要迂回使用azure版的openai相关模型。

目前，ai类应用处于快速迭代期，很多一年前的教程已经过时，因此记录下2025年最新的ai应用使用方法。

一、开通azureopenai需要注册azure.microsoft.com微软云服务，并绑定visa功能的信用卡。

openai.com不支持国内信用卡：

在azure的主页左上角下拉菜单，找到“成本管理 + 计费”：

在“成本管理 + 计费”窗口左侧导航栏，打开“计费-》付款方式”：

添加visa卡即可。

二、进入Azure AI Foundry，创建ai容器

访问新版的ai地址：Azure AI Foundryhttps://ai.azure.com/

 

然后通过顶部“+创建项目”按键一键完成openai容器创建。

注意：我也试过旧版的创建容器方式，也许是访问地址没有搞对，使用api访问总是报404错误。

用新版创建容器后，点击项目名称，直接进入项目。

点击操场即可测试当前容器是否运行正常：

 在旧版的azure openai容器没有找到类似功能。也许有，但是新版更好找。推荐小白初学者用新版

Azure AI Foundryhttps://ai.azure.com/

三、测试python接入azure openai

点击聊天操场的“查看代码”功能

 可以看到完整的python运行代码：

 粘贴到https://colab.research.google.com/或者jupyter notebook中稍加改动（加入api key和endpoint）即可运行：

 api key在 Azure AI Foundry / 224199843-5323 / 概述 页可以找到

endpoint在示例代码上方的文本框中能找到：

 注意：在使用langchain_openai框架时，endpoint不填全，api接口无法访问，会报404错误。比如只填域名部分：

https://ai-2241998435710ai347721904316.openai.azure.com/

https://ai-2241998435710ai347721904316.openai.azure.com/

 

被这个问题困惑了一天，最后填写了正确的url地址才解决。

!pip install -U langchain_openai
from langchain_openai import AzureChatOpenAI
from google.colab import userdata

chat = AzureChatOpenAI(
    azure_endpoint="https://ai-2241998435710ai347721904316.openai.azure.com/openai/deployments/gpt-4o-mini/chat/completions?api-version=2025-01-01-preview",
    # azure_endpoint="https://ai-2241998435710ai347721904316.openai.azure.com/", 错误url
    azure_deployment="ai-2241998435710ai347721904316",
    api_key=userdata.get('AZURE_OPENAI_API_KEY'),
    api_version="2025-01-01-preview",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
    # organization="...",
    # model="gpt-35-turbo",
    # model_version="0125",
    # other params...
)

messages = [
    (
        "system",
        "You are a helpful translator. Translate the user sentence to French.",
    ),
    ("human", "I love programming."),
]
chat.invoke(messages)

四、学会使用langchain的 提示词模板（ChatPromptTemplate）和 输出解析器（JsonOutputParser）

虽然吴恩达的课程已经过时，但是可以结合deepseek的提示和最新的langchain api文档来学习，我觉得吴恩达的讲课思路非常清晰，很适合看了一堆视频，越看越没有头绪的初学者。

(超爽中英!) 2024公认最好的【吴恩达LangChain+RAG】教程！更适合中国宝宝体质，全程干货无废话，学完成为AGI大佬！（附课件+代码）_哔哩哔哩_bilibili(超爽中英!) 2024公认最好的【吴恩达LangChain+RAG】教程！更适合中国宝宝体质，全程干货无废话，学完成为AGI大佬！（附课件+代码）共计29条视频，包括：基于LangChain的大语言模型应用开发1——介绍、基于LangChain的大语言模型应用开发2——模型，提示和输出解析、基于LangChain的大语言模型应用开发3——记忆等，UP主更多精彩视频，请关注UP账号。https://www.bilibili.com/video/BV1TJ4zemETf/

from langchain_openai import AzureChatOpenAI
from google.colab import userdata

chat = AzureChatOpenAI(
    azure_endpoint="https://ai-2241998435710ai347721904316.openai.azure.com/openai/deployments/gpt-4o-mini/chat/completions?api-version=2025-01-01-preview",
    # azure_endpoint="https://ai-2241998435710ai347721904316.openai.azure.com/",
    azure_deployment="ai-2241998435710ai347721904316",
    api_key=userdata.get('AZURE_OPENAI_API_KEY'),
    api_version="2025-01-01-preview",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
    # organization="...",
    # model="gpt-35-turbo",
    # model_version="0125",
    # other params...
)

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser
# from langchain_core.pydantic_v1 import BaseModel, Field, HttpUrl  
# langchain_core.pydantic_v1 已淘汰，langchain可以直接导入pydantic 2的对象
from pydantic import BaseModel, Field, HttpUrl
from typing import List, Optional, Union
from datetime import date

# 1.1 创建含有动态字段的简历结构


# 动态字段的基类
class DynamicSection(BaseModel):
    section_name: str = Field(description="模块名称")
    content: Union[str, List[str], dict] = Field(description="模块内容")


# 教育经历、工作经历、技能、项目经验
class Education(BaseModel):
    """教育背景条目（所有字段可选）"""
    sections: List[DynamicSection] = Field(default_factory=list, description="动态项或动态列表")

class WorkExperience(BaseModel):
    """工作经历条目（所有字段可选）"""
    sections: List[DynamicSection] = Field(default_factory=list, description="动态项或动态列表")

class Skill(BaseModel):
    """技能条目（所有字段可选）"""
    sections: List[DynamicSection] = Field(default_factory=list, description="动态项或动态列表")

class ProjectExperience(BaseModel):
    sections: List[DynamicSection] = Field(default_factory=list, description="动态项或动态列表")

class Resume_dynamic(BaseModel):
    """简历数据模型（所有字段可选）"""
    # 基础信息
    seq_num: Optional[int] = Field(None, description="序号", gt=0)
    file_name: Optional[str] = Field(None, description="文件名", max_length=255)  # 允许字母数字/下划线/点/横线 regex=r"^[\w\-\.]+$"
    is_resume: Optional[bool] = Field(None, description="该文件是否是简历")

    # 个人信息
    name: Optional[str] = Field(None, description="姓名", min_length=2, max_length=50)
    gender: Optional[str] = Field(None, description="性别", examples=["男", "女", "其他"])
    birthday: Optional[date] = Field(None, description="生日")
    ethnicity: Optional[str] = Field(None, description="民族")
    political_affiliation: Optional[str] = Field(None, description="政治面貌")
    marital_status: Optional[str] = Field(None, description="婚姻状况")
    native_place: Optional[str] = Field(None, description="籍贯或户口所在地")
    address: Optional[str] = Field(None, description="现住址")
    id_number: Optional[str] = Field(None, description="身份证号码", pattern=r"^\d{17}[\dXx]$")
    phone: Optional[str] = Field(None, description="手机号", pattern=r"^1[3-9]\d{9}$")
    email: Optional[str] = Field(None, description="邮箱", pattern=r"^[\w\.-]+@[\w\.-]+\.\w{2,4}$")

    # 教育信息
    highest_degree: Optional[str] = Field(None, description="最高学历", examples=["高中", "专科", "本科", "硕士", "博士"])
    major: Optional[str] = Field(None, description="最高学历专业", max_length=50)

    # 求职信息
    job_target: Optional[str] = Field(None, description="求职意向职业", max_length=100)

    # 结构化信息
    education_background: Optional[List[Education]] = Field(None, description="教育背景")
    work_experience: Optional[List[WorkExperience]] = Field(None, description="工作经历")
    skills: Optional[List[Skill]] = Field(None, description="特殊技能或资格证书")
    project_experience: Optional[List[ProjectExperience]] = Field(None, description="项目经历")

# 2.1 创建简历结构json解析器
resume_output_parser = JsonOutputParser(pydantic_object=Resume_dynamic)

# 3. 创建简历解析提示模板
prompt = ChatPromptTemplate.from_template(
    "解析以下简历：{question}\n"
    "请按照指定格式返回：\n"
    "{format_instructions}"
)

# 4. 组合成链
chain = prompt | chat | resume_output_parser

resume_text = '''
应聘人员信息表
姓名 ...
电话 ...
... ...

'''

# 5. 调用
result = chain.invoke({
    "question": resume_text,
    "format_instructions": resume_output_parser.get_format_instructions()
})

result输出结果：

{'seq_num': None,
 'file_name': None,
 'is_resume': None,
 'name': '',
 'gender': '男',
 'birthday': '1900-00-00',
 'ethnicity': '汉',
 'political_affiliation': '群众',
 'marital_status': '未婚',
 'native_place': '吉林省长春市',
 'address': '高新技术开发区，保利罗兰香谷',
 'id_number': '221100000000000000',
 'phone': '15922334455',
 'email': None,
 'highest_degree': '硕士',
 'major': '建筑与土木工程',
 'job_target': '市政道路、排水设计',
 'education_background': [{'sections': [{'section_name': '教育经历',
     'content': {'起止年月': '2012.09-2015.07',
      '毕业院校及系名称': '吉林建筑大学',
      '专业': '建筑与土木工程',
      '学位': '硕士'}},
    {'section_name': '教育经历',
     'content': {'起止年月': '2008.09-2012.07',
      '毕业院校及系名称': '长春工程学院',
...
    {'section_name': '项目经历',

注意：langchain_core.pydantic_v1 已淘汰，langchain可以直接导入pydantic 2的对象

例子来自deepseek，在本例中class Resume_dynamic(BaseModel):对象即用于提示词中对生成格式的要求，又用于将ai生成结果解析为dict对象，一箭双雕。其余代码非常直观，链式编程也符合一般人的认知。这样编写的代码即简洁又高效。

Logo
DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

cover

2025年程序员转行大模型全攻略：职业前景、热门岗位与选择策略解析！

avatar DeepSeek技术社区
cover

一文搞懂 Deepseek

avatar DeepSeek技术社区

AI驱动的VOC如何助力企业洞察市场需求，促进业务增长？

例如，随着汽车行业竞争加剧，客户到底在反馈什么、关注什么至关重要，因此，某头部车企将VOC（客户之声，Voice of Customer）定义为客户情报中心，希望通过VOC系统了解客户在说我们什么、在说竞品什么，客户反馈的问题是否解决了、谁在解决、解决得好不好。目前，售后宝深度融合DeepSeek、通义、豆包等主流模型学习推理能力，构建了智能VOC Agent，能够从繁多的声音中洞察业务关键信息，

avatar DeepSeek技术社区