# LangChain i LlamaIndex z modelami open-weight

> Używaj LLM-ów open-weight w LangChain i LlamaIndex: ChatOpenAI z base_url, tool binding, LangChain.js i OpenAILike. Płać za token kryptowalutą.

- URL: https://llmwithcrypto.com/pl/docs/langchain/
- Ostatnia aktualizacja: 2026-10-23
- Wydawca: LLMwithCrypto (https://llmwithcrypto.com)

LangChain i LlamaIndex dostarczają model czatu zgodny z OpenAI, który przyjmuje własny base URL. Wskaż go na nasze API, a każdy chain, agent i retriever, który zbudowałeś, dalej działa, teraz na DeepSeek, Qwen, gpt-oss i innych modelach open-weight.

**Krótka odpowiedź — Jak używać LLMwithCrypto w LangChain?**

Zainstaluj `langchain-openai` i utwórz `ChatOpenAI(model="deepseek-v4-pro", base_url="https://llmwithcrypto.com/api/v1", api_key=…)`. **LLMwithCrypto** mówi w formacie czatu OpenAI, więc `invoke`, streaming i `bind_tools` działają jak z OpenAI, na modelach obsługujących narzędzia. LlamaIndex używa `OpenAILike` z tym samym base URL. Udokumentowano 23 października 2026.

## Której klasy użyć

| Atrybut | Wartość |
| --- | --- |
| LangChain (Python) | `ChatOpenAI` z `langchain-openai`, z `base_url` |
| LangChain.js | `ChatOpenAI` z `@langchain/openai`, z `configuration.baseURL` |
| LlamaIndex | `OpenAILike` z `llama-index-llms-openai-like`, z `api_base` i `is_chat_model=True` |
| Id modeli | Na [stronie modeli](https://llmwithcrypto.com/pl/models/) |

## Jak skonfigurować ChatOpenAI?

Podaj bazowy URL i klucz przy tworzeniu modelu. Ustawienie `max_tokens` sprawia, że żaden krok łańcucha ani agenta nie zapisze więcej, niż chcesz zapłacić; `usage_metadata` w odpowiedzi pokazuje tokeny każdego wywołania.

*LangChain: ChatOpenAI na DeepSeek V4 Pro*

```python
import os

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="deepseek-v4-pro",
    base_url="https://llmwithcrypto.com/api/v1",
    api_key=os.environ["LLMWITHCRYPTO_API_KEY"],
    max_tokens=300,
    temperature=0.3,
)
reply = llm.invoke("Explain what a vector database is in two sentences.")
print(reply.content)
print(reply.usage_metadata)

```

## Czy narzędzia i agenci działają?

Tak, na modelach obsługujących tool calling. Streaming działa na każdym modelu; tool calling i wyjście JSON zależą od tego, co obsługuje sam model. `bind_tools` wysyła Twoje narzędzia w formacie OpenAI; przetestuj swój schemat na wybranym modelu, zanim zaczniesz na nim polegać. Agenci LangGraph zbudowani na `ChatOpenAI` działają tak samo.

*LangChain: narzędzie powiązane z gpt-oss-120b*

```python
import os

from langchain_core.tools import tool
from langchain_openai import ChatOpenAI


@tool
def convert_currency(amount: float, rate: float) -> float:
    """Convert an amount with an exchange rate."""
    return round(amount * rate, 2)


llm = ChatOpenAI(
    model="gpt-oss-120b",
    base_url="https://llmwithcrypto.com/api/v1",
    api_key=os.environ["LLMWITHCRYPTO_API_KEY"],
)
llm_with_tools = llm.bind_tools([convert_currency])
msg = llm_with_tools.invoke("How much is 250 at a rate of 0.92?")
for call in msg.tool_calls:
    print(call["name"], call["args"], "->", convert_currency.invoke(call["args"]))

```

## A z poziomu JavaScript?

LangChain.js przyjmuje bazowy URL w `configuration`, który przekazuje do klienta OpenAI pod spodem.

*LangChain.js: ChatOpenAI z baseURL*

```javascript
import { ChatOpenAI } from '@langchain/openai';

const llm = new ChatOpenAI({
  model: 'qwen3-235b-a22b-instruct-2507',
  apiKey: process.env.LLMWITHCRYPTO_API_KEY,
  configuration: { baseURL: 'https://llmwithcrypto.com/api/v1' },
  maxTokens: 300,
});
const reply = await llm.invoke('Give me a three-step plan to learn SQL.');
console.log(reply.content);

```

## Jak użyć tego w LlamaIndex?

Użyj `OpenAILike`, który nie sprawdza nazw modeli wobec listy OpenAI. Ustaw `is_chat_model=True`, żeby wysyłał wiadomości czatu, i podaj okno kontekstu modelu, żeby LlamaIndex mógł dobrać rozmiar promptów: DeepSeek V4.1 Flash czyta do 1M tokenów według stanu na 23 października 2026, a przykład celowo ustawia mniejsze okno, żeby prompty były krótkie.

*LlamaIndex: OpenAILike na DeepSeek V4.1 Flash*

```python
import os

from llama_index.llms.openai_like import OpenAILike

llm = OpenAILike(
    model="deepseek-v4.1-flash",
    api_base="https://llmwithcrypto.com/api/v1",
    api_key=os.environ["LLMWITHCRYPTO_API_KEY"],
    is_chat_model=True,
    context_window=131072,
    max_tokens=300,
)
print(llm.complete("Name three uses of a knowledge graph."))

```

## Jak utrzymać koszty agenta pod kontrolą?

Agent wywołuje model wiele razy na zadanie: raz do zaplanowania, raz na wynik narzędzia, raz do odpowiedzi. Każde wywołanie ponownie wysyła całą rozmowę, więc wejście rośnie z każdym krokiem.

- **Ogranicz każde wywołanie** przez `max_tokens`, a cały przebieg przez maksymalną liczbę kroków.
- **Użyj małego modelu tam, gdzie wystarczy.** Według stanu na 23 października 2026 gpt-oss-20b kosztuje $0.033 za milion tokenów wejściowych wobec $1.254 dla DeepSeek V4 Pro: kieruj proste kroki do małego modelu, a duży zachowaj na końcową odpowiedź.
- **Skracaj historię** w długich rozmowach albo podsumowuj starsze tury.
- **Pilnuj kredytów** przez `GET https://llmwithcrypto.com/api/v1/credits` przed dużymi przebiegami.

Panel wyświetla każde wywołanie wraz z tokenami i kosztem, co szybko pokazuje, który krok łańcucha jest tym drogim.

## Frameworki: najczęstsze pytania

### Czy mogę mieszać modele w jednym łańcuchu?

Tak: utwórz jeden `ChatOpenAI` na model, na przykład tani do routingu i duży do końcowej odpowiedzi. Wszystkie zużywają ten sam kredyt.

### Czy embeddingi działają?

Nie. API obsługuje tylko chat completions; używaj swojego istniejącego modelu embeddingów obok niego.

### Za co płacę przy przebiegu agenta?

Za każde wywołanie modelu w przebiegu, według tokenów. Płacisz za token z salda: tokeny wejściowe i wyjściowe są liczone przez tokenizer danego modelu i rozliczane według ceny tego modelu za 1M tokenów. Wywołanie zakończone błędem nic nie kosztuje. Ceny za model są na [stronie cennika](https://llmwithcrypto.com/pl/pricing/).

---

LLMwithCrypto: LLMwithCrypto to zgodne z OpenAI API LLM dla modeli z otwartymi wagami — DeepSeek V4 Pro, DeepSeek V4.1 Flash, DeepSeek R1, Qwen3.5 397B A17B, Qwen3 235B A22B Instruct, gpt-oss-120b, gpt-oss-20b, GLM-4.7, Llama 3.3 70B Instruct, Gemma 4 31B, Mistral Large 3, Mistral Small 4 — płatne za token z przedpłaconego salda kryptowalutowego, o 5% poniżej mediany ceny publicznych hostów. Bez KYC: bez dowodu, bez selfie, bez dokumentów. Prompty i odpowiedzi nie są przechowywane.