Tensorlake 是 AI 数据云，能够可靠地将非结构化数据源转换为 AI 应用程序可直接摄入的格式。

此 langchain-tensorlake 软件包在 Tensorlake 与 LangChain, 之间提供无缝集成，使您能够构建具有增强解析功能的复杂文档处理代理，例如签名检测。

Tensorlake 功能概述

Tensorlake 为您提供以下工具： - 提取：基于模式的结构化数据提取，从文档中提取特定字段。 - Parse: Convert documents to markdown to build RAG/Knowledge Graph systems. - 编排：构建可编程的工作流，用于大规模摄入和丰富文档、文本、音频、视频等数据。

了解更多，请访问 docs.tensorlake.ai

安装

pip install -U langchain-tensorlake

uv add langchain-tensorlake

示例

请参阅 完整教程 了解如何使用 langchain-tensorlake tool.

或查看此 Colab notebook 快速入门。

快速开始

1. 设置您的环境

您应通过设置以下环境变量来配置 Tensorlake 和 OpenAI 的凭据：

从 Tensorlake 云控制台获取您的 Tensorlake API 密钥。新用户可获得 100 免费积分。

2. 导入必要的包

from langchain_tensorlake import document_markdown_tool
from langchain.agents import create_agent

3. 构建签名检测代理

async def main(question):
    # Create the agent with the Tensorlake tool
    agent = create_agent(
            model="gpt-5.4-mini",
            tools=[document_markdown_tool],
            prompt=(
                """
                I have a document that needs to be parsed. \n\nPlease parse this document and answer the question about it.
                """
            ),
            name="real-estate-agent",
        )

    # Run the agent
    result = await agent.ainvoke({"messages": [{"role": "user", "content": question}]})

    # Print the result
    print(result["messages"][-1].content)

*Note:* 我们强烈推荐使用 openai 作为代理模型，以确保代理设置正确的解析参数

4. 示例用法

# Define the path to the document to be parsed
path = "path/to/your/document.pdf"

# Define the question to be asked and create the agent
question = f"What contextual information can you extract about the signatures in my document found at {path}?"

if __name__ == "__main__":
    asyncio.run(main(question))

需要帮助？

通过以下方式联系我们 Slack 或 GitHub 上的包仓库 directly.