跳到主要内容
Tensorlake 是一个 AI 数据云，它能可靠地将非结构化数据转换为可供 AI 应用程序摄取的数据格式。 langchain-tensorlake 包提供了 Tensorlake 和 LangChain 之间的无缝集成，使您能够构建具有增强解析功能（如签名检测）的复杂文档处理代理。

​
Tensorlake 功能概述

Tensorlake 为您提供以下工具
  • 提取：模式驱动的结构化数据提取，用于从文档中提取特定字段。
  • 解析：将文档转换为 Markdown，以构建 RAG/知识图谱系统。
  • 编排：为文档、文本、音频、视频等的大规模摄取和丰富构建可编程工作流。
请访问 docs.tensorlake.ai 了解更多信息

​
安装

pip install -U langchain-tensorlake

​
示例

请遵循完整教程，了解如何使用 langchain-tensorlake 工具检测非结构化文档中的签名。 或者查看这个 colab notebook 以快速入门。

​
快速入门

​
1. 设置您的环境

您应该通过设置以下环境变量来配置 Tensorlake 和 OpenAI 的凭据 
export TENSORLAKE_API_KEY="your-tensorlake-api-key"
export OPENAI_API_KEY = "your-openai-api-key"
从 Tensorlake Cloud Console 获取您的 Tensorlake API 密钥。新用户可获得 100 个免费积分。

​
2. 导入必要的包

from langchain_tensorlake import document_markdown_tool
from langchain.agents import create_agent
import asyncio
import os

​
3. 构建一个签名检测代理

async def main(question):
    # Create the agent with the Tensorlake tool
    agent = create_agent(
            model="gpt-4o-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)
注意： 我们强烈建议使用 openai 作为代理模型，以确保代理设置正确的解析参数。

​
4. 使用示例

# 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？

请通过 Slack 或直接在 GitHub 上的包仓库 联系我们。
在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.