Skip to main content
LangSmith 提供了与 Instructor 的便捷集成，这是一个流行的开源库，用于通过 LLM 生成结构化输出。 要使用此功能，首先需要设置你的 LangSmith API 密钥。 
export LANGSMITH_API_KEY=<你的-api-key>
# 对于关联到多个工作空间的 LangSmith API 密钥，设置 LANGSMITH_WORKSPACE_ID 环境变量以指定要使用的工作空间。
export LANGSMITH_WORKSPACE_ID=<你的-workspace-id>
接下来，你需要安装 LangSmith SDK： 
pip install -U langsmith
使用 langsmith.wrappers.wrap_openai 包装你的 OpenAI 客户端 
from openai import OpenAI
from langsmith import wrappers

client = wrappers.wrap_openai(OpenAI())
之后，你可以使用 instructor 对包装后的 OpenAI 客户端进行补丁： 
import instructor

client = instructor.patch(client)
现在，你可以像往常一样使用 instructor，但所有操作都会被记录到 LangSmith！ 
from pydantic import BaseModel


class UserDetail(BaseModel):
    name: str
    age: int


user = client.chat.completions.create(
    model="gpt-4.1-mini",
    response_model=UserDetail,
    messages=[
        {"role": "user", "content": "提取 Jason 25 岁"},
    ]
)
通常，你会在其他函数内部使用 instructor。 你可以通过使用这个包装后的客户端，并用 @traceable 装饰这些函数来获得嵌套的追踪记录。 有关如何使用 @traceable 装饰器为代码添加追踪注释的更多信息，请参阅自定义插装。 
# 你可以使用 `name` 关键字参数自定义运行名称
@traceable(name="提取用户详情")
def my_function(text: str) -> UserDetail:
    return client.chat.completions.create(
        model="gpt-4.1-mini",
        response_model=UserDetail,
        messages=[
            {"role": "user", "content": f"提取 {text}"},
        ]
    )

my_function("Jason 25 岁")
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.