Skip to main content
Databricks Lakehouse 平台在一个平台上统一了数据、分析和 AI。
本指南提供了快速入门 Databricks LLM 模型 的概述。有关所有功能和配置的详细文档，请前往 API 参考。

​
概述

Databricks LLM 类封装了一个完成端点，该端点托管为以下两种端点类型之一：
  • Databricks Model Serving，推荐用于生产和开发，
  • 集群驱动程序代理应用，推荐用于交互式开发。
此示例笔记本展示了如何包装您的 LLM 端点并将其用作 LangChain 应用程序中的 LLM。

​
限制

Databricks LLM 类是遗留实现，在功能兼容性方面存在若干限制。
  • 仅支持同步调用。不支持流式传输或异步 API。
  • batch API 不受支持。
要使用这些功能，请使用新的 ChatDatabricks 类代替。ChatDatabricks 支持 ChatModel 的所有 API，包括流式传输、异步、批处理等。

​
设置

要访问 Databricks 模型，您需要创建一个 Databricks 账户，设置凭据（仅当您不在 Databricks 工作区内时），并安装所需的包。

​
凭据（仅当您不在 databricks 中时）

如果您在 Databricks 内部运行 LangChain 应用程序，可以跳过此步骤。 否则，您需要手动将 Databricks 工作区主机名和个人访问令牌分别设置为 DATABRICKS_HOST 和 DATABRICKS_TOKEN 环境变量。请参阅 认证文档 了解如何获取访问令牌。 
import getpass
import os

os.environ["DATABRICKS_HOST"] = "https://your-workspace.cloud.databricks.com"
if "DATABRICKS_TOKEN" not in os.environ:
    os.environ["DATABRICKS_TOKEN"] = getpass.getpass(
        "Enter your Databricks access token: "
    )
或者，您可以在初始化 Databricks 类时传递这些参数。 
from langchain_community.llms import Databricks

databricks = Databricks(
    host="https://your-workspace.cloud.databricks.com",
    # We strongly recommend NOT to hardcode your access token in your code, instead use secret management tools
    # or environment variables to store your access token securely. The following example uses Databricks Secrets
    # to retrieve the access token that is available within the Databricks notebook.
    token=dbutils.secrets.get(scope="YOUR_SECRET_SCOPE", key="databricks-token"),
)

​
安装

LangChain Databricks 集成位于 langchain-community 包中。此外，需要 mlflow >= 2.9 才能运行此笔记本中的代码。 
pip install -qU langchain-community mlflow>=2.9.0

​
包装模型服务端点

​
先决条件

预期的 MLflow 模型签名如下：
  • 输入：[{"name": "prompt", "type": "string"}, {"name": "stop", "type": "list[string]"}]
  • 输出：[{"type": "string"}]

​
调用

from langchain_community.llms import Databricks

llm = Databricks(endpoint_name="YOUR_ENDPOINT_NAME")
llm.invoke("How are you?")

'I am happy to hear that you are in good health and as always, you are appreciated.'

llm.invoke("How are you?", stop=["."])

'Good'

​
转换输入和输出

有时您可能希望包装具有不兼容模型签名的服务端点，或者想要插入额外的配置。您可以使用 transform_input_fn 和 transform_output_fn 参数来定义额外的预处理/后处理。 
# Use `transform_input_fn` and `transform_output_fn` if the serving endpoint
# expects a different input schema and does not return a JSON string,
# respectively, or you want to apply a prompt template on top.


def transform_input(**request):
    full_prompt = f"""{request["prompt"]}
    Be Concise.
    """
    request["prompt"] = full_prompt
    return request


def transform_output(response):
    return response.upper()


llm = Databricks(
    endpoint_name="YOUR_ENDPOINT_NAME",
    transform_input_fn=transform_input,
    transform_output_fn=transform_output,
)

llm.invoke("How are you?")

'I AM DOING GREAT THANK YOU.'
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.