> ## Documentation Index
> Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
> Use this file to discover all available pages before exploring further.

# Databricks 集成

> 使用 LangChain Python 与 Databricks 集成。

> [Databricks](https://www.databricks.com/) 智能平台是全球首个由生成式 AI 驱动的数据智能平台。将 AI 融入业务的方方面面。

Databricks 以多种方式拥抱 LangChain 生态系统：

1. 🚀 **模型服务** - 通过高可用、低延迟的推理端点，访问最先进的 LLM（如 DBRX、Llama3、Mixtral）或您的微调模型，这些模型托管在 [Databricks Model Serving](https://www.databricks.com/product/model-serving) 上。LangChain 提供了 LLM (`Databricks`)、聊天模型 (`ChatDatabricks`) 和嵌入 (`DatabricksEmbeddings`) 实现，简化了您托管在 Databricks Model Serving 上的模型与 LangChain 应用程序的集成。
2. 📃 **向量搜索** - [Databricks Vector Search](https://www.databricks.com/product/machine-learning/vector-search) 是一个无服务器向量数据库，无缝集成在 Databricks 平台内。使用 `DatabricksVectorSearch`，您可以将高度可扩展且可靠的相似性搜索引擎纳入您的 LangChain 应用程序中。
3. 📊 **MLflow** - [MLflow](https://mlflow.org/) 是一个开源平台，用于管理完整的 ML 生命周期，包括实验管理、评估、追踪、部署等。[MLflow 的 LangChain 集成](/oss/python/integrations/providers/mlflow_tracking) 简化了现代复合 ML 系统的开发和运营过程。
4. 🌐 **SQL 数据库** - [Databricks SQL](https://www.databricks.com/product/databricks-sql) 与 LangChain 中的 `SQLDatabase` 集成，允许您访问自动优化、性能卓越的数据仓库。
5. 💡 **开源模型** - Databricks 开源了模型，例如 [DBRX](https://www.databricks.com/blog/introducing-dbrx-new-state-art-open-llm)，可通过 [Hugging Face Hub](https://huggingface.co/databricks/dbrx-instruct) 获取。这些模型可以直接与 LangChain 配合使用，利用其与 `transformers` 库的集成。

## 安装

第一方 Databricks 集成现在可在 databricks-langchain 合作伙伴包中获得。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install databricks-langchain
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add databricks-langchain
  ```
</CodeGroup>

旧的 langchain-databricks 合作伙伴包仍然可用，但即将被弃用。

## 聊天模型

`ChatDatabricks` 是一个聊天模型类，用于访问托管在 Databricks 上的聊天端点，包括最先进的模型（如 Llama3、Mixtral 和 DBRX），以及您自己的微调模型。

```
from databricks_langchain import ChatDatabricks

chat_model = ChatDatabricks(endpoint="databricks-meta-llama-3-70b-instruct")
```

请参阅 [使用示例](/oss/python/integrations/chat/databricks) 以获取更多关于如何在 LangChain 应用程序中使用它的指导。

## 大语言模型

`Databricks` 是一个 LLM 类，用于访问托管在 Databricks 上的补全端点。

<Warning>
  文本补全模型已被弃用，最新和最流行的模型是 [聊天补全模型](/oss/python/langchain/models)。请使用 `ChatDatabricks` 聊天模型来使用这些模型及高级功能（如工具调用）。
</Warning>

```
from langchain_community.llm.databricks import Databricks

llm = Databricks(endpoint="your-completion-endpoint")
```

请参阅 [使用示例](/oss/python/integrations/llms/databricks) 以获取更多关于如何在 LangChain 应用程序中使用它的指导。

## 嵌入

`DatabricksEmbeddings` 是一个嵌入类，用于访问托管在 Databricks 上的文本嵌入端点，包括最先进的模型（如 BGE），以及您自己的微调模型。

```
from databricks_langchain import DatabricksEmbeddings

embeddings = DatabricksEmbeddings(endpoint="databricks-bge-large-en")
```

请参阅 [使用示例](/oss/python/integrations/embeddings/databricks) 以获取更多关于如何在 LangChain 应用程序中使用它的指导。

## 向量搜索

Databricks Vector Search 是一个无服务器的相似性搜索引擎，允许您将数据的向量表示（包括元数据）存储在向量数据库中。借助向量搜索，您可以从 [Delta](https://docs.databricks.com/en/introduction/delta-comparison.html) 表创建自动更新的向量搜索索引，这些表由 [Unity Catalog](https://www.databricks.com/product/unity-catalog) 管理，并使用简单的 API 查询它们以返回最相似的向量。

```
from databricks_langchain import DatabricksVectorSearch

dvs = DatabricksVectorSearch(
    endpoint="<YOUT_ENDPOINT_NAME>",
    index_name="<YOUR_INDEX_NAME>",
    index,
    text_column="text",
    embedding=embeddings,
    columns=["source"]
)
docs = dvs.similarity_search("What is vector search?)
```

请参阅 [使用示例](/oss/python/integrations/vectorstores/databricks_vector_search) 了解如何设置向量索引并将其与 LangChain 集成。

## MLflow 集成

在 LangChain 集成的背景下，MLflow 提供以下功能：

* **实验追踪**：跟踪并存储来自您的 LangChain 实验的模型、工件和追踪信息。
* **依赖管理**：自动记录依赖库，确保开发、预发布和生产环境之间的一致性。
* **模型评估**：提供评估 LangChain 应用的本地功能。
* **追踪**：可视化追踪数据流经您的 LangChain 应用的过程。

请参阅 [MLflow LangChain 集成](/oss/python/integrations/providers/mlflow_tracking) 以通过广泛的代码示例和指南了解使用 MLflow 与 LangChain 的全部功能。

## SQL 数据库

要连接到 Databricks SQL 或查询结构化数据，请参阅 [Databricks 结构化检索器工具文档](https://docs.databricks.com/en/generative-ai/agent-framework/structured-retrieval-tools.html#table-query-tool)，若要使用上述创建的 SQL UDF 创建代理，请参阅 [Databricks UC 集成](https://docs.unitycatalog.io/ai/integrations/langchain/)。

## 开源模型

要直接集成托管在 HuggingFace 上的 Databricks 开源模型，您可以使用 LangChain 的 [HuggingFace 集成](/oss/python/integrations/providers/huggingface)。

```
from langchain_huggingface import HuggingFaceEndpoint

llm = HuggingFaceEndpoint(
    repo_id="databricks/dbrx-instruct",
    task="text-generation",
    max_new_tokens=512,
    do_sample=False,
    repetition_penalty=1.03,
)
llm.invoke("What is DBRX model?")
```

***

<div className="source-links">
  <Callout icon="edit">
    [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\python\integrations\providers\databricks.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
  </Callout>

  <Callout icon="terminal-2">
    [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.
  </Callout>
</div>