--- type: study created: 2026-08-11 updated: 2026-08-11 sensitivity: standard status: evergreen tags: [langchain, python, providers, cloud, enterprise] topic: LangChain Python 云平台与企业模型供应商 sources: - https://docs.langchain.com/oss/python/integrations/providers/alibaba_cloud - https://docs.langchain.com/oss/python/integrations/providers/aws - https://docs.langchain.com/oss/python/integrations/providers/azure_ai - https://docs.langchain.com/oss/python/integrations/providers/databricks - https://docs.langchain.com/oss/python/integrations/providers/google - https://docs.langchain.com/oss/python/integrations/providers/ibm - https://docs.langchain.com/oss/python/integrations/providers/microsoft - https://docs.langchain.com/oss/python/integrations/providers/nvidia - https://docs.langchain.com/oss/python/integrations/providers/oci - https://docs.langchain.com/oss/python/integrations/providers/sap last_verified: 2026-08-11 --- # 云平台与企业模型供应商 ## 总体选型 这类 provider 的主要价值是把模型、身份、网络边界、审计和数据平台统一在同一云/企业控制面。代价是资源名、deployment ID、region、配额和 IAM 政策都成为运行时契约。生产环境应优先 workload identity/实例身份，而不是长期 API Key。 ## 供应商与组件 | 供应商 | 主要包/入口 | 覆盖范围 | 生产注意 | |---|---|---|---| | Alibaba Cloud | `langchain-qwq`; `ChatQwen`, `ChatQwQ` | Qwen/QwQ Chat，含视觉/视频能力 | 凭据与可用模型受 DashScope 账户/地域约束；两个类不要仅按名称猜测能力 | | AWS | `langchain-aws` | Bedrock Chat/Converse、LLM、Embeddings、Knowledge Bases retriever、MemoryDB/Valkey、AgentCore 工具和 checkpointer | 依赖 AWS credential chain、region、模型访问权限；Bedrock 原生与 Converse 能力不等价；安全组/私网端点也属于契约 | | Azure AI / Foundry | `langchain-azure-ai`; `AzureAIOpenAIApiChatModel` / embeddings | Foundry catalog 模型、Cosmos DB vector search | `AZURE_AI_PROJECT_ENDPOINT` 与 deployment 需匹配；优先 `DefaultAzureCredential`，并区分 Foundry Model Inference 与 Azure OpenAI | | Microsoft | `langchain-openai`、`langchain-azure-ai`及 Azure 存储/Cosmos 扩展 | Azure OpenAI Chat/LLM/Embeddings、Foundry middleware/tools、Blob Loader、Cosmos memory/cache/vector | Azure OpenAI v1 可用 `ChatOpenAI`/`OpenAIEmbeddings`；传统 deployment 仍可用 Azure 专用类。必须固定 API 版本和部署名 | | Google | `langchain-google-genai`、`langchain-google-vertexai`、`langchain-google-community` | Gemini API/Vertex AI Chat、LLM、Embeddings，以及 Cloud loaders、retrievers、tools | API-key backend 与 Vertex backend 认证/数据边界不同；必须固定 project/location。`ChatVertexAI` 在 Chat 索引中已标记 deprecated，新项目应评估 `ChatGoogleGenerativeAI` 的 Vertex backend | | Databricks | `databricks-langchain` | Chat、Embeddings、Vector Search，与 MLflow/SQLDatabase 集成 | 必须先有 serving endpoint；外部运行需 `DATABRICKS_HOST`/`DATABRICKS_TOKEN`，workspace 内与外的身份不同 | | IBM | `langchain-ibm` | watsonx Chat/LLM/Embeddings，DB2 vector store、tools/retrievers | project/space 与 API key/token 是不同维度；文档中 Chat/Embeddings 原生 async 能力并非都齐全 | | NVIDIA | `langchain-nvidia-ai-endpoints`、`langchain-nvidia-langgraph` | ChatNVIDIA、Dynamo、Embeddings、Rerank、RAG Retriever、NIM 自托管、LangGraph 加速 | API Catalog 与本地 NIM 共用类但运维边界不同；NIM 镜像/模型许可、GPU 容量和端点版本需单独管理 | | OCI | `langchain-oci`; `ChatOCIGenAI`, `ChatOCIOpenAI`, `OCIGenAIEmbeddings` | Generative AI、OpenAI-compatible chat、多模态、Agent 和 Data Science model deployment | 支持 API key、security token、instance/resource principal；需配置 compartment、service endpoint、region 与 IAM policy，不要把 OCI config 文件打包进镜像 | | SAP | `langchain-hana` | HANA vector store、self-query、RDF graph、SPARQL QA chain/agent | SQL/RDF 权限应最小化；Agent 生成的查询必须受限、超时并审计 | ## 认证与网络基线 - AWS 用 role/STS，Azure 用 Entra ID + `DefaultAzureCredential`，GCP 用 ADC/workload identity，OCI 用 instance/resource principal；仅开发环境才用本地 profile。 - 把 project/subscription/account、region、endpoint、deployment/model ID 视为不可缺的显式配置，启动时做 fail-fast 校验。 - 私网端点、代理、自定义 CA 和 DNS 错误不应被无限重试掩盖；对 401/403/404 与 429/5xx 分类处理。 - 多租户应在应用配置中显式绑定租户 → cloud account/project/deployment，禁止从用户 prompt 中选择 endpoint。 ## 能力验证清单 1. 用最终 model/deployment ID 验证工具调用、JSON schema、streaming usage 和多模态，不以 provider 索引替代实测。 2. 强制记录 cloud request ID、region、deployment 与限流头，但脱敏 prompt、文件 URL、返回正文与身份 token。 3. 对配额耗尽、区域不可用和模型未授权分别设置告警与降级；跨云切换前先验证数据合规与输出契约。 4. 对 embedding/vector store 同时定义备份、重建、维度变更和索引别名切换流程。