LangBot项目中使用硅基流动API的配置指南
问题背景
在使用LangBot项目时,部分用户遇到了硅基流动(SiliconFlow)API密钥配置错误的问题。具体表现为在微信发送消息时出现API密钥验证失败的错误提示,尽管用户确认已在硅基流动官方平台申请了有效的API密钥。
问题分析
经过排查,发现该问题主要源于LangBot项目中默认的模型配置与硅基流动API不兼容。LangBot默认使用deepseek-chat模型,其请求器配置为官方的deepseek-chat-completions,而用户希望使用硅基流动提供的API服务。
解决方案
要正确配置硅基流动API,需要进行以下两步操作:
- 修改llm-models.json文件
在metadata目录下的llm-models.json文件中添加新的模型配置,而不是直接修改原有配置。建议添加以下两种模型的配置:
{
"name": "deepseek-ai/DeepSeek-R1",
"requester": "siliconflow-chat-completions",
"token_mgr": "siliconflow"
},
{
"name": "deepseek-ai/DeepSeek-V3",
"requester": "siliconflow-chat-completions",
"token_mgr": "siliconflow"
}
- 修改provider.json文件
在config目录下的provider.json文件中,将model参数设置为新添加的模型名称之一:
"model": "deepseek-ai/DeepSeek-V3"
注意事项
-
不要直接修改原有的模型配置,而是添加新的配置项,否则可能会被系统自动覆盖还原。
-
在修改配置文件后,需要确保LangBot服务正确重启以加载新的配置。
-
硅基流动API提供了DeepSeek-R1和DeepSeek-V3两种模型,用户可以根据需求选择合适的模型。
-
配置完成后,建议先进行简单的测试消息发送,确认API连接正常后再进行正式使用。
技术原理
LangBot的设计采用了模块化的架构,将模型定义、请求器和令牌管理器分离。这种设计使得用户可以灵活地切换不同的AI服务提供商,只需修改相应的配置而无需改动核心代码。
硅基流动API作为国内AI服务提供商之一,提供了对DeepSeek系列模型的访问接口。通过正确配置请求器(siliconflow-chat-completions)和令牌管理器(siliconflow),LangBot可以无缝对接硅基流动的服务。
总结
正确配置硅基流动API需要理解LangBot的模型管理机制,通过添加新的模型配置而非修改默认配置来避免被系统覆盖。这种配置方式不仅适用于硅基流动API,也为集成其他AI服务提供商提供了参考方案。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00