> ## Documentation Index
> Fetch the complete documentation index at: https://docs.aihubmix.com/llms.txt
> Use this file to discover all available pages before exploring further.

# LangChain

### Le moyen le plus simple consiste à définir directement les variables d'environnement comme indiqué ci-dessous

Adresse de téléchargement : [https://www.langchain.com/](https://www.langchain.com/)

```
API_SECRET_KEY = "sk-pvMtoVO******66249058b93C766F2D70167"
BASE_URL = "https://aihubmix.com/v1"; #Base URL for aihubmix

os.environ["OPENAI_API_KEY"] = API_SECRET_KEY
os.environ["OPENAI_BASE_URL"] = BASE_URL
```

Remarque : assurez-vous d'ajouter /v1 à la fin de openai\_api\_base,

```py Python theme={null}
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(
    openai_api_base="https://aihubmix.com/v1", # Note, add /v1 at the end
    openai_api_key="sk-3133f******fee269b71d",
)

res = llm.predict("hello")

print(res)
```

Exemple de code utilisant un LLM pour effectuer des prédictions
L'essentiel réside en réalité dans la définition de la clé et de l'URL
Les méthodes incluent :

1. Définir via des variables d'environnement
2. Passer en tant que variables
3. Définir manuellement les variables d'environnement

```py Python theme={null}
import os
import requests
import time
import json
import time
from langchain.llms import OpenAI

API_SECRET_KEY = "your key from aihubmix";
BASE_URL = "https://aihubmix.com/v1"; #Base URL for aihubmix

os.environ["OPENAI_API_KEY"] = API_SECRET_KEY
os.environ["OPENAI_API_BASE"] = BASE_URL

def text():
    llm = OpenAI(temperature=0.9)
    text = "What would be a good company name for a company that makes colorful socks?"
    print(llm(text))

if __name__ == '__main__':
    text();
    
```

Après exécution, vous verrez la réponse :

```
Lively Socks.
```

***

Dernière mise à jour : 2026-06-01