• LangFlow是一个针对LangChain的GUI，它采用了反应流设计，提供了一种轻松的方式，通过拖放组件和聊天框来实验和原型化流程。 LangFlow允许您探索不同的大语言模型、prompt参数、链配置和代理行为，并跟踪代理的思维过程。

• Chainlit是一个开源Python包，旨在彻底改变构建和共享语言模型（LM）应用程序的方式。Chainlit可以创建用户界面（UI），类似于由OpenAI开发的ChatGPT用户界面，Chainlit可以开发类

本文将介绍 Chainlit 使用 LangFlow构建 LLM 的工作流，将 LangFlow 发布的服务展现到Chainlit 前端

自定义 LangChain OpenAI 聊天模型（CustomChatOpenAI）重构实践

在 AI 应用开发中，LangChain 提供了强大的链式调用能力，而 OpenAI 的接口则是主流大模型服务的事实标准。本文将介绍如何基于 LangChain 的 ChatOpenAI，重构并扩展出一个支持推理内容（reasoning_content）流式输出的自定义聊天模型——CustomChatOpenAI，并详细解析其设计思路与实现细节。

背景与需求

在实际业务中，除了常规的对话内容（content），我们还希望模型能输出推理过程（reasoning_content），并且在流式响应时能以 <think>...</think> 标签包裹推理内容，便于前端或下游系统做进一步处理。原生的 ChatOpenAI 并不支持这一需求，因此需要自定义扩展。

设计思路

1. 继承与扩展

我们通过继承 ChatOpenAI，重写其核心方法，增加对 reasoning_content 的处理能力。核心思路如下：

• 流式输出：在流式响应中，优先检测 reasoning_content，并用 <think>...</think> 标签包裹，仅允许出现一次，避免重复嵌套。
• 普通输出：在非流式响应中，将推理内容和最终回复拼接输出，格式统一。

2. 关键方法解析

_create_client

重写客户端创建方法，支持自定义 base_url 和 api_key，兼容多种 OpenAI 兼容服务。

_process_stream

核心流式处理逻辑。遍历大模型返回的流式数据块，判断 delta 中是否包含 reasoning_content 或 content，并按需插入 <think> 标签。例如：

昨天一个同事问我，类似阿里的PAI平台，当你在jupyter或者code环境的终端中，启动一个带网络端口的app，会自动启动一个端口转发，把你的app应用端口，映射到一个当前网站的url中，类似行为的还有code-server，整个过程是自动的，并且平台会提示你，你的端口被转发到了xxx.