概述
LangChat Pro 提供「可视化模型配置」，支持多家模型供应商与多类型 AI 能力，配置后即可即时生效，便于在工作流与 Agent 中直接使用。
入口：AI 配置 -> 模型配置
是否需要配置模型BaseUrl
我们放开所有模型配置的BaseUrl参数，但是并不是所有模型都需要配置此参数（除非你非常确认API地址，否则不要随意修改此参数）
在LangChat Pro系统中，内置的SDK有几种厂商：
- 阿里云dashscope-sdk
- 百度千帆
- 智谱sdk
BaseUrl 参数。
但是为什么无需填写你们的系统不隐藏掉此参数？因为存在一种场景：阿里云分百炼分为了：国内站和国际站，SDK默认使用的国内站点，国际站点则需要设置BaseUrl参数 其他的厂商，特别是私有化的模型，一定需要配置BaseUrl参数。
支持的模型供应商
- OpenAI
- 阿里云百炼
- GiteeAI
- Xinference
- Ollama
- 硅基流动
- 深度求索
- 智谱 AI
- 百度云千帆
- 火山引擎
如果没有找到适配的供应商，可优先按照 OpenAI 协议进行接入（多数厂商兼容 OpenAI API 规范）。
模型版本选择
若下拉框中没有想要的模型版本：- 在下拉框输入目标模型名称；
- 按回车确认；
- 将自动选中为自定义输入的版本。
模型类型
LangChat Pro 支持多种模型能力，常见类型如下：- 推理模型（聊天对话）
- 视觉模型（图像理解/识别）
- 文生图模型（文本生成图像）
- 语音合成（TTS：文字转语音）
- 语音识别（ASR：语音转文本）
- 视频模型（文本生成视频）
- 重排序模型（RAG 排序）
- 向量模型（Embedding）
各模型的配置项基本一致。根据供应商要求填写密钥、接口地址、模型名称等信息即可。
向量数据库（RAG）
在 RAG 场景中，向量数据库用于存储文本向量并支持高效检索。LangChat Pro 目前内置以下适配：- Redis
- PgVector
- Milvus
- Elasticsearch
选择向量库时可根据数据量规模、性能与维护成本综合评估。