Haystack 集成指南用 OrcaRouterChatGenerator 接入 OpenAI 兼容模型路由网关【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystackOrcaRouterChatGenerator是 Haystack 生态中面向 OrcaRouter 的 Chat Generator 集成组件它让你通过一个统一 API Key 和单一端点访问 OpenAI、Anthropic、Google、DeepSeek、Qwen 等 100 第三方聊天模型。本文将围绕该组件的初始化参数、自动路由、流式输出、工具调用与模型回退等核心能力展开结合当前仓库源码说明其底层实现原理帮助你直接在 RAG、Agent 与对话类 Pipeline 中使用多模型路由能力。集成背景什么是 OrcaRouterOrcaRouter 是一个OpenAI 兼容的模型路由网关model routing gateway它将多家主流模型提供商的 100 聊天模型统一暴露在单个端点和单个 API Key 之下。模型通过provider/model命名空间寻址例如openai/gpt-4o-mini、anthropic/claude-opus-4.8、google/gemini-2.5-flash等。OrcaRouter 还提供一个特殊的orcarouter/auto路由模型当请求指定该模型时网关会根据你在 OrcaRouter 控制台配置的路由策略为每一次请求动态挑选一个上游模型从而实现按成本、延迟或质量策略的智能路由。在 Haystack 中OrcaRouterChatGenerator是这一能力的官方集成入口。它的 API 参考文档位于 docs-website/reference_versioned_docs/version-2.21/integrations-api/orcarouter.md配套的组件使用文档见 docs-website/docs/pipeline-components/generators/orcarouterchatgenerator.mdx。安装与初始化该组件属于独立集成包orcarouter-haystack需要通过 pip 单独安装pip install orcarouter-haystack使用前你需要一个 OrcaRouter API Key可以通过两种方式提供设置环境变量ORCAROUTER_API_KEY组件默认从该环境变量读取在初始化时通过api_key参数显式传入一个Secret对象具体参考 docs-website/docs/concepts/secret-management.mdx 中的密钥管理说明。最简单的初始化方式from haystack_integrations.components.generators.orcarouter import OrcaRouterChatGenerator from haystack.dataclasses import ChatMessage messages [ChatMessage.from_user(Whats Natural Language Processing?)] client OrcaRouterChatGenerator(modelopenai/gpt-4o-mini) response client.run(messages) print(response)这是 API 参考文档中的标准用法示例不显式传api_key时组件会回退到ORCAROUTER_API_KEY环境变量不指定model时默认模型为openai/gpt-4o-mini。初始化参数详解OrcaRouterChatGenerator的构造函数签名来自 docs-website/reference_versioned_docs/version-2.21/integrations-api/orcarouter.md__init__( *, api_key: Secret Secret.from_env_var(ORCAROUTER_API_KEY), model: str openai/gpt-4o-mini, streaming_callback: StreamingCallbackT | None None, api_base_url: str | None https://api.orcarouter.ai/v1, organization: str | None None, generation_kwargs: dict[str, Any] | None None, tools: ToolsType | None None, tools_strict: bool False, timeout: float | None None, max_retries: int | None None, http_client_kwargs: dict[str, Any] | None None ) - None各参数含义与默认行为如下参数类型默认值说明api_keySecretORCAROUTER_API_KEY环境变量OrcaRouter API Key推荐用环境变量注入modelstropenai/gpt-4o-mini聊天模型名使用provider/model命名空间传orcarouter/auto启用自动路由streaming_callbackStreamingCallbackT \| NoneNone流式回调每收到一个新 token 即被调用回调参数为StreamingChunkapi_base_urlstr \| Nonehttps://api.orcarouter.ai/v1OrcaRouter API 基础地址自建网关时可覆盖organizationstr \| NoneNone你的 OrcaRouter 组织 ID如有generation_kwargsdict[str, Any] \| NoneNone透传给网关的生成参数见下文toolsToolsType \| NoneNone工具列表或Toolset供模型准备函数调用tools_strictboolFalse是否启用工具调用的严格 Schema 约束timeoutfloat \| None由环境变量/默认值决定API 调用超时时间max_retriesint \| None默认 5内部错误后的最大重试次数http_client_kwargsdict[str, Any] \| NoneNone自定义httpx.Client/httpx.AsyncClient的关键字参数其中几个参数的行为细节generation_kwargs这些参数会原样发送到 OrcaRouter 端点。参考文档明确列出的常用项包括max_tokens输出文本的最大 token 数temperature采样温度值越高模型越冒险top_p核采样nucleus sampling概率值stream是否流式返回部分进度extra_bodyOrcaRouter 特有的路由偏好字典例如模型回退列表会**直通passed straight through**给网关。timeout与max_retries未显式设置时max_retries会优先读取OPENAI_MAX_RETRIES环境变量否则取默认值 5。这与底座OpenAIChatGenerator的行为一致见 haystack/components/generators/chat/openai.pytimeout未设置时回退到OPENAI_TIMEOUT环境变量再取 30 秒默认值。http_client_kwargs用于传入自定义的httpx客户端配置如代理、TLS 证书等底层会通过init_http_client构造httpx.Client/httpx.AsyncClient。从源码看实现基于 OpenAIChatGenerator 的继承式设计OrcaRouterChatGenerator的基类是OpenAIChatGenerator参考文档中标注 Bases:OpenAIChatGenerator后者是 Haystack 核心库对 OpenAI Chat Completions 接口的标准封装位于 haystack/components/generators/chat/openai.py。理解这一继承关系就能理解组件的大部分行为请求管线完全复用run方法会先调用warm_up()惰性初始化客户端然后经_prepare_api_call组装model、messages、n、tools、generation_kwargs等参数最后调用client.chat.completions.create或流式/parse 端点。因为 OrcaRouter 是 OpenAI 兼容网关其/v1/chat/completions接口与 OpenAI 语义一致所以继承实现即可直接工作。模型寻址model参数只是字符串网关负责把openai/gpt-4o-mini、orcarouter/auto这类命名解析为具体的上游模型组件本身无需关心路由细节。流式处理非流式响应通过_convert_chat_completion_to_chat_message转为ChatMessage流式响应则逐 chunk 调用回调最终用_convert_streaming_chunks_to_chat_message聚合成一条ChatMessagehaystack/components/generators/chat/openai.py。工具 Schematools_strictTrue时工具参数 Schema 会被_make_schema_strict递归改写——为所有对象设置additionalProperties: false并把每个属性加入requiredhaystack/components/generators/chat/openai.py从而保证模型输出严格符合声明 Schema代价是可能增加延迟。完成原因检查返回前会检查finish_reason若为length输出被截断或content_filter被内容过滤器截断会记录告警日志提示调大max_tokens或max_completion_tokens。此外OpenAIChatGenerator还提供了to_dict/from_dict序列化用于 Pipeline YAML 持久化以及run_async/warm_up_async异步调用路径OrcaRouterChatGenerator同样继承这些能力因此可以在异步 Pipeline 中直接使用。模型寻址与自动路由OrcaRouter 支持两种模型寻址方式显式指定模型使用provider/model命名空间例如openai/gpt-4o-miniOpenAIanthropic/claude-opus-4.8Anthropicgoogle/gemini-2.5-flashGoogle以及 DeepSeek、Qwen 等更多提供商模型 具体可用模型可查阅 OrcaRouter 官方模型目录。自动路由指定orcarouter/auto由网关根据你控制台中配置的路由策略为每次请求挑选一个可用的上游模型。这适合希望一个入口、动态分配的生产场景。两种方式均支持流式输出、工具调用与结构化输出输入输出统一使用 Haystack 的ChatMessage数据类参见 docs-website/docs/concepts/data-classes/chatmessage.mdx。独立使用基础问答最小可运行示例来自组件使用文档from haystack.dataclasses import ChatMessage from haystack_integrations.components.generators.orcarouter import ( OrcaRouterChatGenerator, ) client OrcaRouterChatGenerator(modelopenai/gpt-4o-mini) response client.run([ChatMessage.from_user(What are Agentic Pipelines? Be brief.)]) print(response[replies][0].text)run方法接收messageslist[ChatMessage]也支持直接传字符串会自动包装为用户消息返回字典其中replies键对应生成的ChatMessage列表。每个回复的meta中带有model、index、finish_reason、usage等信息可用于追溯实际命中的上游模型。自动路由与流式输出组合使用以下示例同时使用orcarouter/auto自动路由和流式回调并回读实际使用的模型from haystack.dataclasses import ChatMessage from haystack_integrations.components.generators.orcarouter import ( OrcaRouterChatGenerator, ) client OrcaRouterChatGenerator( modelorcarouter/auto, streaming_callbacklambda chunk: print(chunk.content, end, flushTrue), ) response client.run([ChatMessage.from_user(What are Agentic Pipelines? Be brief.)]) # 查看本次请求实际命中的上游模型 print(\n\n Model used: , response[replies][0].meta[model])要点流式回调在初始化时通过streaming_callback传入每个StreamingChunk含content字段到达即被调用流式模式下最终replies仍是一条完整的ChatMessage因此下游组件的处理逻辑与非流式完全一致meta[model]会记录网关实际调用的上游模型这对验证自动路由策略是否生效非常有用。模型回退Fallback通过 generation_kwargs 配置路由偏好OrcaRouter 的另一大卖点是多模型回退链主模型失败或超时时网关自动切换到备选模型。这通过在初始化时向generation_kwargs[extra_body]传入路由偏好实现from haystack.dataclasses import ChatMessage from haystack_integrations.components.generators.orcarouter import ( OrcaRouterChatGenerator, ) client OrcaRouterChatGenerator( modelopenai/gpt-4o-mini, generation_kwargs{ extra_body: { route: fallback, models: [ openai/gpt-4o-mini, anthropic/claude-haiku-4.5, google/gemini-2.5-flash, ], } }, ) response client.run([ChatMessage.from_user(What is Haystack?)]) print(response[replies][0].text)这里extra_body是 OrcaRouter 网关特有的路由字段直通参数route: fallback声明使用回退策略models列表按优先级声明回退链。因为generation_kwargs会在请求组装时被展开进 API 参数haystack/components/generators/chat/openai.py这些字段会完整到达网关而不被核心组件过滤。在 Pipeline 中集成OrcaRouterChatGenerator在 Pipeline 中最常见的位置是ChatPromptBuilder 之后由 Prompt Builder 组装多轮消息再交给生成器完成补全。完整示例from haystack import Pipeline from haystack.components.builders import ChatPromptBuilder from haystack.dataclasses import ChatMessage from haystack_integrations.components.generators.orcarouter import ( OrcaRouterChatGenerator, ) prompt_builder ChatPromptBuilder() llm OrcaRouterChatGenerator(modelopenai/gpt-4o-mini) pipe Pipeline() pipe.add_component(builder, prompt_builder) pipe.add_component(llm, llm) pipe.connect(builder.prompt, llm.messages) messages [ ChatMessage.from_system(Give brief answers.), ChatMessage.from_user(Tell me about {{city}}), ] response pipe.run( data{builder: {template: messages, template_variables: {city: Berlin}}}, ) print(response)Pipeline 接线要点ChatPromptBuilder的prompt输出连接到llm.messages输入二者都基于ChatMessage数据类系统消息用ChatMessage.from_system构造用户消息用ChatMessage.from_user构造模板变量如{{city}}在运行时通过template_variables注入由于组件复用标准 Chat Generator 接口它可以无缝接入 RAG、Agent 等更大规模的 Pipeline 拓扑。工具调用与 Toolset 组织组件通过tools参数支持函数调用function calling且接受灵活的工具组织形式单个 Tool 对象列表tools[tool_a, tool_b]单个 Toolset直接传入一个Toolset实例混合形式同一个列表中混入多个Toolset与独立Tool。from haystack.tools import Tool, Toolset from haystack_integrations.components.generators.orcarouter import ( OrcaRouterChatGenerator, ) # 创建独立工具 weather_tool Tool( nameweather, descriptionGet weather info, parameters..., function... ) news_tool Tool( namenews, descriptionGet latest news, parameters..., function... ) # 把相关工具组织成 Toolset math_toolset Toolset([add_tool, subtract_tool, multiply_tool]) # 混合传入Toolset 独立 Tool generator OrcaRouterChatGenerator( tools[math_toolset, weather_tool, news_tool] )这种设计让你可以把相关性高的工具分组管理如把一组数学工具放入math_toolset同时保留独立工具的灵活性。更详细的Tool/Toolset用法参见 docs-website/docs/tools/tool.mdx 与 docs-website/docs/tools/toolset.mdx。在底层工具会在warm_up时被预热warm_up_tools请求组装时被扁平化为 OpenAI 风格的{type: function, function: ...}定义并做重名检查_check_duplicate_tool_names见 haystack/components/generators/chat/openai.py。使用注意与最佳实践密钥安全优先使用ORCAROUTER_API_KEY环境变量注入密钥避免把 Key 硬编码进代码或 YAMLPipeline 序列化时api_key以Secret形式存储。流式与多响应互斥从底座实现看流式模式下n必须为 1同时请求多个补全会抛出ValueErrorhaystack/components/generators/chat/openai.py。结构化输出组件支持结构化输出structured outputs可通过generation_kwargs[response_format]传入 JSON Schema 或 Pydantic 模型流式与结构化输出组合时需使用 JSON Schema 形式。超时与重试生产环境建议显式设置timeout与max_retries避免网关偶发故障导致请求长时间挂起。路由策略验证使用orcarouter/auto时可通过replies[0].meta[model]观察每次请求实际命中的上游模型用于验证控制台路由策略是否符合预期。异步场景组件继承自OpenAIChatGenerator支持run_async与warm_up_async可配合Pipeline.run_async在高并发场景使用。小结OrcaRouterChatGenerator以极低的接入成本为 Haystack 应用引入了多模型、单入口的路由能力你只需掌握provider/model寻址、orcarouter/auto自动路由、extra_body回退链这三类配置就能在 RAG、Agent 与对话系统中自由调度 OpenAI、Anthropic、Google、DeepSeek、Qwen 等多家模型同时完整保留流式输出、工具调用与结构化输出等现代 LLM 应用所需的能力。其继承自OpenAIChatGenerator的设计也保证了行为可预期、社区生态可复用是一份低风险、高杠杆的生成组件选型。【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Haystack 集成指南用 OrcaRouterChatGenerator 接入 OpenAI 兼容模型路由网关【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystackOrcaRouterChatGenerator是 Haystack 生态中面向 OrcaRouter 的 Chat Generator 集成组件它让你通过一个统一 API Key 和单一端点访问 OpenAI、Anthropic、Google、DeepSeek、Qwen 等 100 第三方聊天模型。本文将围绕该组件的初始化参数、自动路由、流式输出、工具调用与模型回退等核心能力展开结合当前仓库源码说明其底层实现原理帮助你直接在 RAG、Agent 与对话类 Pipeline 中使用多模型路由能力。集成背景什么是 OrcaRouterOrcaRouter 是一个OpenAI 兼容的模型路由网关model routing gateway它将多家主流模型提供商的 100 聊天模型统一暴露在单个端点和单个 API Key 之下。模型通过provider/model命名空间寻址例如openai/gpt-4o-mini、anthropic/claude-opus-4.8、google/gemini-2.5-flash等。OrcaRouter 还提供一个特殊的orcarouter/auto路由模型当请求指定该模型时网关会根据你在 OrcaRouter 控制台配置的路由策略为每一次请求动态挑选一个上游模型从而实现按成本、延迟或质量策略的智能路由。在 Haystack 中OrcaRouterChatGenerator是这一能力的官方集成入口。它的 API 参考文档位于 docs-website/reference_versioned_docs/version-2.21/integrations-api/orcarouter.md配套的组件使用文档见 docs-website/docs/pipeline-components/generators/orcarouterchatgenerator.mdx。安装与初始化该组件属于独立集成包orcarouter-haystack需要通过 pip 单独安装pip install orcarouter-haystack使用前你需要一个 OrcaRouter API Key可以通过两种方式提供设置环境变量ORCAROUTER_API_KEY组件默认从该环境变量读取在初始化时通过api_key参数显式传入一个Secret对象具体参考 docs-website/docs/concepts/secret-management.mdx 中的密钥管理说明。最简单的初始化方式from haystack_integrations.components.generators.orcarouter import OrcaRouterChatGenerator from haystack.dataclasses import ChatMessage messages [ChatMessage.from_user(Whats Natural Language Processing?)] client OrcaRouterChatGenerator(modelopenai/gpt-4o-mini) response client.run(messages) print(response)这是 API 参考文档中的标准用法示例不显式传api_key时组件会回退到ORCAROUTER_API_KEY环境变量不指定model时默认模型为openai/gpt-4o-mini。初始化参数详解OrcaRouterChatGenerator的构造函数签名来自 docs-website/reference_versioned_docs/version-2.21/integrations-api/orcarouter.md__init__( *, api_key: Secret Secret.from_env_var(ORCAROUTER_API_KEY), model: str openai/gpt-4o-mini, streaming_callback: StreamingCallbackT | None None, api_base_url: str | None https://api.orcarouter.ai/v1, organization: str | None None, generation_kwargs: dict[str, Any] | None None, tools: ToolsType | None None, tools_strict: bool False, timeout: float | None None, max_retries: int | None None, http_client_kwargs: dict[str, Any] | None None ) - None各参数含义与默认行为如下参数类型默认值说明api_keySecretORCAROUTER_API_KEY环境变量OrcaRouter API Key推荐用环境变量注入modelstropenai/gpt-4o-mini聊天模型名使用provider/model命名空间传orcarouter/auto启用自动路由streaming_callbackStreamingCallbackT \| NoneNone流式回调每收到一个新 token 即被调用回调参数为StreamingChunkapi_base_urlstr \| Nonehttps://api.orcarouter.ai/v1OrcaRouter API 基础地址自建网关时可覆盖organizationstr \| NoneNone你的 OrcaRouter 组织 ID如有generation_kwargsdict[str, Any] \| NoneNone透传给网关的生成参数见下文toolsToolsType \| NoneNone工具列表或Toolset供模型准备函数调用tools_strictboolFalse是否启用工具调用的严格 Schema 约束timeoutfloat \| None由环境变量/默认值决定API 调用超时时间max_retriesint \| None默认 5内部错误后的最大重试次数http_client_kwargsdict[str, Any] \| NoneNone自定义httpx.Client/httpx.AsyncClient的关键字参数其中几个参数的行为细节generation_kwargs这些参数会原样发送到 OrcaRouter 端点。参考文档明确列出的常用项包括max_tokens输出文本的最大 token 数temperature采样温度值越高模型越冒险top_p核采样nucleus sampling概率值stream是否流式返回部分进度extra_bodyOrcaRouter 特有的路由偏好字典例如模型回退列表会**直通passed straight through**给网关。timeout与max_retries未显式设置时max_retries会优先读取OPENAI_MAX_RETRIES环境变量否则取默认值 5。这与底座OpenAIChatGenerator的行为一致见 haystack/components/generators/chat/openai.pytimeout未设置时回退到OPENAI_TIMEOUT环境变量再取 30 秒默认值。http_client_kwargs用于传入自定义的httpx客户端配置如代理、TLS 证书等底层会通过init_http_client构造httpx.Client/httpx.AsyncClient。从源码看实现基于 OpenAIChatGenerator 的继承式设计OrcaRouterChatGenerator的基类是OpenAIChatGenerator参考文档中标注 Bases:OpenAIChatGenerator后者是 Haystack 核心库对 OpenAI Chat Completions 接口的标准封装位于 haystack/components/generators/chat/openai.py。理解这一继承关系就能理解组件的大部分行为请求管线完全复用run方法会先调用warm_up()惰性初始化客户端然后经_prepare_api_call组装model、messages、n、tools、generation_kwargs等参数最后调用client.chat.completions.create或流式/parse 端点。因为 OrcaRouter 是 OpenAI 兼容网关其/v1/chat/completions接口与 OpenAI 语义一致所以继承实现即可直接工作。模型寻址model参数只是字符串网关负责把openai/gpt-4o-mini、orcarouter/auto这类命名解析为具体的上游模型组件本身无需关心路由细节。流式处理非流式响应通过_convert_chat_completion_to_chat_message转为ChatMessage流式响应则逐 chunk 调用回调最终用_convert_streaming_chunks_to_chat_message聚合成一条ChatMessagehaystack/components/generators/chat/openai.py。工具 Schematools_strictTrue时工具参数 Schema 会被_make_schema_strict递归改写——为所有对象设置additionalProperties: false并把每个属性加入requiredhaystack/components/generators/chat/openai.py从而保证模型输出严格符合声明 Schema代价是可能增加延迟。完成原因检查返回前会检查finish_reason若为length输出被截断或content_filter被内容过滤器截断会记录告警日志提示调大max_tokens或max_completion_tokens。此外OpenAIChatGenerator还提供了to_dict/from_dict序列化用于 Pipeline YAML 持久化以及run_async/warm_up_async异步调用路径OrcaRouterChatGenerator同样继承这些能力因此可以在异步 Pipeline 中直接使用。模型寻址与自动路由OrcaRouter 支持两种模型寻址方式显式指定模型使用provider/model命名空间例如openai/gpt-4o-miniOpenAIanthropic/claude-opus-4.8Anthropicgoogle/gemini-2.5-flashGoogle以及 DeepSeek、Qwen 等更多提供商模型 具体可用模型可查阅 OrcaRouter 官方模型目录。自动路由指定orcarouter/auto由网关根据你控制台中配置的路由策略为每次请求挑选一个可用的上游模型。这适合希望一个入口、动态分配的生产场景。两种方式均支持流式输出、工具调用与结构化输出输入输出统一使用 Haystack 的ChatMessage数据类参见 docs-website/docs/concepts/data-classes/chatmessage.mdx。独立使用基础问答最小可运行示例来自组件使用文档from haystack.dataclasses import ChatMessage from haystack_integrations.components.generators.orcarouter import ( OrcaRouterChatGenerator, ) client OrcaRouterChatGenerator(modelopenai/gpt-4o-mini) response client.run([ChatMessage.from_user(What are Agentic Pipelines? Be brief.)]) print(response[replies][0].text)run方法接收messageslist[ChatMessage]也支持直接传字符串会自动包装为用户消息返回字典其中replies键对应生成的ChatMessage列表。每个回复的meta中带有model、index、finish_reason、usage等信息可用于追溯实际命中的上游模型。自动路由与流式输出组合使用以下示例同时使用orcarouter/auto自动路由和流式回调并回读实际使用的模型from haystack.dataclasses import ChatMessage from haystack_integrations.components.generators.orcarouter import ( OrcaRouterChatGenerator, ) client OrcaRouterChatGenerator( modelorcarouter/auto, streaming_callbacklambda chunk: print(chunk.content, end, flushTrue), ) response client.run([ChatMessage.from_user(What are Agentic Pipelines? Be brief.)]) # 查看本次请求实际命中的上游模型 print(\n\n Model used: , response[replies][0].meta[model])要点流式回调在初始化时通过streaming_callback传入每个StreamingChunk含content字段到达即被调用流式模式下最终replies仍是一条完整的ChatMessage因此下游组件的处理逻辑与非流式完全一致meta[model]会记录网关实际调用的上游模型这对验证自动路由策略是否生效非常有用。模型回退Fallback通过 generation_kwargs 配置路由偏好OrcaRouter 的另一大卖点是多模型回退链主模型失败或超时时网关自动切换到备选模型。这通过在初始化时向generation_kwargs[extra_body]传入路由偏好实现from haystack.dataclasses import ChatMessage from haystack_integrations.components.generators.orcarouter import ( OrcaRouterChatGenerator, ) client OrcaRouterChatGenerator( modelopenai/gpt-4o-mini, generation_kwargs{ extra_body: { route: fallback, models: [ openai/gpt-4o-mini, anthropic/claude-haiku-4.5, google/gemini-2.5-flash, ], } }, ) response client.run([ChatMessage.from_user(What is Haystack?)]) print(response[replies][0].text)这里extra_body是 OrcaRouter 网关特有的路由字段直通参数route: fallback声明使用回退策略models列表按优先级声明回退链。因为generation_kwargs会在请求组装时被展开进 API 参数haystack/components/generators/chat/openai.py这些字段会完整到达网关而不被核心组件过滤。在 Pipeline 中集成OrcaRouterChatGenerator在 Pipeline 中最常见的位置是ChatPromptBuilder 之后由 Prompt Builder 组装多轮消息再交给生成器完成补全。完整示例from haystack import Pipeline from haystack.components.builders import ChatPromptBuilder from haystack.dataclasses import ChatMessage from haystack_integrations.components.generators.orcarouter import ( OrcaRouterChatGenerator, ) prompt_builder ChatPromptBuilder() llm OrcaRouterChatGenerator(modelopenai/gpt-4o-mini) pipe Pipeline() pipe.add_component(builder, prompt_builder) pipe.add_component(llm, llm) pipe.connect(builder.prompt, llm.messages) messages [ ChatMessage.from_system(Give brief answers.), ChatMessage.from_user(Tell me about {{city}}), ] response pipe.run( data{builder: {template: messages, template_variables: {city: Berlin}}}, ) print(response)Pipeline 接线要点ChatPromptBuilder的prompt输出连接到llm.messages输入二者都基于ChatMessage数据类系统消息用ChatMessage.from_system构造用户消息用ChatMessage.from_user构造模板变量如{{city}}在运行时通过template_variables注入由于组件复用标准 Chat Generator 接口它可以无缝接入 RAG、Agent 等更大规模的 Pipeline 拓扑。工具调用与 Toolset 组织组件通过tools参数支持函数调用function calling且接受灵活的工具组织形式单个 Tool 对象列表tools[tool_a, tool_b]单个 Toolset直接传入一个Toolset实例混合形式同一个列表中混入多个Toolset与独立Tool。from haystack.tools import Tool, Toolset from haystack_integrations.components.generators.orcarouter import ( OrcaRouterChatGenerator, ) # 创建独立工具 weather_tool Tool( nameweather, descriptionGet weather info, parameters..., function... ) news_tool Tool( namenews, descriptionGet latest news, parameters..., function... ) # 把相关工具组织成 Toolset math_toolset Toolset([add_tool, subtract_tool, multiply_tool]) # 混合传入Toolset 独立 Tool generator OrcaRouterChatGenerator( tools[math_toolset, weather_tool, news_tool] )这种设计让你可以把相关性高的工具分组管理如把一组数学工具放入math_toolset同时保留独立工具的灵活性。更详细的Tool/Toolset用法参见 docs-website/docs/tools/tool.mdx 与 docs-website/docs/tools/toolset.mdx。在底层工具会在warm_up时被预热warm_up_tools请求组装时被扁平化为 OpenAI 风格的{type: function, function: ...}定义并做重名检查_check_duplicate_tool_names见 haystack/components/generators/chat/openai.py。使用注意与最佳实践密钥安全优先使用ORCAROUTER_API_KEY环境变量注入密钥避免把 Key 硬编码进代码或 YAMLPipeline 序列化时api_key以Secret形式存储。流式与多响应互斥从底座实现看流式模式下n必须为 1同时请求多个补全会抛出ValueErrorhaystack/components/generators/chat/openai.py。结构化输出组件支持结构化输出structured outputs可通过generation_kwargs[response_format]传入 JSON Schema 或 Pydantic 模型流式与结构化输出组合时需使用 JSON Schema 形式。超时与重试生产环境建议显式设置timeout与max_retries避免网关偶发故障导致请求长时间挂起。路由策略验证使用orcarouter/auto时可通过replies[0].meta[model]观察每次请求实际命中的上游模型用于验证控制台路由策略是否符合预期。异步场景组件继承自OpenAIChatGenerator支持run_async与warm_up_async可配合Pipeline.run_async在高并发场景使用。小结OrcaRouterChatGenerator以极低的接入成本为 Haystack 应用引入了多模型、单入口的路由能力你只需掌握provider/model寻址、orcarouter/auto自动路由、extra_body回退链这三类配置就能在 RAG、Agent 与对话系统中自由调度 OpenAI、Anthropic、Google、DeepSeek、Qwen 等多家模型同时完整保留流式输出、工具调用与结构化输出等现代 LLM 应用所需的能力。其继承自OpenAIChatGenerator的设计也保证了行为可预期、社区生态可复用是一份低风险、高杠杆的生成组件选型。【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
