现在位置: 首页 > LangChain 教程 > 正文

LangChain 集成 DeepSeek

本章节介绍如何在 LangChain 中集成和使用 DeepSeek 聊天模型。

通过 langchain-deepseek 扩展包， 开发者可以快速接入 DeepSeek 提供的大语言模型服务。

DeepSeek 模型既支持官方托管 API， 也支持通过 Ollama、Fireworks、Together 等平台进行本地或第三方推理部署。

DeepSeek 介绍

DeepSeek 是一个开源大语言模型系列，支持聊天、推理、代码生成等能力。

在 LangChain 中，DeepSeek 主要通过 ChatDeepSeek 类进行调用。

集成信息：

项目 说明
类名 ChatDeepSeek
安装包 langchain-deepseek
状态 Beta（测试版）
支持 JavaScript 是
支持 Python 是

模型能力支持：

功能 是否支持
工具调用（Tool Calling） ✅ 支持
结构化输出（Structured Output） ✅ 支持
图片输入 ❌ 不支持
音频输入 ❌ 不支持
视频输入 ❌ 不支持
Token 流式输出 ✅ 支持
原生异步调用 ✅ 支持
Token 使用统计 ✅ 支持
Logprobs ❌ 不支持

DeepSeek API 使用与 OpenAI/Anthropic 兼容的 API 格式，通过修改配置，您可以使用 OpenAI/Anthropic SDK 来访问 DeepSeek API，或使用与 OpenAI/Anthropic API 兼容的软件。

参数值
base_url (OpenAI)https://api.deepseek.com
base_url (Anthropic)https://api.deepseek.com/anthropic
api_key点击链接申请 API key
model*deepseek-v4-flash
deepseek-v4-pro
deepseek-chat (将于 2026/07/24 弃用)
deepseek-reasoner (将于 2026/07/24 弃用)

安装 langchain-deepseek

在开始使用前，需要先安装 DeepSeek 的 LangChain 集成包： 

pip install -qU langchain-deepseek

配置 DeepSeek API Key

你需要先注册 DeepSeek 账号，并创建 API Key，如果还没有需要先去 https://platform.deepseek.com/api_keys 创建一个 API key。

通常推荐使用 python-dotenv 来读取当前目录中的 .env 配置文件。 

pip install python-dotenv

在当前项目目录创建 .env 文件：

.env 文件配置：

DEEPSEEK_API_KEY="sk-xxxxxxxxxxxxxxxx"
OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxx"

Python 读取 .env 文件：

完整实例

import os

from dotenv import load_dotenv

# 加载当前目录 .env 文件
load_dotenv()

# 获取 API Key
api_key = os.getenv("DEEPSEEK_API_KEY")

print(api_key)

指定 .env 文件路径: 如果 .env 文件不在当前目录，可以手动指定路径：

实例

from dotenv import load_dotenv

load_dotenv(dotenv_path="./config/.env")

配置 LangSmith（可选）

如果需要开启 LangChain 调用链追踪与调试功能， 可以配置 LangSmith API Key：

实例

os.environ["LANGSMITH_TRACING"] = "true"

os.environ["LANGSMITH_API_KEY"] = getpass.getpass(
    "Enter your LangSmith API key: "
)

创建 ChatDeepSeek 模型

安装完成后，可以通过 ChatDeepSeek 初始化模型：

实例

import os

from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek

# 加载 .env
load_dotenv()

# 获取 API KEY
api_key = os.getenv("DEEPSEEK_API_KEY")

# 创建模型
llm = ChatDeepSeek(
    api_key=api_key,
    model="deepseek-v4-flash",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2
)

# 调用模型
response = llm.invoke("你好，请介绍 LangChain")

print(response.content)

参数说明:

参数 说明
api_key 设置你申请的 API key，例如 "sk-xxx"
model 指定模型名称，例如 deepseek-v4-flash
temperature 控制随机性，越低结果越稳定
max_tokens 限制生成最大 Token 数量
timeout 请求超时时间
max_retries 失败后的最大重试次数

也可以使用 init_chat_model() 函数来调用：

实例

import os

from dotenv import load_dotenv

# 加载当前目录 .env 文件
load_dotenv()
from langchain.chat_models import init_chat_model

# 指定了 model，返回固定模型
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7)
response = model.invoke("介绍菜鸟教程 RUNOOB")
print(response.content)

调用 DeepSeek 模型

下面示例演示如何向 DeepSeek 模型发送聊天消息：

注意我这里测试，把 API Key 写在了测试文件中：

llm = ChatDeepSeek(
    api_key="sk-xxx",  # 设置你的 DeepSeek API Key
    model="deepseek-v4-flash"
)

实际的生产环境请设置在 .env 文件中。

实例


from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(
    api_key="sk-xxx",    # 设置你的 DeepSeek API Key
    model="deepseek-v4-flash",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2
)

messages = [
    (
        "system",
        "You are a helpful assistant that translates English to Chinese."
    ),
    (
        "human",
        "I love programming."
    ),
]

ai_msg = llm.invoke(messages)

print(ai_msg.content)

运行后，模型会返回英文翻译后的法语结果。 

我喜欢编程。

支持的 DeepSeek 模型:

模型 用途 特点
deepseek-v4-flash 通用聊天模型 支持 Tool Calling 与结构化输出
deepseek-v4-pro 推理模型（deepseek-v4-pro） 更强推理能力，但不支持 Tool Calling

LangChain + DeepSeek 完整测试实例

下面演示一个完整可运行的 LangChain + DeepSeek 示例。

创建测试文件

创建 test.py 文件：

完整实例

from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import HumanMessage, SystemMessage

# =========================
# 配置 DeepSeek API Key
# =========================

apiKey = "sk-xxx" # 设置你的 DeepSeek API Key

# =========================
# 创建 DeepSeek 模型
# =========================

llm = ChatDeepSeek(
    api_key=apiKey,
    model="deepseek-v4-flash",
    temperature=0.7,
    max_tokens=1024,
    timeout=60,
    max_retries=3
)

# =========================
# 构造聊天消息
# =========================

messages = [
    SystemMessage(
        content="你是一名专业 Python 教师。"
    ),

    HumanMessage(
        content="请解释什么是 LangChain，并给出简单示例。"
    )
]

# =========================
# 调用模型
# =========================

response = llm.invoke(messages)

# =========================
# 输出结果
# =========================

print("AI 回复：")
print(response.content)

在终端执行： 

python test.py

输出如下：

代码说明：

代码 作用
ChatDeepSeek LangChain 的 DeepSeek 聊天模型类
SystemMessage 系统提示词，用于设定 AI 身份
HumanMessage 用户输入消息
llm.invoke() 调用 DeepSeek 模型
response.content 获取 AI 返回内容

使用 deepseek-v4-pro 推理模型

LangChain 支持 DeepSeek 流式输出，需要使用 deepseek-v4-pro 推理模型：

实例

from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import HumanMessage, SystemMessage

# =========================
# 配置 DeepSeek API Key
# =========================

apiKey = "sk-xxx" # 设置你的 DeepSeek API Key

# =========================
# 创建 DeepSeek 模型
# =========================

llm = ChatDeepSeek(
    api_key=apiKey,
    model="deepseek-v4-pro",
    temperature=0.7,
    max_tokens=1024,
    timeout=60,
    max_retries=3
)

for chunk in llm.stream("请介绍 Python"):
    print(chunk.content, end="", flush=True)

使用 PromptTemplate

结合 PromptTemplate 动态生成 Prompt：

实例

from langchain_deepseek import ChatDeepSeek
from langchain_core.prompts import ChatPromptTemplate

# =========================
# 配置 DeepSeek API Key
# =========================

apiKey = "sk-xxx" # 设置你的 DeepSeek API Key

# =========================
# 创建 DeepSeek 模型
# =========================

llm = ChatDeepSeek(
    api_key=apiKey,
    model="deepseek-v4-pro",
    temperature=0.7,
    max_tokens=1024,
    timeout=60,
    max_retries=3
)

prompt = ChatPromptTemplate.from_template(
    "请详细解释：{topic}"
)

chain = prompt | llm

response = chain.invoke({
    "topic": "Transformer"
})

print(response.content)

常见错误

错误 原因 解决方法
401 Unauthorized API Key 错误 检查 DEEPSEEK_API_KEY
ModuleNotFoundError 未安装依赖 重新 pip install
Rate Limit 请求频率过高 降低请求频率
Timeout Error 请求超时 增加 timeout 参数

推荐项目结构

项目结构

project/
│
├── app.py
├── requirements.txt
├── .env
├── prompts/
├── data/
└── vector_db/

requirements.txt 示例

实例

langchain
langchain-deepseek
python-dotenv

参考文档

返回顶部
© 2026 菜鸟教程
备案号：闽ICP备15012807号-1

∧