BYU 技术文档库

外观

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。

除了官方API接口外，我们也可以通过Coding Plan/Token Plan套餐直接接入DeepSeek、Kimi、GLM、Doubao、MiniMax等主流大模型，无需单独购买各家API。

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：

bash
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。

bash
pip install python-dotenv

在当前项目目录创建 .env 文件：

.env 文件配置： ​

python
DEEPSEEK_API_KEY="sk-xxxxxxxxxxxxxxxx"

OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxx"

runoob1778729604970.png

Python 读取 .env 文件：

完整实例 ​

python
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 ​

python
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 ​

python
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 ​

python
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 ​

python
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：

python
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 ​

python
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)

以上代码将英文翻译成中文，运行后，模型会返回翻译后的结果：

python
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 ​

python
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：

bash
python test.py

输出如下：

runoob1778727460016.png

代码说明：

代码作用
ChatDeepSeekLangChain 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 ​

python
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 ​

python
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 UnauthorizedAPI 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 ​

python
project/

│

├── app.py

├── requirements.txt

├── .env

├── prompts/

├── data/

└── vector_db/

requirements.txt 示例 ​

实例 ​

python
langchain

langchain-deepseek

python-dotenv

参考文档 ​

AI 思考中...

LangChain 环境搭建

第一个 LangChain Agent

基于 VitePress 构建，部署于 GitHub Pages

Copyright © 2026 BYU 技术文档库 · 豫ICP备2026030124号