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：

模型能力支持：

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。

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 DeepSeek 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:

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)

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：

我喜欢编程。

支持的 DeepSeek 模型:

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：

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

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

• LangChain DeepSeek 文档： ChatDeepSeek integration - Docs by LangChain
• DeepSeek 官网： DeepSeek | 深度求索
• LangChain 官网： LangChain: Observe, Evaluate, and Deploy Reliable AI Agents
• LangSmith： LangSmith