LangChain-Integration mit DeepSeek
Dieses Kapitel erklärt, wie das DeepSeek-Chatmodell in LangChain integriert und verwendet wird.
Über das Erweiterungspaketlangchain-deepseekkönnen Entwickler schnell auf die von DeepSeek bereitgestellten Dienste für große Sprachmodelle zugreifen.
DeepSeek-Modelle unterstützen sowohl die offizielle gehostete API als auch lokale oder Drittanbieter-Inferenzbereitstellungen über Plattformen wie Ollama, Fireworks und Together.
Zusätzlich zur offiziellen API-Schnittstelle können wir auch dasCoding Plan/Token Plan-Paket verwenden, um direkt auf gängige große Modelle wie DeepSeek, Kimi, GLM, Doubao, MiniMax usw. zuzugreifen, ohne die APIs jedes Anbieters separat kaufen zu müssen.
DeepSeek-Einführung
DeepSeek ist eine Open-Source-Serie großer Sprachmodelle, die Funktionen wie Chat, Reasoning und Codegenerierung unterstützt.
In LangChain wird DeepSeek hauptsächlich über dieChatDeepSeek-Klasse aufgerufen.
Integrationsinformationen:
| Item | Beschreibung |
|---|---|
| Klassenname | ChatDeepSeek |
| Paket | langchain-deepseek |
| Status | Beta (Testversion) |
| JavaScript-Unterstützung | Ja |
| Python-Unterstützung | Ja |
Unterstützung der Modellfähigkeiten:
| Merkmal | Unterstützt? |
|---|---|
| Tool-Aufruf | ✅ Unterstützt |
| Strukturierte Ausgabe | ✅ Unterstützt |
| Bildeingabe | ❌ Nicht unterstützt |
| Audio-Eingabe | ❌ Nicht unterstützt |
| Video-Eingabe | ❌ Nicht unterstützt |
| Token-Streaming-Ausgabe | ✅ Unterstützt |
| Nativer asynchroner Aufruf | ✅ Unterstützt |
| Token-Nutzungsstatistiken | ✅ Unterstützt |
| Logprobs | ❌ Nicht unterstützt |
Die DeepSeek-API verwendet ein API-Format, das mit OpenAI/Anthropic kompatibel ist. Durch Ändern der Konfiguration können Sie das OpenAI/Anthropic SDK verwenden, um auf die DeepSeek-API zuzugreifen, oder Software verwenden, die mit der OpenAI/Anthropic-API kompatibel ist.
| Parameter | Wert |
|---|---|
| base_url (OpenAI) | https://api.deepseek.com |
| base_url (Anthropic) | https://api.deepseek.com/anthropic |
| api_key | Klicken Sie auf den Link, um einenAPI-Schlüssel zu beantragen |
| model* | deepseek-v4-flashdeepseek-v4-prodeepseek-chat(Wird am 2026/07/24 abgekündigt)deepseek-reasoner(Wird am 2026/07/24 abgekündigt) |
langchain-deepseek installieren
Bevor du es verwendest, musst du das LangChain-Integrationspaket von DeepSeek installieren:
pip install -qU langchain-deepseek
DeepSeek-API-Schlüssel konfigurieren
Du musst zuerst ein DeepSeek-Konto registrieren und einen API Key erstellen. Wenn du noch keinen hast, musst du zuhttps://platform.deepseek.com/api_keysgehen, um einen API Key zu erstellen.
Es wird normalerweise empfohlen,python-dotenvzu verwenden, um die.env-Konfigurationsdatei im aktuellen Verzeichnis zu lesen.
pip install python-dotenv
Erstelle die.env-Datei im aktuellen Projektverzeichnis:
.env-Dateikonfiguration:
OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxx"

Python liest die .env-Datei:
Vollständiges Beispiel
from dotenv import load_dotenv
# Lade die .env-Datei im aktuellen Verzeichnis
load_dotenv()
# API Key abrufen
api_key = os.getenv("DEEPSEEK_API_KEY")
print(api_key)
Pfad zur .env-Datei angeben:Wenn sich die .env-Datei nicht im aktuellen Verzeichnis befindet, können Sie den Pfad manuell angeben:
Beispiel
load_dotenv(dotenv_path="./config/.env")
LangSmith konfigurieren (optional)
Wenn Sie Tracing und Debugging für LangChain-Aufrufketten aktivieren müssen, können Sie den LangSmith-API-Schlüssel konfigurieren:
Beispiel
os.environ["LANGSMITH_API_KEY"] = getpass.getpass(
"Geben Sie Ihren LangSmith-API-Schlüssel ein: "
)
ChatDeepSeek-Modell erstellen
Nach der Installation können SieChatDeepSeekverwenden, um das Modell zu initialisieren:
Beispiel
from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek
# .env laden
load_dotenv()
# API-Schlüssel abrufen
api_key = os.getenv("DEEPSEEK_API_KEY")
# Modell erstellen
llm = ChatDeepSeek(
api_key=api_key,
model="deepseek-v4-flash",
temperature=0,
max_tokens=None,
timeout=None,
max_retries=2
)
# Modell aufrufen
response = llm.invoke("Hallo, bitte stellen Sie LangChain vor")
print(response.content)
Parameterbeschreibung:
| Parameter | Beschreibung |
|---|---|
| api_key | Legen Sie Ihren beantragten API-Schlüssel fest, z. B. "sk-xxx" |
| model | Geben Sie den Modellnamen an, z. B. deepseek-v4-flash |
| temperature | Steuert die Zufälligkeit; je niedriger der Wert, desto stabiler das Ergebnis |
| max_tokens | Begrenzt die maximale Anzahl generierter Token |
| timeout | Anfrage-Timeout |
| max_retries | Maximale Anzahl von Wiederholungsversuchen nach einem Fehler |
Sie können auch dieinit_chat_model()Funktion verwenden, um aufzurufen:
Beispiel
from dotenv import load_dotenv
# Lade die .env-Datei im aktuellen Verzeichnis
load_dotenv()
from langchain.chat_models import init_chat_model
# Angegebenes Modell, gibt ein festes Modell zurück
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7)
response = model.invoke("Stellen Sie das Python-Tutorial vor")
print(response.content)
DeepSeek-Modell aufrufen
Das folgende Beispiel zeigt, wie Sie Chatnachrichten an das DeepSeek-Modell senden:
Hinweis: In meinem Test hier habe ich den API-Schlüssel in die Testdatei geschrieben:
llm = ChatDeepSeek( api_key="sk-xxx", # 设置你的 DeepSeek API Key model="deepseek-v4-flash" )In tatsächlichen Produktionsumgebungen legen Sie ihn bitte in der.env-Datei fest.
Beispiel
llm = ChatDeepSeek(
api_key="sk-xxx", # Legen Sie Ihren DeepSeek API-Schlüssel fest
model="deepseek-v4-flash",
temperature=0,
max_tokens=None,
timeout=None,
max_retries=2
)
messages = [
(
"system",
"Du bist ein hilfreicher Assistent, der Englisch nach Chinesisch übersetzt."
),
(
"human",
"Ich liebe Programmieren."
),
]
ai_msg = llm.invoke(messages)
print(ai_msg.content)
Der obige Code übersetzt Englisch ins Chinesische. Nach der Ausführung gibt das Modell das übersetzte Ergebnis zurück:
I like programming.
Unterstützte DeepSeek-Modelle:
| Modell | Zweck | Funktionen |
|---|---|---|
| deepseek-v4-flash | Allzweck-Chatmodell | Unterstützt Tool Calling und strukturierte Ausgabe |
| deepseek-v4-pro | Reasoning-Modell (deepseek-v4-pro) | Stärkere Reasoning-Fähigkeiten, unterstützt jedoch kein Tool Calling |
LangChain + DeepSeek – Vollständiges Testbeispiel
Im Folgenden wird ein vollständig ausführbares LangChain + DeepSeek-Beispiel gezeigt.
Testdatei erstellen
Die Datei test.py erstellen:
Vollständiges Beispiel
from langchain_core.messages import HumanMessage, SystemMessage
# =========================
# DeepSeek-API-Schlüssel konfigurieren
# =========================
apiKey = "sk-xxx" # Legen Sie Ihren DeepSeek-API-Schlüssel fest
# =========================
# DeepSeek-Modell erstellen
# =========================
llm = ChatDeepSeek(
api_key=apiKey,
model="deepseek-v4-flash",
temperature=0.7,
max_tokens=1024,
timeout=60,
max_retries=3
)
# =========================
# Chat-Nachrichten erstellen
# =========================
messages = [
SystemMessage(
content="Sie sind ein professioneller Python-Lehrer."
),
HumanMessage(
content="Bitte erklären Sie, was LangChain ist, und geben Sie ein einfaches Beispiel an."
)
]
# =========================
# Modell aufrufen
# =========================
response = llm.invoke(messages)
# =========================
# Ergebnis ausgeben
# =========================
print("KI-Antwort:")
print(response.content)
Im Terminal ausführen:
python test.py
Die Ausgabe sieht wie folgt aus:

Code-Erklärung:
| Code | Zweck |
|---|---|
| ChatDeepSeek | Die DeepSeek-Chatmodell-Klasse von LangChain |
| SystemMessage | System-Prompt, wird verwendet, um die Identität der KI festzulegen |
| HumanMessage | Benutzereingabenachricht |
| llm.invoke() | Das DeepSeek-Modell aufrufen |
| response.content | Den zurückgegebenen Inhalt der KI abrufen |
Das Reasoning-Modell deepseek-v4-pro verwenden
LangChain unterstützt die Streaming-Ausgabe von DeepSeek; hierfür ist das Inferenzmodell deepseek-v4-pro erforderlich:
Beispiel
from langchain_core.messages import HumanMessage, SystemMessage
# =========================
# DeepSeek-API-Schlüssel konfigurieren
# =========================
apiKey = "sk-xxx" # Legen Sie Ihren DeepSeek-API-Schlüssel fest
# =========================
# DeepSeek-Modell erstellen
# =========================
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("Bitte stelle Python vor"):
print(chunk.content, end="", flush=True)
PromptTemplate verwenden
Prompt mit PromptTemplate dynamisch generieren:
Beispiel
from langchain_core.prompts import ChatPromptTemplate
# =========================
# DeepSeek-API-Schlüssel konfigurieren
# =========================
apiKey = "sk-xxx" # Legen Sie Ihren DeepSeek-API-Schlüssel fest
# =========================
# DeepSeek-Modell erstellen
# =========================
llm = ChatDeepSeek(
api_key=apiKey,
model="deepseek-v4-pro",
temperature=0.7,
max_tokens=1024,
timeout=60,
max_retries=3
)
prompt = ChatPromptTemplate.from_template(
"Bitte ausführlich erklären: {topic}"
)
chain = prompt | llm
response = chain.invoke({
"topic": "Transformer"
})
print(response.content)
Häufige Fehler
| Fehler | Ursache | Lösung |
|---|---|---|
| 401 Nicht autorisiert | API-Key-Fehler | DEEPSEEK_API_KEY prüfen |
| ModuleNotFoundError | Abhängigkeiten nicht installiert | pip install erneut ausführen |
| Ratenlimit | Anfragefrequenz zu hoch | Anfragefrequenz reduzieren |
| Timeout-Fehler | Anfrage-Timeout | Timeout-Parameter erhöhen |
Empfohlene Projektstruktur
Projektstruktur
│
├── app.py
├── requirements.txt
├── .env
├── prompts/
├── data/
└── vector_db/
requirements.txt Beispiel
Beispiel
langchain-deepseek
python-dotenv
Referenzdokumentation
- LangChain DeepSeek-Dokumentation: https://python.langchain.com/docs/integrations/chat/deepseek/
- Offizielle DeepSeek-Website: https://www.deepseek.com/
- Offizielle LangChain-Website: https://www.langchain.com/
- LangSmith: https://smith.langchain.com/