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.

ParameterWert
base_url (OpenAI)https://api.deepseek.com
base_url (Anthropic)https://api.deepseek.com/anthropic
api_keyKlicken Sie auf den Link, um einenAPI-Schlüssel zu beantragen
model*deepseek-v4-flash
deepseek-v4-pro
deepseek-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:

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

Python liest die .env-Datei:

Vollständiges Beispiel

import os

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

from dotenv import load_dotenv

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_TRACING"] = "true"

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

import os

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

import os

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

from langchain_deepseek import ChatDeepSeek

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_deepseek import ChatDeepSeek
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_deepseek import ChatDeepSeek
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_deepseek import ChatDeepSeek
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

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

requirements.txt Beispiel

Beispiel

langchain
langchain-deepseek
python-dotenv

Referenzdokumentation

Weitere Erweiterungen