Интеграция LangChain с DeepSeek

В этой главе объясняется, как интегрировать и использовать чат-модель DeepSeek в LangChain.

Через пакет расширенияlangchain-deepseekразработчики могут быстро получить доступ к сервисам больших языковых моделей, предоставляемым DeepSeek.

Модели DeepSeek поддерживают как официальный хостируемый API, так и локальное или стороннее развёртывание инференса через такие платформы, как Ollama, Fireworks и Together.

В дополнение к официальному интерфейсу API мы также можем использовать пакетCoding Plan/Token Planдля прямого доступа к популярным большим моделям, таким как DeepSeek, Kimi, GLM, Doubao, MiniMax и т. д., без отдельной покупки API у каждого поставщика.

Введение в DeepSeek

DeepSeek — это серия больших языковых моделей с открытым исходным кодом, поддерживающая такие возможности, как чат, рассуждение и генерация кода.

В LangChain DeepSeek в основном вызывается через классChatDeepSeek.

Информация об интеграции:

Item	Описание
Имя класса	ChatDeepSeek
Пакет	langchain-deepseek
Status	Бета (тестовая версия)
Поддержка JavaScript	Да
Поддержка Python	Да

Поддержка возможностей модели:

Характеристика	Поддерживается?
Вызов инструментов	✅ Поддерживается
Структурированный вывод	✅ Поддерживается
Ввод изображения	❌ Не поддерживается
Аудиовход	❌ Не поддерживается
Видеовход	❌ Не поддерживается
Потоковый вывод токенов	✅ Поддерживается
Нативный асинхронный вызов	✅ Поддерживается
Статистика использования токенов	✅ Поддерживается
Logprobs	❌ Не поддерживается

API DeepSeek использует формат API, совместимый с OpenAI/Anthropic. Изменив конфигурацию, вы можете использовать SDK OpenAI/Anthropic для доступа к API DeepSeek или использовать программное обеспечение, совместимое с API OpenAI/Anthropic.

Параметр	Значение
base_url (OpenAI)	`https://api.deepseek.com`
base_url (Anthropic)	`https://api.deepseek.com/anthropic`
api_key	Нажмите ссылку, чтобы подать заявку наAPI-ключ
model^*	`deepseek-v4-flash` `deepseek-v4-pro` `deepseek-chat`(Будет объявлен устаревшим 2026/07/24) `deepseek-reasoner`(Будет объявлен устаревшим 2026/07/24)

Установите langchain-deepseek

Перед использованием необходимо установить пакет интеграции DeepSeek для LangChain:

pip install -qU langchain-deepseek

Настройка API-ключа DeepSeek

Сначала вам нужно зарегистрировать аккаунт DeepSeek и создать API Key. Если у вас его ещё нет, необходимо перейти наhttps://platform.deepseek.com/api_keys, чтобы создать API-ключ.

Обычно рекомендуется использоватьpython-dotenvдля чтения файла конфигурации.envв текущем каталоге.

pip install python-dotenv

Создайте файл.envв текущем каталоге проекта:

Конфигурация файла .env:

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

Python читает файл .env:

Полный пример

import os

from dotenv import load_dotenv

# Загрузить файл .env в текущем каталоге
load_dotenv()

# Получить API-ключ
api_key = os.getenv("DEEPSEEK_API_KEY")

print(api_key)

Укажите путь к файлу .env:Если файл .env не находится в текущем каталоге, вы можете указать путь вручную:

Пример

from dotenv import load_dotenv

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

Настройка LangSmith (необязательно)

Если вам нужно включить трассировку и отладку цепочки вызовов LangChain, вы можете настроить API-ключ LangSmith:

Пример

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

os.environ["LANGSMITH_API_KEY"] = getpass.getpass(
"Введите ваш API-ключ LangSmith: "
)

Создание модели ChatDeepSeek

После установки вы можете использоватьChatDeepSeekдля инициализации модели:

Пример

import os

from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek

# Загрузить .env
load_dotenv()

# Получить API-ключ
api_key = os.getenv("DEEPSEEK_API_KEY")

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

# Вызвать модель
response = llm.invoke("Привет, расскажи о LangChain")

print(response.content)

Описание параметров:

Параметр	Описание
api_key	Укажите ваш API-ключ, полученный по заявке, например, "sk-xxx"
model	Укажите название модели, например, deepseek-v4-flash
temperature	Управляет случайностью; чем ниже значение, тем стабильнее результат
max_tokens	Ограничивает максимальное количество генерируемых токенов
timeout	Тайм-аут запроса
max_retries	Максимальное количество повторных попыток после сбоя

Вы также можете использовать функциюinit_chat_model()для вызова:

Пример

import os

from dotenv import load_dotenv

# Загрузить файл .env в текущем каталоге
load_dotenv()
from langchain.chat_models import init_chat_model

# Указанная модель, возвращает фиксированную модель
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7)
response = model.invoke("Представь учебник по Python")
print(response.content)

Вызов модели DeepSeek

В следующем примере показано, как отправлять чат-сообщения модели DeepSeek:

Примечание: В моём тесте здесь я записал API-ключ в тестовом файле:
llm = ChatDeepSeek(
    api_key="sk-xxx",  # 设置你的 DeepSeek API Key
    model="deepseek-v4-flash"
) 
В реальных производственных средах, пожалуйста, задайте его в.envфайле.

Пример

from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(
api_key="sk-xxx", # Укажите ваш API-ключ DeepSeek
model="deepseek-v4-flash",
temperature=0,
max_tokens=None,
timeout=None,
max_retries=2
)

messages = [
(
"system",
"Ты полезный ассистент, который переводит с английского на китайский."
),
(
"human",
"Я люблю программирование."
),
]

ai_msg = llm.invoke(messages)

print(ai_msg.content)

Приведённый выше код переводит английский на китайский. После запуска модель вернёт переведённый результат:

I like programming.

Поддерживаемые модели DeepSeek:

Модель	Назначение	Особенности
deepseek-v4-flash	Чат-модель общего назначения	Поддерживает вызов инструментов и структурированный вывод
deepseek-v4-pro	Модель рассуждений (deepseek-v4-pro)	Более мощные возможности рассуждений, но не поддерживает вызов инструментов

Полный пример тестирования LangChain + DeepSeek

Ниже демонстрируется полный рабочий пример LangChain + DeepSeek.

Создание тестового файла

Создайте файл test.py:

Полный пример

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

# =========================
# Настройте ключ API DeepSeek
# =========================

apiKey = "sk-xxx" # Установите свой ключ API DeepSeek

# =========================
# Создайте модель DeepSeek
# =========================

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

# =========================
# Сформируйте сообщения чата
# =========================

messages = [
SystemMessage(
content="Вы профессиональный преподаватель Python."
),

HumanMessage(
content="Пожалуйста, объясните, что такое LangChain, и приведите простой пример."
)
]

# =========================
# Вызвать модель
# =========================

response = llm.invoke(messages)

# =========================
# Выведите результат
# =========================

print("Ответ ИИ:")
print(response.content)

Выполните в терминале:

python test.py

Вывод следующий:

Пояснение кода:

Code	Назначение
ChatDeepSeek	Класс чат-модели DeepSeek в LangChain
SystemMessage	Системный промпт, используемый для задания личности ИИ
HumanMessage	Входное сообщение пользователя
llm.invoke()	Вызов модели DeepSeek
response.content	Получить содержимое, возвращённое ИИ

Использовать модель рассуждений deepseek-v4-pro

LangChain поддерживает потоковый вывод DeepSeek, для чего требуется модель инференса deepseek-v4-pro:

Пример

Использование PromptTemplate

Динамическая генерация Prompt с помощью PromptTemplate:

Пример

from langchain_deepseek import ChatDeepSeek
from langchain_core.prompts import ChatPromptTemplate

# =========================
# Настройте ключ API DeepSeek
# =========================

apiKey = "sk-xxx" # Установите свой ключ API DeepSeek

# =========================
# Создайте модель DeepSeek
# =========================

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

prompt = ChatPromptTemplate.from_template(
"Пожалуйста, объясните подробно: {topic}"
)

chain = prompt | llm

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

print(response.content)

Типичные ошибки

Ошибка	Причина	Решение
401 Unauthorized	Ошибка ключа API	Проверьте DEEPSEEK_API_KEY
ModuleNotFoundError	Зависимости не установлены	Повторно запустите pip install
Лимит запросов	Слишком высокая частота запросов	Уменьшите частоту запросов
Ошибка тайм-аута	Тайм-аут запроса	Увеличьте параметр тайм-аута

Структура проекта

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

requirements.txt Пример

Пример

langchain
langchain-deepseek
python-dotenv

Справочная документация

Документация LangChain DeepSeek: https://python.langchain.com/docs/integrations/chat/deepseek/
Официальный сайт DeepSeek: https://www.deepseek.com/
Официальный сайт LangChain: https://www.langchain.com/
LangSmith： https://smith.langchain.com/

Другие расширения

Agent конфигурация разработки

Справочное руководство

Интеграция LangChain с DeepSeek

Введение в DeepSeek

Установите langchain-deepseek

Настройка API-ключа DeepSeek

Конфигурация файла .env:

Полный пример

Пример

Настройка LangSmith (необязательно)

Пример

Создание модели ChatDeepSeek

Пример

Пример

Вызов модели DeepSeek

Пример

Полный пример тестирования LangChain + DeepSeek

Создание тестового файла

Полный пример

Использовать модель рассуждений deepseek-v4-pro

Пример

Использование PromptTemplate

Пример

Типичные ошибки

Рекомендуемая структура проекта

Структура проекта

requirements.txt Пример

Пример

Справочная документация