DeepSeek API 与 LangChain 框架接入实战

说明： 本文介绍如何在 LangChain 框架中接入 DeepSeek API

---

1. 概述（Summary）

用 LLM 搭建一个 Agent，通常都要先回答一个很实际的问题：我怎么把一款能力强、成本低的模型，以最低成本接入到我的应用代码里，而不用从零写一套客户端？

本文给出当你想在 LangChain 生态里使用 DeepSeek 作为模型供应商时，最简单可行的答案。

核心思路是：DeepSeek API 与 OpenAI API 格式完全兼容。因此，在 LangChain 中使用 DeepSeek 最便捷的方式，就是直接复用现有的 OpenAI SDK 集成（langchain-openai），只需把 base_url 指向 DeepSeek、并配上 DeepSeek 的 API Key 即可。不需要自定义适配器，不需要新增依赖，也不需要自己实现协议代码。

读完本文，你将拥有一份可直接运行的最小程序，它能够：

• 通过 API Key 向 DeepSeek 平台完成身份认证；
• 用 system / human / AI 的角色构造一段对话消息；
• 通过 LangChain 的 ChatOpenAI 调用 deepseek-v4-flash 模型；
• 打印出模型的回复。

这是 DeepSeek + LangChain 的"Hello, World"，也是后续一切更高级 Agent（工具调用、记忆、检索、图编排）的地基。

---

2. 说明（Description）

2.1 我们要做什么

我们希望用 Python 通过 LangChain 的抽象层，向 DeepSeek 模型发送一段对话提示并拿到文本回复。程序应当做到：

1. 从环境变量中加载敏感配置（API Key），而不是写死在代码里；
2. 初始化一个与 DeepSeek 通信的 LangChain 聊天模型客户端；
3. 构造一个简短的多轮风格消息列表（系统指令 + 用户问题）；
4. 同步调用模型并打印结果。

描述：技术说明 —— 要做什么、用什么 SDK、逻辑如何实现

2.2 我们要用哪个 SDK

我们不安装任何专门的 DeepSeek Python 包，而是复用以下组件：

组件	包名	作用
聊天模型客户端	langchain-openai（ChatOpenAI）	LangChain 的 OpenAI 兼容聊天封装
消息类型	langchain-core（SystemMessage、HumanMessage、AIMessage）	带类型的聊天消息
环境变量加载	python-dotenv（load_dotenv）	把 .env 中的密钥读入 os.environ

为什么这样可行： DeepSeek 在其地址 https://api.deepseek.com 上提供 与 OpenAI Chat Completions API 相同的请求/响应结构。ChatOpenAI 只需要三个指向正确位置的值：model、api_key、base_url。把这三个值换掉，同一份 LangChain 代码调用的就变成了 DeepSeek 而非 OpenAI。

2.3 逻辑如何实现

load_dotenv()
      │
      ▼
ChatOpenAI(model, api_key, base_url="https://api.deepseek.com/v1", temperature)
      │
      ▼
messages = [ SystemMessage, HumanMessage ]   # 带类型的聊天历史
      │
      ▼
model.invoke(messages)                        # 同步发起对 DeepSeek 的 HTTP 请求
      │
      ▼
resp.content  ──►  print()

流程刻意保持线性、同步。invoke() 会阻塞，直到 DeepSeek 返回完整的消息，非常适合脚本、Notebook 和测试。（DeepSeek 同样支持 stream=True，以及 LangChain 的 .stream() / .ainvoke() 用于流式与异步 —— 本文不展开，但后续很容易加上。）

从官方知识库核实，并延伸说明的内容：

• 兼容 OpenAI 与 Anthropic： 只需修改 base_url 和 api_key，即可用 OpenAI SDK 或 Anthropic SDK 访问 DeepSeek。
• 官方 base URL：
  • OpenAI 格式 → https://api.deepseek.com
  • Anthropic 格式 → https://api.deepseek.com/anthropic
• 当前模型： deepseek-v4-flash 与 deepseek-v4-pro。这些别名会自动解析到最新快照（DeepSeek-V4-Flash-0731、DeepSeek-V4-Pro-0813），调用方式不变。
• API Key 获取地址： https://platform.deepseek.com/api_keys
• 推理能力： DeepSeek 模型支持 thinking / reasoning_effort 参数，可开启逐步推理（如需，可通过额外参数传入）。
• Agent 工具生态： DeepSeek 提供 Harness（开发者预览），并可直接作为 Claude Code / GitHub Copilot / OpenCode 等工具的后端模型。

本文引用的官方知识库链接：

• DeepSeek API 文档 → https://api-docs.deepseek.com/
• DeepSeek 开放平台（用量与 API Key） → https://platform.deepseek.com/usage

---

3. 代码细节（Code Details）

3.1 完整实现

下面是完整、可直接运行的程序（agent_basic_deepseek.py）。它刻意保持极简，方便你 30 秒从头读到尾。

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

load_dotenv()
model = ChatOpenAI(
    model="deepseek-v4-flash",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1",
    temperature=0.7,
)

messages = [
    SystemMessage(content="You are a helpful assistant."),
    HumanMessage(
        content="Show me your power, give me a list of what you're available to do.")
]

resp = model.invoke(messages)
print(resp.content)

3.2 分步讲解

1. 导入依赖

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

• os 在运行时读取环境变量；
• load_dotenv() 从本地 .env 文件加载密钥；
• ChatOpenAI 是我们要"改装"给 DeepSeek 用的 OpenAI 兼容聊天客户端；
• 三个 *Message 类是 LangChain 对聊天角色的类型化表示。

2. 加载环境并配置客户端

load_dotenv()
model = ChatOpenAI(
    model="deepseek-v4-flash",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1",
    temperature=0.7,
)

• model="deepseek-v4-flash" 选择快速、低成本的 DeepSeek V4 flash 模型；
• api_key=os.getenv("DEEPSEEK_API_KEY") 让密钥不进入源码版本库；
• base_url="https://api.deepseek.com/v1" 是唯一一行把 OpenAI 客户端重定向到 DeepSeek 的代码（官方文档写的是 https://api.deepseek.com，两者都可用，因为 /v1 是 API 版本路径）；
• temperature=0.7 控制随机性 —— 事实类任务调低，创意类任务调高。

3. 构造对话

messages = [
    SystemMessage(content="You are a helpful assistant."),
    HumanMessage(
        content="Show me your power, give me a list of what you're available to do.")
]

• SystemMessage 设定助手的行为/人设；
• HumanMessage 是用户的提示词。（AIMessage 表示模型上一次的回复 —— 当你需要回灌聊天历史时很有用。）

4. 调用并打印

resp = model.invoke(messages)
print(resp.content)

• model.invoke(messages) 同步发起对 DeepSeek 的 HTTP 请求，返回一个 AIMessage 对象；
• resp.content 即生成的文本字符串。

3.3 前置条件与环境配置

# 1. （推荐）创建虚拟环境
python -m venv .venv
source .venv/bin/activate        # Windows: .venv\Scripts\activate

# 2. 安装依赖
pip install langchain-openai langchain-core python-dotenv

# 3. 在项目根目录创建 .env 文件
echo "DEEPSEEK_API_KEY=sk-your-real-key-here" > .env

⚠️ 安全提示： 切勿提交你的真实 API Key。原 agent_basic_deepseek.md 中出现的 sk-... 只是占位示例 —— 请把它放在 .env 里，并将 .env 加入 .gitignore。

3.4 运行程序

python agent_basic_deepseek.py

预期行为：脚本打印出 DeepSeek 的回复，列出助手能做的事情。若出现鉴权错误，请检查 DEEPSEEK_API_KEY 是否已在环境中设置，以及你的 DeepSeek 账户是否有 API 额度。

---

小结

这就是全部地基：一个客户端、三个配置值、一份带类型的消息列表、一次 invoke() 调用。 在这之上，你可以把这个骨架逐步长成一个真正的 Agent —— 加上 tools 做函数调用、把模型包进 Runnable 链、挂载 MemorySaver 实现对话记忆，或用 LangGraph 编排多步流程。所有这些高级模式，都依然从上面那行 ChatOpenAI(..., base_url="https://api.deepseek.com/v1") 起步。