1. 方式一：直接API调用–DeepSeek

这种方式相当于是三方集成包提供的。
聊天模型的API KEY，可以在定义的时候可以直接写在里面，也可以配置在环境变量中（推荐配置在环境变量中）。
![[Pasted image 20260605131142.png]]

from langchain_core.messages import HumanMessage, SystemMessage  
from langchain_deepseek import ChatDeepSeek
  
# 1. 定义 DeepSeek 模型  
model = ChatDeepSeek(  
    model="deepseek-chat",  
    # api_key="sk-34a424135c6d499e91ab32951a4ec0bf"  
)  
  
# 2. 定义消息（保持不变）  
messages = [  
    SystemMessage(content="请帮我进行翻译，由英文翻译成中文！"),  
    HumanMessage(content="my name is xiaobu")  
]  
  
# 3. 调用大模型  
result = model.invoke(messages)  
print(result)  # 输出翻译结果  

ChatDeepSeek继承了BaseChatOpenAI，BaseChatOpenAI实现了标准的Runnable接口。

chat DeepSeek常用初始化参数说明

from langchain_deepseek import ChatDeepSeek  
  
model = ChatDeepSeek(  
    model="...",      # 要使用的 OpenAI 模型的名称
    temperature=0,    # 采样温度，温度值越高，AI 回答越天马行空；温度越低，回答越保守靠谱。有些模型的温度范围是0~1，有的是0~2.
    max_tokens=None,  # 输出文本的最大token数（英文：一个token约等于4个字符或者0.75个单词；中文：一个汉字约等于1.5-2个token）
    timeout=None,     # 请求超时时间
    max_retries=2,    # 最大重试次数
    # api_key="...",  # API密钥
    # other params...
)  

2. 方式二：init_chat_model

相当于是langchain包提供的。Langchain封装了更上层的方法，让我们初始化模型。这种方法可以定义所有的大模型，这就体现出来了LangChain的封装性，所有的大模型都只需要实现一种标准。

2.1 基本用法

from langchain.chat_models import init_chat_model 
 
# 第二种定义聊天模型的方式 
# 指定厂商 和 模型名称
# 返回的是Runnable实例
deepseek_model = init_chat_model(model="deepseek-chat", model_provider="deepseek")  
  
print(f"deepseek-chat:{deepseek_model.invoke("你是谁?").content}")

可以看到它就是创建了一个ChatDeepSeek。
![[Pasted image 20260605140236.png]]

上面API调用可以设置的初始化参数，这种方式也同样支持。

2.2 可配置模型（模型模拟器）

from langchain.chat_models import init_chat_model

# 定义可配置模型（模型模拟器）  
config_model = init_chat_model()  
print(f"deepseek-chat:{config_model.invoke("你是谁?").content}")

直接这样调用是会报错的。
![[Pasted image 20260605142146.png|479]]

在调试中可以看到，这是一个可配置模型，不是一个真正的模型，只是初始化了一下，并没有实际的定义出来model.
![[Pasted image 20260605142446.png]]

这个模型模拟器在运行的时候才能被定义出来，在进行invoke的时候，invoke方法中有一个配置字段，可以对其进行配置：

@abstractmethod  
# 这是一个抽象方法
def invoke(  
    self,  
    input: Input,  # 输入一个Runnable实例，可以Message, 聊天模型也可以直接传入一个字符串
    config: RunnableConfig | None = None,  # 是配置runnable实例的选项（input选项传入了一个Runnable，config选项就对这个Runnable进行配置），config就相当于是input的一个辅助工具。
    **kwargs: Any,  
) -> Output:

from langchain.chat_models import init_chat_model  
from langchain_core.messages import SystemMessage, HumanMessage  
  
# 定义可配置模型（模型模拟器）  
config_model = init_chat_model()  
  
# 定义消息
messages = [  
    SystemMessage(content="请帮我进行翻译，由英文翻译成中文！"),  
    HumanMessage(content="my name is xiaobu")  
]  

print(f"deepseek-chat:{config_model.invoke(input=messages, config={"configurable": {"model": "deepseek-chat"}}).content}")

2.3 可配置模型（带默认配置值）

from langchain.chat_models import init_chat_model  
from langchain_core.messages import SystemMessage, HumanMessage  
  
  
deepseek_model = init_chat_model(  
    model="deepseek-chat",  
    model_provider="deepseek",  
    temperature=0.3,  
    max_tokens=1024,  # 无法直接修改已经存在的属性  
    configurable_fields=["max_tokens"], # 配置可修改的字段，当然其他字段都可以配置进去，都可以在后续进行修改，包括模型  
    config_prefix="first" # 指定可修改字段的前缀  
)  
messages=[  
    SystemMessage(content="请补全一段故事，100个字以内"),  
    HumanMessage(content="一只猫正在  "),  
]  
  
# 我们想一次完成两个版本的的输出（1. 原本的版本；2. 精简之后的版本）  
result = deepseek_model.invoke(  
    input = messages,  
    config = {  
        "configurable" : {  
            "first_max_tokens" : 10, #修改带有默认配置的字段（要加上前缀）  
        }  
    }  
)  
  
# 输出结果：一只猫正在窗台上打盹，忽然  
print(result.content)

3. 与原生大模型调用的区别

![[Pasted image 20260605131825.png]]

• 消息封装：LangChain 使用 SystemMessage、HumanMessage、AIMessage 等标准化消息类型，自动管理角色，原生调用需要手动构造 "role": "user" 字典。

• 统一调用接口：无论底层是 OpenAI、DeepSeek 还是本地模型，都通过 model.invoke() 调用，更换模型无需修改调用逻辑。

• 返回对象：invoke 返回 AIMessage，可以直接获取 .content，还附带 response_metadata 等额外信息；原生调用只返回纯 JSON。

• 与链/Agent 集成：LangChain 封装的模型可以直接传入 PromptTemplate、Chain、Agent 中，构成可组合的工作流；原生调用需要手动处理每一步的输入输出拼接。

• 对话历史管理：LangChain 会自动将消息列表传递并处理多轮对话，原生调用需要自行维护并拼接历史消息。

• 流式输出：通过 model.stream() 一句代码实现流式响应，原生需要处理 SSE 或分块解析。

  通俗理解：原生调用是“裸调”，你得自己拼请求、解响应、管状态；LangChain 封装像一个“适配器”，把异构的模型服务统一成标准件，方便你拼装复杂应用。