【LangChain 1.0】接入 DeepSeek API：从 API Key 申请到流式响应的完整实践

一、背景介绍

DeepSeek 作为国内领先的大语言模型提供商，其 API 以高性价比和优秀的推理能力受到开发者青睐。而 LangChain 作为连接大模型与应用的桥梁框架，在 1.0 版本中对模型调用方式进行了重要重构，引入了更加统一的 init_chat_model 接口。

本文将完整演示：从 DeepSeek API Key 的申请，到使用 LangChain 1.0 的新语法调用模型并获取流式响应的全过程。同时会对比 LangChain 0.x 与 1.x 的语法差异，帮助读者平滑迁移。

二、方案分析：API 接入的核心要素

调用外部大模型 API，本质上需要解决三个问题：

身份认证：通过 API Key 证明调用者身份；
模型配置：指定模型版本、温度、最大 Token 数等参数；
响应处理：支持同步返回或流式输出，兼顾延迟与用户体验。

LangChain 1.0 的设计哲学是**"统一入口， provider 透明"**------无论底层是 OpenAI、DeepSeek 还是 Anthropic，开发者都通过 init_chat_model 初始化模型，通过 model_provider 参数区分服务商，从而大幅降低多模型切换的成本。

三、实操步骤

3.1 第一步：申请 DeepSeek API Key

访问 DeepSeek 开放平台，注册并登录账号。

进入 API Keys 管理页面，点击"创建 API Key"按钮。为 Key 命名（如 langchain-demo），系统会生成一串密钥。请务必妥善保存 ，API Key 仅在创建时可见，丢失后需重新创建。

将获取到的 API Key 配置到项目的环境变量中。在项目根目录创建 .env 文件：

bash 复制代码

DEEPSEEK_API_KEY=your-api-key-here

安全提示 ：切勿将 API Key 硬编码在源码中提交到版本控制。使用 .env 文件配合 python-dotenv 加载是业界标准做法。

3.2 第二步：安装依赖

确保已安装 LangChain 1.0 及 DeepSeek 适配包：

bash 复制代码

# 使用 uv（推荐）
uv add langchain langchain-deepseek python-dotenv

# 或使用 pip
pip install langchain langchain-deepseek python-dotenv

3.3 第三步：编写调用代码

LangChain 1.0 推荐使用 init_chat_model 作为统一入口，相比 0.x 版本的直接导入特定模型类，代码更具通用性和可维护性。

新版代码（LangChain 1.x 推荐写法）

python 复制代码

"""
使用 DeepSeek 大模型访问 DeepSeek API
LangChain 1.x 统一接口写法
"""
from pathlib import Path
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model

# 从项目根目录的 .env 加载环境变量（与当前工作目录无关）
load_dotenv(Path(__file__).resolve().parents[2] / ".env")

# 初始化模型：统一入口，通过 model_provider 指定服务商
model = init_chat_model(
    model="deepseek-chat",           # 模型名称：deepseek-chat（默认）、deepseek-r1、deepseek-reasoner
    model_provider="deepseek",       # 指定服务商为 DeepSeek
    temperature=0.1,                 # 温度：控制随机性，0-1 之间，越低越确定
    max_tokens=2000,                 # 最大生成 Token 数
    timeout=30,                      # 请求超时时间（秒）
    max_retries=3,                   # 失败时的最大重试次数
)

# 流式调用：逐块获取响应，降低首字延迟
response = model.stream("来一段毛泽东诗词")

for chunk in response:
    print(chunk.content, end="", flush=True)

代码解析：

init_chat_model ：LangChain 1.0 引入的统一模型初始化函数，替代了 0.x 版本中各个 provider 独立的模型类（如 ChatDeepSeek、ChatOpenAI 等）；
model_provider="deepseek"：显式声明服务商，LangChain 会自动路由到对应的适配层；
stream() 方法：启用流式输出，模型生成过程中逐块返回内容，适合需要实时展示响应的场景（如聊天界面）；
chunk.content ：每个流式块中包含的文本片段，end="" 和 flush=True 确保内容实时输出到终端而不换行。

旧版代码（LangChain 0.x 写法，供对比参考）

python 复制代码

"""
LangChain 0.x 的语法（已废弃，仅供对比）
"""
from pathlib import Path
from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek  # 直接导入特定 provider 的模型类

load_dotenv(Path(__file__).resolve().parents[2] / ".env")

model = ChatDeepSeek(
    model="deepseek-chat",
    temperature=0.1,
    max_tokens=2000,
    timeout=30,
    max_retries=3,
)

response = model.stream("来一段毛泽东诗词")
for chunk in response:
    print(chunk.content, end="", flush=True)

四、验证效果：新旧语法对比与选型建议

4.1 语法演进的核心差异

维度	LangChain 0.x	LangChain 1.x
模型导入	每个 provider 独立的模型类：`from langchain_deepseek import ChatDeepSeek`	统一入口：`from langchain.chat_models import init_chat_model`
服务商声明	隐含在类名中	显式参数：`model_provider="deepseek"`
切换成本	高：更换 provider 需修改导入语句和类名	低：只需修改 `model` 和 `model_provider` 两个参数
可维护性	多 provider 场景代码冗余	统一抽象，代码更简洁

4.2 为什么推荐 1.x 写法？

LangChain 1.0 的统一接口设计带来了三个显著优势：

降低心智负担：开发者无需记忆每个 provider 的专属类名，一套 API 走天下；
便于 A/B 测试：切换模型只需改两个参数，非常适合需要对比不同模型效果的场景；
未来兼容性好：LangChain 社区的新功能和最佳实践会优先在统一接口上迭代。

4.3 模型参数调优建议

参数	作用	建议场景
`temperature`	控制输出随机性，范围 0-2	创意写作取 0.7-1.0，代码生成/问答取 0-0.3
`max_tokens`	限制单次响应的最大长度	根据场景预估，避免过长导致等待和费用浪费
`timeout`	请求超时时间	国内 API 建议 30-60 秒，海外 API 适当延长
`max_retries`	网络波动时的自动重试	生产环境建议 3-5 次，开发环境可设为 1 次快速失败

五、总结

从 DeepSeek API 的申请到 LangChain 1.0 的流式调用，整个过程可以归纳为四个关键步骤：

获取凭证 ：在 DeepSeek 开放平台创建 API Key 并配置到 .env；
安装依赖 ：引入 langchain、langchain-deepseek 和 python-dotenv；
统一初始化 ：使用 init_chat_model 创建模型实例，通过 model_provider 指定 DeepSeek；
流式消费 ：调用 stream() 方法逐块获取响应，实现低延迟的实时输出。

LangChain 1.0 的 init_chat_model 设计，标志着框架从" provider 专属 API"向"统一抽象层"的成熟演进。对于新项目和迁移中的旧项目，都建议尽早拥抱这一新范式。