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]
python
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
python
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
python
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）
python
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：
python
@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:
python
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）
python
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。