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]]
fromlangchain_core.messagesimportHumanMessage,SystemMessagefromlangchain_deepseekimportChatDeepSeek# 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
fromlangchain_deepseekimportChatDeepSeek 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
fromlangchain.chat_modelsimportinit_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）
fromlangchain.chat_modelsimportinit_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definvoke(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:fromlangchain.chat_modelsimportinit_chat_modelfromlangchain_core.messagesimportSystemMessage,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）
fromlangchain.chat_modelsimportinit_chat_modelfromlangchain_core.messagesimportSystemMessage,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。
