使用 LangChain 调用本地 DeepSeek API

1. 部署DeepSeek模型

确保已经在本地部署了Deepseek模型，例如Ollama进行部署；
2. 安装必要的 Python 库

1. pip install langchain ollama langchain_community

复制代码

3. 使用 LangChain 调用本地DeepSeek API

3.1 调用方法1

下面是一个完整的示例代码，展示了如何使用 LangChain 调用本地的 DeepSeek API：

1. from langchain_community.llms import Ollama
2. from langchain.prompts import PromptTemplate
3. from langchain.chains import LLMChain
5. # 创建 Ollama 实例，指定模型名称和本地服务地址
6. llm = Ollama(model="deepseek-r1:32b", base_url="http://localhost:11434")# 定义提示模板
7. prompt = PromptTemplate(
8.     input_variables=["question"],
9.     template="请回答以下问题：{question}")# 创建 LLM 链
10. chain = LLMChain(llm=llm, prompt=prompt)# 定义问题
11. question ="1+3=？"# 调用链进行推理
12. result = chain.invoke({"question": question})ifisinstance(result,dict):
13.     result = result.get("text","")# 打印结果print(result)

复制代码

运行结果：



3.2 调用方法2

ChatOpenAI库兼容Deepseek，因此可以使用ChatOpenAI库进行接口调用

pip install langchain-openai

实例化

1. from langchain_deepseek import ChatDeepSeek
3. llm = ChatOpenAI(
4.     model="deepseek-v3",
5.     openai_api_key="XXXX",
6.     openai_api_base="XXXXX/v1/",#注意此处url层级到v1
7.     max_tokens=1024,# 其他参数...)
9. messages =[("system","您是一个有用的助手，负责将英语翻译成中文。请翻译用户句子。",),("human","I love programming."),]
10. ai_msg = llm.invoke(messages)
11. ai_msg.content

复制代码

输出结果:



链接

用户可以将模型与提示模板链接，如下所示：

1. from langchain_core.prompts import ChatPromptTemplate
3. prompt = ChatPromptTemplate([("system","您是一个有用的助手，负责将 {input_language} 翻译成 {output_language}。",),("human","{input}"),])
5. chain = prompt | llm
6. chain.invoke({"input_language":"英语","output_language":"德语","input":"我喜欢编程。",})

复制代码

运行结果：



4.自定义辅助工具

4.1 简单调用：

1. import datetime
2. from langchain.tools import tool
3. from langchain_openai import ChatOpenAI
4. # 构建OpenAI客户端
5. llm = ChatOpenAI(
6.         model="deepseek-v3",
7.         openai_api_key="your api key",
8.         openai_api_base="api url")# 定义⼯具 注意要添加注释@tooldefadd(a:int, b:int)->int:"""Adds a and b."""return a + b
9. print(add.invoke({"a":11,"b":21}))

复制代码

结果：



4.2 LangChain调用工具

1. import datetime
2. from langchain.tools import tool
3. from langchain_openai import ChatOpenAI
4. from langchain.tools.render import render_text_description
5. from langchain_core.prompts import ChatPromptTemplate
6. from langchain_core.output_parsers import JsonOutputParser
8. # 构建OpenAI客户端
9. llm = ChatOpenAI(
10.         model="deepseek-v3",
11.         openai_api_key="your api key",
12.         openai_api_base="api url")# 定义⼯具 注意要添加注释@tooldefadd(a:int, b:int)->int:"""Adds a and b."""return a + b
13. @tooldefget_current_date():"""获取今天⽇期"""return datetime.datetime.today().strftime("%Y-%m-%d")       
15. tools =[add, get_current_date]# 构建工具条件和调用描述
16. rendered_tools = render_text_description(tools)print("rendered_tools:", rendered_tools)# 构建系统提示词
17. system_prompt =f"""
18. You are an assistant that has access to the following set of tools. Here are the names and descriptions for each tool:
19. {rendered_tools}
20. Given the user input, return the name and input of the tool to use. Return your response as a JSON blob with 'name' and 'arguments' keys."""# 构建输入提示词模板
21. prompt = ChatPromptTemplate.from_messages([("system", system_prompt),("user","{input}")])# 构建chain以及最后格式化输出
22. chain = prompt | llm
23. print(chain.invoke({"input":"what's 11 + 12"}))# 输出所有结果
24. tool_map ={tool.name: tool for tool in tools}deftools_call(model_output):
25.     chosen_tool = tool_map[model_output["name"]]return chosen_tool.invoke(model_output["arguments"])# 在链条后面添加JsonOutputParser()和tools_call用来限制输出内容，只输出工具的结果# 链式组合
26. chain = prompt | llm| JsonOutputParser()| tools_call
27. print(chain.invoke({"input":"what's 11 + 33"}))print(chain.invoke({"input":"what's the date today?"}))

复制代码

运行结果：



4.3 laggraph调用工具

langgraph.prebuilt.create_react_agent 是 LangGraph 库中的一个预构建函数，位于 langgraph.prebuilt 模块，用于快速创建基于 ReAct（Reasoning + Acting）架构的智能代理。

1. from langgraph.prebuilt import create_react_agent
2. from langchain_openai import ChatOpenAI
4. # 构建OpenAI客户端
5. llm = ChatOpenAI(
6.         model="deepseek-v3",
7.         openai_api_key="your api key",
8.         openai_api_base="api url")
9. agent = create_react_agent(
10. model=llm,
11. tools=[get_current_date],
12. prompt="你是一个有用的助手，负责根据用户提出的问题调用对应的工具获得结果后输出",)
13. result = agent.invoke({"messages":[{"role":"user","content":"今天是几月几日?"}]}print(result["messages"][-1].content)

复制代码

结果：



5.参考链接

LangChain + DeepSeek全流程开发详解
如何进行工具/函数调用
LangChain工具调用的底层原理进阶