DeepSeek与LangChain框架的集成方法

优先使用langchain-deepseek官方包+OpenAI兼容接口，通过ChatDeepSeek调用远程API；本地部署用OllamaLLM需注意工具调用和上下文限制；嵌入维度须与向量库严格对齐为1024；启用Messages API需配置response_format和anthropic-version头。 ☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜ DeepSeek 与 LangChain 集成没有统一“标准路径”，关键取决于你用的是远程 API 还是本地模型，以及是否启用 RAG、Memory 或 Agent 等高级能力。直接结论：优先走 官方包 + OpenAI 兼容接口路线，它覆盖 95% 的生产场景，且适配 DeepSeek-V4 的百万 token 上下文和双协议（ChatCompletions / Messages）。 用 调用远程 DeepSeek API（推荐默认方案） 这是最稳定、兼容性最好、无需维护模型服务的集成方式，尤其适合刚起步或资源有限的项目。 必须安装 （不是 或旧版 自带的 类），否则会缺失 V4 的流式响应、tool calling 和 message 格式支持 必须通过环境变量传入（ ），硬编码在代码里会导致 或被 IDE 自动提交到 Git 默认为 ，但 V4 支持 后缀；若遇到 ，显式设为 模型名要严格匹配官方命名： （通用）、 （编程）、 （数学），错写成 会返回 用 调用本地 DeepSeek 模型（如 ） 适用于有 GPU 且需离线、低延迟、可控推理参数的场景，但注意 LangChain 对 Ollama 的封装较浅，很多 V4 特性无法透出。 必须提前在本地运行 Ollama，并执行 （或其他已发布的量化版本） 初始化时 必须是 ，Ollama 不支持 HTTPS 或自定义端口重定向 不支持 字段，调用函数时会静默忽略，需改用 并手动构造 列表 本地模型不自动继承 LangChain 的 历史压缩逻辑，长对话容易触发 ，建议配合 限制轮数 嵌入模型（Embeddings）与向量库对齐失败的典型表现 当 RAG 效果差、检索结果不相关、Chroma 报 ，大概率是嵌入维度没对齐，而不是模型本身问题。 稿定在线PS PS软件网页版 下载 DeepSeek 专业版 API 返回的嵌入维度通常是 ，但 默认输出 ，直接替换会崩溃 不要复用 加载任意 sentence-transformers 模型——DeepSeek 的 tokenizer 和归一化策略不同，会导致余弦相似度低于 验证方法：调用一次 ，打印 ，必须等于你初始化 Chroma 时传入的 若使用 FAISS，必须用 显式传入，不能依赖默认嵌入器 启用 DeepSeek-V4 的 Messages API 模式（Agent 场景必需） LangChain 的 和 默认依赖 Anthropic-style 的 输入格式，而老式 （ + ）无法解析 tool call 结构。 必须设置 才能启用 JSON 工具调用响应 初始化时加 可强制走 Messages 协议（V4 支持双模式） Agent 中使用的 列表必须是 子类实例，不能是普通函数；否则会报 流式响应下，tool call 的 是空字符串，真正 payload 在 里，需用 以外的自定义 handler 解析 最容易被忽略的一点：DeepSeek-V4 的百万 token 上下文不是“开箱即用”的——LangChain 的 默认把全部历史拼进 prompt，超过 100k 就会触发 token 截断且无提示。真要用长上下文，得自己实现基于 的稀疏记忆或用 做摘要压缩。