基于LangChain的大模型对话简单demo

LangChain Python 提供了一个庞大的生态系统，拥有 1000 多个集成，涵盖聊天与嵌入模型、工具与工具包、文档加载器、向量存储等。

详细的介绍可以点击下面的链接查看：https://docs.langchain.com/oss/python/integrations/providers/overview

现在看一下怎么通过python脚本使用langchain-deepseek连接deepseek模型进行对话：

https://reference.langchain.com/python/integrations/langchain_deepseek/

链接中还有流式输出、非流式输出、结构化输出、异步调用和工具调用的相关用法介绍，感兴趣的可以自己研究：

def get_deepseek_model():
    # pip install -U langchain-deepseek
    os.environ["DEEPSEEK_API_KEY"] = "sk-xxxxxxxxx"  # 也可以在下面的api_key设置key
    model = ChatDeepSeek(
        model="deepseek-reasoner",    #  deepseek-chat, deepseek-reasoner
        temperature=0,
        max_tokens=None,
        timeout=None,
        max_retries=2,
        #api_key="...",
        # other params...
    )
    return model
llm = get_deepseek_model()
response = llm.invoke("你好，你是谁? ")
print(response)

deepseek-chat, deepseek-reasoner有什么区别？

• 运行方式
  1. deepseek-chat：走「非思考模式」——像常规大模型一样“秒回”，适合日常对话、创意写作、客服问答。
  2. deepseek-reasoner：走「思考模式」——内部会先产生一串 Chain-of-Thought（思维链）再给出答案，逻辑更严谨，适合数学、编程、复杂推理题。
• 输出内容
  1. chat 模式只返回最终答案；reasoner 模式在 API 里会额外给出字段 reasoning_content，你可以看到它一步步的思考过程。
• 速度与成本
  1. chat 模式响应快,价格相对便宜一点。
  2. reasoner 模式因要生成思维链，响应慢一些，价格贵一些。
  3. 具体收费标准可参考官网介绍：https://api-docs.deepseek.com/zh-cn/quick_start/pricing/
• 参数支持
  1. chat 模式支持 temperature、top_p 等“创意”参数；reasoner 模式为了保证逻辑一致性，禁用这些随机性参数。
• 使用入口
  1. 网页端：在聊天框里关掉“深度思考（DeepThink）”就是 chat 模式，打开就是 reasoner 模式。
  2. API 端：model 字段填 deepseek-chat 或 deepseek-reasoner 即可切换。

一句话总结：

“想闲聊、写文案、快响应”用 deepseek-chat；“要解题、写算法、看推理步骤”用 deepseek-reasoner——其实就是同一个模型，只是让不让它“先想后答”

LangChain 的Chat models

LangChain 支持通过统一的接口，从任意支持的模型提供商进行初始化聊天模型。

from langchain.chat_models import init_chat_model
init_chat_model(
    model: str | None = None,
    *,
    model_provider: str | None = None,
    configurable_fields: Literal["any"] | list[str] | tuple[str, ...] | None = None,
    config_prefix: str | None = None,
    **kwargs: Any,
) -> BaseChatModel | _ConfigurableModel

https://reference.langchain.com/python/langchain/models

从上面的文档中可以看到相关的model_provider的介绍，点击相关的链接可以看模型的相关使用介绍：

总结

看完上面的内容的话，基本上就可以写一个简单的基于langchain的大模型基础对话的简单脚本了，关注我，后面会不定期更新其他内容。