硬编码方式（不推荐）#

角度 2 的另一种写法，是把密钥和地址直接写死在代码里：

1
from langchain_deepseek import ChatDeepSeek
2

3
# 创建DeepSeek LLM
4
deepseek_llm = ChatDeepSeek(
5
    api_key="sk-2nkIWkv6M...U1Ra4P0NGa",   # 明文暴露密钥
6
    api_base="https://api.deepseek.com",
7
    model="deepseek-v4-flash",
8
)
9
print(deepseek_llm.invoke("请介绍一下你自己"))

专用类举例：智谱大模型（ChatZhipuAI）#

智谱的专用类不在 langchain-deepseek 这类厂商包里，而是在社区包 langchain-community 里（同一个包里还有 ChatHunyuan、ChatTongyi）。

官网：https://www.bigmodel.cn/

1
# 安装 Langchain 社区依赖包，包含ChatHunyuan、ChatTongyi、ChatZhipuAI
2
pip install langchain-community
3
# ChatZhipuAI / 智谱 AI 认证相关依赖
4
pip install pyjwt

在 .env 中补充：

1
ZHIPUAI_API_KEY=<Your API Key>
2
ZHIPUAI_BASE_URL=https://open.bigmodel.cn/api/paas/v4/

1
import os
2
from langchain_community.chat_models import ChatZhipuAI
3
from dotenv import load_dotenv
4

5
# override=True 确保.env文件优先
6
load_dotenv(override=True)
7

8
ZHIPUAI_API_KEY = os.getenv("ZHIPUAI_API_KEY")
9
ZHIPUAI_BASE_URL = os.getenv("ZHIPUAI_BASE_URL")
10

11
zhipu_llm = ChatZhipuAI(
12
    model="glm-5.1",
13
    api_base=ZHIPUAI_BASE_URL,   # 可选
14
    api_key=ZHIPUAI_API_KEY,     # 可选
15
)
16
print(zhipu_llm.invoke("请介绍一下你自己"))

专用类举例：千问大模型（ChatTongyi）#

通过阿里云百炼平台调用（https://bailian.console.aliyun.com/），专用类同样来自社区包：

1
# 切换python环境
2
conda activate langchain1.2
3
# ChatTongyi / 阿里通义千问依赖包
4
pip install dashscope

.env 里只需要密钥：

1
DASHSCOPE_API_KEY=<Your API Key>

1
import os
2
from langchain_community.chat_models import ChatTongyi
3
from dotenv import load_dotenv
4

5
# override=True 确保.env文件优先
6
load_dotenv(override=True)
7

8
DASHSCOPE_API_KEY = os.getenv("DASHSCOPE_API_KEY")
9

10
tongyi_llm = ChatTongyi(
11
    api_key=DASHSCOPE_API_KEY,
12
    model="qwen-plus",
13
)
14
print(tongyi_llm.invoke("请介绍一下你自己"))

1
Traceback...
2
ConnectionError: ('Connection aborted.', ConnectionResetError(10054, '远程主机强迫关闭了一个现有的连接。', None, 10054, None))

中转平台之一：OpenRouter#

受政策影响，国内无法直接调用国外顶尖的闭源模型，而某些复杂任务又必须用这些模型实现，此时可以通过中转平台曲线救国。

OpenRouter（https://openrouter.ai/）是一个**多模型 API 聚合平台**，提供统一的 OpenAI 兼容接口，用一个 API Key 就能调用 OpenAI、Claude、Gemini、DeepSeek、Qwen 等不同厂商的大模型，适合模型对比、模型路由、Agent 应用开发和课程实验，是目前知名度最高的中转平台。不过使用它需要”tizi”（魔法，大家都懂的）。

1
# OpenRouter 模型集成
2
pip install langchain-openrouter

.env 里：

1
OPENROUTER_API_KEY=<YOUR_API_KEY>
2
OPENROUTER_API_BASE=https://openrouter.ai/api/v1

LangChain 当前版本为 OpenRouter 提供了专用集成 ChatOpenRouter：

1
import os
2
from langchain_openrouter import ChatOpenRouter
3
from dotenv import load_dotenv
4

5
load_dotenv(override=True)
6

7
OPENROUTER_API_KEY = os.getenv("OPENROUTER_API_KEY")
8
# OPENROUTER_API_BASE = os.getenv("OPENROUTER_API_BASE")
9

10
model = ChatOpenRouter(
11
    model="deepseek/deepseek-v4-flash",   # 注意：模型名要带厂商前缀
12
    api_key=OPENROUTER_API_KEY,
13
    # base_url=OPENROUTER_API_BASE,       # 默认就是官方地址，可省略
14
)
15
print(model.invoke("一句话介绍下你自己"))

当然，也完全可以用 ChatOpenAI 兼容方式调用：

1
import os
2
from langchain_openai import ChatOpenAI
3
from dotenv import load_dotenv
4

5
load_dotenv(override=True)
6

7
OPENROUTER_API_KEY = os.getenv("OPENROUTER_API_KEY")
8
OPENROUTER_API_BASE = os.getenv("OPENROUTER_API_BASE")
9

10
model = ChatOpenAI(
11
    model="deepseek/deepseek-v4-flash",
12
    api_key=OPENROUTER_API_KEY,
13
    base_url=OPENROUTER_API_BASE,
14
)
15
print(model.invoke("一句话介绍下你自己"))

中转平台之二：CloseAI#

CloseAI（https://www.closeai-asia.com/）是一个面向国内用户的 AI API 中转平台，提供 OpenAI、Claude、Gemini 等模型接口的代理访问能力，适合解决国内网络访问、支付和接口统一管理等问题，常用于大模型应用开发、教学演示和测试环境。

LangChain 没有为 CloseAI 提供专用集成，只能通过 ChatOpenAI 兼容接口调用：

1
CLOSEAI_API_KEY=<YOUR_API_KEY>
2
CLOSEAI_BASE_URL=https://api.openai-proxy.org/v1

1
import os
2
from langchain_openai import ChatOpenAI
3
from dotenv import load_dotenv
4

5
load_dotenv(override=True)
6

7
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
8
CLOSEAI_BASE_URL = os.getenv("CLOSEAI_BASE_URL")
9

10
model = ChatOpenAI(
11
    # model="gpt-5-mini",
12
    model="deepseek-v4-flash",
13
    api_key=CLOSEAI_API_KEY,
14
    base_url=CLOSEAI_BASE_URL,
15
)
16
print(model.invoke("欧盟都有哪些国家"))

⭐ 自定义 base_url 的写法（以 OpenCode Go 为例）#

用第三方兼容服务（自建网关、中转平台、OpenCode Go 等）时，关键是把地址和密钥传给正确的参数名：

1
import os
2
from dotenv import load_dotenv
3
from langchain.chat_models import init_chat_model
4

5
load_dotenv(override=True)
6

7
llm = init_chat_model(
8
    model="deepseek-v4.1-flash",
9
    model_provider="openai",                       # 走 OpenAI 兼容协议
10
    base_url=os.getenv("OPENCODE_GO_BASE_URL"),     # ← 正确：base_url
11
    api_key=os.getenv("OPENCODE_GO_API_KEY"),       # ← 正确：api_key
12
)
13

14
print(llm.invoke("用一句话解释 SOLID 原则。").content)

model_provider 支持哪些取值？不写会怎样？#

问题 1：model_provider 支持哪些取值？

model_provider 表示模型的提供者。LangChain 1.2 内置注册的 provider（每个都对应一个集成包）有：

1
anthropic, anthropic_bedrock, azure_ai, azure_openai, bedrock, bedrock_converse,
2
cohere, deepseek, fireworks, google_anthropic_vertex, google_genai, google_vertexai,
3
groq, huggingface, ibm, mistralai, nvidia, ollama, openai, openrouter, perplexity,
4
together, upstage, xai

几个常用的对应关系：

也就是说：写 model_provider="deepseek"，LangChain 会自动加载 langchain-deepseek 并用 ChatDeepSeek 初始化实例，效果和自己 new 一个 ChatDeepSeek 完全一致。

问题 2：如果 model 参数里没指明提供者，就必须用 model_provider 指定吗？

不是。可以在 model 参数里用前缀 + 冒号的方式指定供应商，和 model_provider 参数等价：

1
# 下面两种写法等价
2
init_chat_model(model="deepseek:deepseek-v4-flash")
3
init_chat_model(model="deepseek-v4-flash", model_provider="deepseek")

如果两个位置都没有指明供应商，LangChain 底层会按内置规则自动推断：

1
ValueError: Unable to infer model provider for model='qwen-plus'. Please specify 'model_provider' directly.

temperature 怎么选#

图：temperature 是”随机性控制器”、max_tokens 是”成本与长度控制器”（token 估算：英文 1 token ≈ 4 字符，中文 1 token ≈ 1–2 汉字）

查看完整参数列表#

官方文档和源码注释都没有给出完整的参数列表：以 ChatDeepSeek 为例，它的参数一部分由自己定义、一部分从父类 BaseChatModel 继承，只翻源码很难拼出完整清单。正确的姿势是看类属性 model_fields：

1
from langchain_deepseek import ChatDeepSeek
2

3
print(ChatDeepSeek.model_fields.keys())

实测输出（LangChain 1.2.12，共 56 个）：

1
dict_keys(['name', 'cache', 'verbose', 'callbacks', 'tags', 'metadata', 'custom_get_token_ids', 'rate_limiter', 'disable_streaming', 'output_version', 'profile', 'client', 'async_client', 'root_client', 'root_async_client', 'model_name', 'temperature', 'model_kwargs', 'openai_api_key', 'openai_api_base', 'openai_organization', 'openai_proxy', 'request_timeout', 'stream_usage', 'max_retries', 'presence_penalty', 'frequency_penalty', 'seed', 'logprobs', 'top_logprobs', 'logit_bias', 'streaming', 'n', 'top_p', 'max_tokens', 'reasoning_effort', 'reasoning', 'verbosity', 'tiktoken_model_name', 'default_headers', 'default_query', 'http_client', 'http_async_client', 'stop', 'extra_body', 'include_response_headers', 'disabled_params', 'context_management', 'include', 'service_tier', 'store', 'truncation', 'use_previous_response_id', 'use_responses_api', 'api_key', 'api_base'])

ChatOpenAI 同理（54 个，比 ChatDeepSeek 少了 api_key、api_base 这类 DeepSeek 专有项）：

1
from langchain_openai import ChatOpenAI
2
print(ChatOpenAI.model_fields.keys())

用 init_chat_model 拿到的实例也一样能查——它本身就是某个具体的 ChatXxx 对象：

1
from langchain.chat_models import init_chat_model
2
from dotenv import load_dotenv
3

4
load_dotenv(override=True)
5

6
# 实例化一个你感兴趣的模型对象（即使不传具体 key，通常也能初始化成功）
7
temp_model = init_chat_model(model="deepseek-v4-flash", model_provider="deepseek")
8

9
# 现在它已经是一个具体的 ChatDeepSeek 对象了
10
print(temp_model.model_fields.keys())      # 输出与 ChatDeepSeek 完全一致

想知道每个参数的类型、默认值、别名，遍历 model_fields 看字段属性即可：

1
from langchain_deepseek import ChatDeepSeek
2

3
for name, field in ChatDeepSeek.model_fields.items():
4
    print(name)
5
    print("  annotation:", field.annotation)                     # 类型
6
    print("  default:", field.default)                           # 默认值
7
    print("  description:", getattr(field, "description", None))
8
    print("  alias:", field.alias)
9
    print()

输出片段（以首尾两个参数为例，中间省略）：

1
name
2
  annotation: str | None
3
  default: None
4
  ...
5
# ...参数太多，这里省略了...
6
api_base
7
  annotation: <class 'str'>
8
  default: PydanticUndefined
9
  ...

参数的四大分类#

以 ChatDeepSeek 为例，这几十个参数可以分成四类，理解分类比死记参数名有用得多。

① 客户端与连接参数（Networking）：决定代码”怎么连到服务端”，而不是”让模型怎么生成”。

② 模型推理参数（Model Inference）：直接传给模型 API，决定生成内容的质量和风格。

③ LangChain 框架通用参数：由 BaseChatModel 定义，所有 ChatXxx 子类都具备，用于管理 LangChain 内部逻辑（日志、回调、元数据），仅在内部生效。

④ 高级与特定扩展参数：通常用于特定场景，或为了保持与 OpenAI 协议的兼容而存在。

• 底层客户端访问：client、async_client、root_client（内部生成的 SDK 实例，不建议初始化时手动传参）
• 透传参数：model_kwargs、extra_body（想传厂商 API 支持、但 LangChain 还没定义的参数时写在这里）
• 功能开关：disable_streaming、include_response_headers（决定是否在输出中包含 Header）
• 兼容性参数：openai_organization、service_tier、store（多为 OpenAI 遗留参数，DeepSeek 实际使用较少）

透传参数：model_kwargs#

model_kwargs 用于存放那些 OpenAI Compatible API 支持、但 LangChain 没有直接列出的字段，比如用于支持 Function Call 的 tools 字段。

查阅 OpenAI Chat Completions 文档可以看到官方支持的所有请求字段，其中就有 tools：

图：OpenAI API 参考里的 tools 字段（ChatCompletionTool 数组）——它不在刚才打印的 model_fields 列表里，只能靠 model_kwargs 传

1
from langchain.chat_models import init_chat_model
2
from dotenv import load_dotenv
3
from rich import print as rprint
4

5
load_dotenv(override=True)
6

7
model = init_chat_model(
8
    model="deepseek:deepseek-v4-flash",
9
    model_kwargs={"tools": [
10
        {
11
            "type": "function",
12
            "function": {
13
                "name": "get_weather",
14
                "description": "Get weather of a location, the user should supply a location first.",
15
                "parameters": {
16
                    "type": "object",
17
                    "properties": {
18
                        "location": {
19
                            "type": "string",
20
                            "description": "The city and state, e.g. San Francisco, CA",
21
                        }
22
                    },
23
                    "required": ["location"]
24
                },
25
            }
26
        },
27
    ]}
28
)
29

30
# 向模型发送单条数据
31
response = model.invoke("你好，今天北京的天气如何")
32
rprint(response)

输出里出现了 tool_calls 字段，说明工具被模型正确识别了：

1
AIMessage(
2
    content='你好！让我帮你查一下北京今天的天气情况。',
3
    additional_kwargs={'refusal': None, 'reasoning_content': '用户想知道北京今天的天气情况。我需要使用get_weather工具…'},
4
    response_metadata={..., 'finish_reason': 'tool_calls', ...},
5
    tool_calls=[{'name': 'get_weather', 'args': {'location': '北京'}, 'id': 'call_00_BT3PTJVDQlb9C2uhhJkc4856', 'type': 'tool_call'}],
6
    invalid_tool_calls=[],
7
    usage_metadata={'input_tokens': 303, 'output_tokens': 78, 'total_tokens': 381, ...}
8
)

透传参数：extra_body#

extra_body 用于存放模型厂商基于 OpenAI API 协议扩展的字段。查阅 OpenAI Chat Completions 文档和 DeepSeek 对话补全 API 文档可知，thinking 是 DeepSeek 扩展的字段，用于控制是否启用思考模式：

图：DeepSeek「对话补全」API 文档里的 thinking 字段（type 可选 enabled / disabled）——这是 DeepSeek 在 OpenAI 协议之外自己扩展的

1
model = init_chat_model(
2
    model="deepseek:deepseek-v4-flash",
3
    extra_body={"thinking": {"type": "enabled"}},      # 换成 "disabled" 即可对比
4
)
5

6
response = model.invoke("你好，一句话回答")
7
rprint(response)

输出里包含了 reasoning_content（思考过程），usage_metadata 里的 reasoning token 也变成非 0，说明启用了思考模式：

1
AIMessage(
2
    content='你好，请问有什么可以帮你的？',
3
    additional_kwargs={'refusal': None, 'reasoning_content': '好的，用户的问题很简单，就是要求"一句话回答"…'},
4
    ...
5
    usage_metadata={'input_tokens': 8, 'output_tokens': 87, 'total_tokens': 95, ..., 'output_token_details': {'reasoning': 78}}
6
)

把 extra_body 换成 {"thinking": {"type": "disabled"}} 再跑一次，输出里不包含 reasoning_content，说明没有启用思考模式。

需要记住哪些参数？#

记住常见参数及用法即可。如果需要精细控制模型输出，就查阅 OpenAI 和特定模型供应商的官方文档，通过 **model_kwargs（OpenAI 兼容字段）或 extra_body（厂商扩展字段）**把它们透传进去——这是应对”参数长尾”的标准解法，不用等 LangChain 逐个适配。

Ollama 是什么#

Ollama 是 GitHub 上的一个开源项目，项目定位是：一个本地运行大模型的集成框架，可以实现 Qwen、DeepSeek 等主流大模型的下载、启动和本地运行的自动化部署及推理流程。

Ollama 官方地址：https://ollama.com

图：LangChain 的模型供应商里既有 OpenAI、Azure OpenAI、千帆这样的云端平台，也有 Ollama 这样的本地框架——对上层代码而言它们用的是同一套接口

下载与安装#

Ollama 支持跨平台部署，目前已兼容 Mac、Linux 和 Windows，安装过程都设计得非常简单：访问 https://ollama.com/download 下载对应系统的安装文件。

图：Ollama 官网下载页——macOS / Linux / Windows 三个平台任选（Windows 要求 Win10 及以上）

Linux 系统执行以下命令安装：

1
curl -fsSL https://ollama.com/install.sh | sh

这行命令的目的是从 https://ollama.com/ 网站读取 install.sh 脚本，并立即通过 sh 执行该脚本。安装过程中会包含以下几个主要操作：

1. 检查当前服务器的基础环境，如系统版本等；
2. 下载 Ollama 的二进制文件；
3. 配置系统服务，包括创建用户和用户组，添加 Ollama 的配置信息；
4. 启动 Ollama 服务。

Windows 系统想自定义安装目录，可以这样做：

1. 手动创建 ollama 安装目录：先在你想安装的路径下创建好一个新文件夹，并把 ollama 的安装包放在里面（比如 F:\common_tools\Ollama）；
2. 在文件路径上输入 cmd 回车，自动打开命令行窗口；
3. 在 cmd 窗口输入下面这条命令，Ollama 就会进入安装，点击 install 后可以看到安装路径就变成了我们指定的目录。

1
语法：软件名称 /DIR=这里放你上面创建好的Ollama指定目录
2
OllamaSetup.exe /DIR=F:\common_tools\Ollama

图：在资源管理器地址栏里直接输入 cmd，打开的就是当前目录的命令行（省得手敲 cd）

图：先把 OllamaSetup.exe 放进刚建好的目标目录 F:\common_tools\Ollama

图：执行 OllamaSetup.exe /DIR=F:\common_tools\Ollama，安装程序就会装到我们指定的目录

模型的下载#

1、手动设置大模型存储目录（模型动辄几个 GB，别都堆在系统盘）：

打开 Ollama 客户端 → Settings，在 Model location 里指明大模型要下载到的本地目录位置：

图：Ollama 客户端左侧菜单里的 Settings 入口（New Chat 是对话，设置项在 Settings 里）

图：Settings 里的 Model location 就是模型存放目录；上面还有 Cloud（云模型与联网搜索）、Auto-download updates、Expose Ollama to the network（把服务开放给局域网其他设备）

2、模型的下载

方式 1：直接在图形化界面里下载。在输入框旁的模型下拉列表里搜模型即可——注意区分两种图标：

图：带云朵图标的是在线模型（kimi-k2.6、glm-5.1…），需要在 Ollama 平台付费使用；带下载箭头的是可拉到本地的模型（gemma4、qwen3.6）

方式 2：命令行下载并运行。访问 https://ollama.com/search 可以查看 Ollama 支持的模型，例如运行 deepseek-r1:1.5b 模型：

1
ollama run deepseek-r1:1.5b

图：模型库页面（以 deepseek-r1:1.5b 为例）——名字里的 1.5b 是参数量，CLI 标签下给出的就是 ollama run 命令

图：回到命令行输入指令开始下载（pulling manifest，进度条右侧还有速度和剩余时间）

图：下载完成后自动进入交互对话，出现 >>> 提示符就能提问了

3、Ollama 常用命令

LangChain 调用本地模型#

先装依赖：

1
# pip install langchain-ollama
2
pip install -qU langchain-ollama
3
pip install -U ollama

方式 1：ChatOllama

1
from langchain_ollama import ChatOllama
2

3
ollama_llm = ChatOllama(
4
    model="deepseek-r1:1.5b",
5
    # 如果Ollama在本地默认端口运行，则可省略；或使用 http://localhost:11434
6
    base_url="http://192.168.1.106:11434",
7
)
8
question = "你好，请你介绍一下你自己。"
9
result = ollama_llm.invoke(question)
10
print(result)

方式 2：init_chat_model（统一接口）

1
from langchain.chat_models import init_chat_model
2

3
ollama_llm = init_chat_model(
4
    model="deepseek-r1:1.5b",
5
    model_provider="ollama",
6
    # base_url="http://192.168.1.106:11434",
7
)
8
question = "你好，请你介绍一下你自己。"
9
result = ollama_llm.invoke(question)
10
print(result)

返回值同样是 AIMessage，只是元数据换成了 Ollama 的格式（done_reason、total_duration、eval_count 等）：

1
content='您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。…'
2
additional_kwargs={}
3
response_metadata={'model': 'deepseek-r1:1.5b', 'created_at': '2026-05-17T13:45:51.8148967Z',
4
                   'done': True, 'done_reason': 'stop', 'total_duration': 658034000,
5
                   'load_duration': 53012900, 'prompt_eval_count': 9, 'prompt_eval_duration': 236815100,
6
                   'eval_count': 47, 'eval_duration': 338788200, 'logprobs': None,
7
                   'model_name': 'deepseek-r1:1.5b', 'model_provider': 'ollama'}
8
id='lc_run--019e362f-9f34-7cc2-b34d-8fa380131978-0'
9
tool_calls=[] invalid_tool_calls=[]
10
usage_metadata={'input_tokens': 9, 'output_tokens': 47, 'total_tokens': 56}

一、回忆填空（写完再展开对答案）#

1. Model I/O 三件套：输入提示（）、调用模型（）、输出解析（____）
2. 创建模型的三个角度：调用谁家的 ____、重要参数写在 ____、模型 ____ 在哪
3. 每个平台配置都需要三个要素：、、____
4. 读取 .env 用 load_dotenv(override=____)；override=True 表示用 .env 的值 ____ 已有环境变量
5. ChatDeepSeek 里 API 地址参数叫 ____（不是 base_url）；不传 api_key 时会自动从环境变量 ____ 读取
6. 大多数平台都支持 ____ API 接口规范，所以基本都能用 ____ 集成
7. init_chat_model 的模型标识写法是 "____:____"
8. 自定义兼容服务时，正确参数名是 ____ 和 ____；把变量名当参数名写会抛 ____ 错误
9. temperature 默认值是 ____；写代码/数据提取这类任务建议用 ____ 区间

二、裸写题#

• 2-1 用专用类创建 DeepSeek 模型 从 .env 读取密钥，用 ChatDeepSeek 创建模型（模型名 deepseek-v4-flash），并打印一句话自我介绍。

  提示（先自己想，实在想不出再点开）

  一级 · 思路：先 load_dotenv，再创建客户端，最后 invoke 二级 · 方法：ChatDeepSeek(api_key=..., api_base=..., model=...) 三级 · 骨架：不传 api_key 也行（会自动读环境变量 DEEPSEEK_API_KEY）

• 2-2 用兼容方式创建 改用 ChatOpenAI 连 DeepSeek（这和第 3 章 AI 智能伴侣的写法一致）。

  提示

  一级 · 思路：兼容写法只需要 base_url + api_key + model 二级 · 方法：ChatOpenAI(api_key=..., base_url=..., model=...) 三级 · 骨架：注意 ChatOpenAI 用的是 base_url（不是 api_base）

• 2-3 用统一接口创建并切换 用 init_chat_model 创建同一个模型；再写一个”只改模型字符串就能换模型”的函数。

  提示

  一级 · 思路：统一接口的意义就是”换模型不改代码结构” 二级 · 方法：init_chat_model(model=..., model_provider="openai", base_url=..., api_key=...) 三级 · 骨架：把模型名做成函数参数

• 2-4 感受 temperature 同一个问题（如”给这款咖啡写一句广告语”）分别用 temperature=0.0 和 temperature=1.8 各问 3 次，对比输出的稳定性。

  提示

  一级 · 思路：温度控制随机性，要对比”同一提示词多次调用的差异” 二级 · 方法：创建两个模型对象，各自循环调用 3 次 三级 · 骨架：init_chat_model(..., temperature=0.0)

1
import os
2
from dotenv import load_dotenv
3
from langchain.chat_models import init_chat_model
4

5
load_dotenv(override=True)
6

7
# 2-1 专用类
8
from langchain_deepseek import ChatDeepSeek
9

10
deepseek_llm = ChatDeepSeek(
11
    api_key=os.getenv("DEEPSEEK_API_KEY"),
12
    api_base=os.getenv("DEEPSEEK_BASE_URL"),   # 注意：ChatDeepSeek 用 api_base
13
    model="deepseek-v4-flash",
14
)
15
print(deepseek_llm.invoke("请介绍一下你自己").content)
16

17
# 2-2 兼容方式
18
from langchain_openai import ChatOpenAI
19

20
compat_llm = ChatOpenAI(
21
    api_key=os.getenv("DEEPSEEK_API_KEY"),
22
    base_url=os.getenv("DEEPSEEK_BASE_URL"),   # ChatOpenAI 用 base_url
23
    model="deepseek-v4-flash",
24
)
25
print(compat_llm.invoke("1 + 1 = ？").content)
26

27
# 2-3 统一接口 + 切换模型
28
def build_llm(model_name: str):
29
    return init_chat_model(
30
        model=model_name,
31
        model_provider="openai",
32
        base_url=os.getenv("DEEPSEEK_BASE_URL"),
33
        api_key=os.getenv("DEEPSEEK_API_KEY"),
34
    )
35

36
llm_a = build_llm("deepseek-v4-flash")
37
print(llm_a.invoke("你好，用一句话回答").content)
38

39
# 2-4 temperature 对比
40
for temp in [0.0, 1.8]:
41
    llm = init_chat_model(
42
        model="deepseek-v4-flash",
43
        model_provider="openai",
44
        base_url=os.getenv("DEEPSEEK_BASE_URL"),
45
        api_key=os.getenv("DEEPSEEK_API_KEY"),
46
        temperature=temp,
47
    )
48
    print(f"\n--- temperature={temp} ---")
49
    for i in range(3):
50
        print(i + 1, llm.invoke("给这款咖啡写一句广告语").content)
51
# 观察：temperature=0.0 时三次输出几乎一样；1.8 时每次差别很大