本文是基于LangChain的Python库结合DeepSeek进行多轮次对话；
对于测开人员来说，可以集成到自己的自动化测试框架中，自动生成测试用例。

首先看下LangChain的简单说明，大佬就不用看了。网上也有很多资料，这里简单说明下，针对没有基础的Tester。

1 关于LangChain

• LangChain由Harrison Chase于2022年推出，提供了一套模块化工具和API（支持Python和JavaScript）；
• 是一个用于开发由大型语言模型（LLM）驱动的应用程序的开源框架；
• 可简化从开发到生产的整个生命周期，支持与外部数据源、工具和服务的集成；
• 其核心是通过标准化接口连接语言模型与外部组件（如数据存储、API等），降低开发复杂性和技术门槛。‌‌

1.1 应用场景

• ‌智能代理与聊天机器人‌：支持上下文管理（如对话历史存储）和多工具集成，例如客服系统、虚拟助手等；
• 文档处理与分析‌：通过检索增强生成（RAG）技术实现文档问答、摘要生成，结合向量数据库提升检索效率；
• 自动化工作流‌：如代码生成、数据转换，利用链式调用（Chains）协调多个LLM完成任务；‌
• 定制化提示工程‌：提供Prompt模板和输出解析器，控制模型响应格式（如JSON结构化输出）。

1.2 ‌技术特点与案例‌

• 模块化设计‌：包括Memory（上下文存储）、Embeddings（文本向量化）、Agents（代理决策）等组件，支持灵活组合；
• 企业级应用‌：LinkedIn、Uber等公司使用LangChain构建生产级AI代理，处理复杂任务如订单处理、知识库查询；
• 版本迭代‌：2025年发布的LangChain 1.0 Alpha进一步优化了代理架构和消息格式标准化，提升稳定性和兼容性。‌‌

2 本文写作目的

• 基于LangChain的Python库结合DeepSeek进行多轮次对话；
• 简单掌握其使用，便于在后续的自动化测试中应用。

3 学习过程

3.1 安装必要的库

pip install --upgrade langchain langchain-community deepseek python-dotenv

3.2 DeepSeek 官网注册

• 进入官网，选择API开发平台，进行注册；

• 注册后进行API密钥的获取。

3.2 获取DeepSeek的API 密钥

• 注册后，选择左侧的API keys：
  
• 点击创建API key：
  
• 输入名称：
  
• 复制API key后续加入到代码中就行了：
  

3.3 创建环境变量

• 在项目的目录下，创建一个.env文件，如下：
  
• 输入自己的API key即可：

DEEPSEEK_API_KEY=你的API密钥

3.4 创建Py脚本使用LangChain调用DeepSeek模型

3.4.1 创建py文件

• 我使用的是pycharm如下：
  

3.4.2 脚本设计思路

• 初始化 DeepSeek 模型，设置 API 密钥和参数；
• 创建对话提示模板，定义对话格式
• 实现对话循环，支持连续交互。

3.4.3 引入依赖

• 引入必要的依赖文件：

import os
from dotenv import load_dotenv
from langchain.chains import LLMChain
from langchain.prompts import ChatPromptTemplate
from langchain_community.llms import Deepseek

3.4.4 加载环境变量

• 可以使用加载环境变量：

load_dotenv()

3.4.5 从环境变量获取DeepSeek API密钥

DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")

3.4.6 创建带有记忆功能的DeepSeek对话链，支持多轮对话

"""创建带有记忆功能的DeepSeek对话链，支持多轮对话"""
    # 确认DeepSeek的API基础地址和模型名称
    llm = ChatOpenAI(
        model_name="deepseek-chat",
        openai_api_base="https://api.deepseek.com/v1",
        openai_api_key=DEEPSEEK_API_KEY,
        temperature=0.7,
        max_tokens=1024
    )

    # 创建对话提示模板
    prompt = PromptTemplate(
        input_variables=["history", "question"],
        template="历史对话: {history}\n用户现在的问题: {question}\n请根据历史对话内容，用简洁明了的语言回答:"
    )

    # 创建对话记忆
    memory = ConversationBufferMemory(memory_key="history")

    # 创建带有记忆功能的LLM链
    return LLMChain(
        llm=llm,
        prompt=prompt,
        memory=memory,
        verbose=False
    )

4 完整源码

import os
from dotenv import load_dotenv
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_community.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.schema import HumanMessage, AIMessage

# 加载环境变量
load_dotenv()

# 从环境变量获取DeepSeek API密钥
DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")


def create_deepseek_chain_with_memory():
    """创建带有记忆功能的DeepSeek对话链，支持多轮对话"""
    # 确认DeepSeek的API基础地址和模型名称
    llm = ChatOpenAI(
        model_name="deepseek-chat",
        openai_api_base="https://api.deepseek.com/v1",
        openai_api_key=DEEPSEEK_API_KEY,
        temperature=0.7,
        max_tokens=1024
    )

    # 创建对话提示模板
    prompt = PromptTemplate(
        input_variables=["history", "question"],
        template="历史对话: {history}\n用户现在的问题: {question}\n请根据历史对话内容，用简洁明了的语言回答:"
    )

    # 创建对话记忆
    memory = ConversationBufferMemory(memory_key="history")

    # 创建带有记忆功能的LLM链
    return LLMChain(
        llm=llm,
        prompt=prompt,
        memory=memory,
        verbose=False
    )


def chat_with_deepseek():
    """与DeepSeek模型进行多轮对话"""
    print("DeepSeek对话助手（输入'退出'结束对话）")

    # 检查API密钥是否存在
    if not DEEPSEEK_API_KEY:
        print("错误: 未找到DEEPSEEK_API_KEY，请检查.env文件")
        return

    try:
        chain = create_deepseek_chain_with_memory()

        while True:
            user_input = input("\n你: ")

            if user_input.lower() == "退出":
                print("再见！")
                break

            try:
                response = chain.run(question=user_input)
                print(f"DeepSeek: {response}")
            except Exception as e:
                print(f"对话错误: {str(e)}")
    except Exception as e:
        print(f"初始化错误: {str(e)}")


if __name__ == "__main__":
    chat_with_deepseek()

5 问题排查

5.1 问题现象

• DeepSeek API 调用失败，提示 “Insufficient Balance”（余额不足），但可能的原因不仅仅是账户余额问题，还可能是 API 配置错误（比如错误地使用了 OpenAI 的 SDK 但未正确指向 DeepSeek 的 API）。

5.2 解决方法

• 确保使用的是 DeepSeek 的 API，而不是 OpenAI

DeepSeek 的 API 和 OpenAI 的 API 不兼容，如果你直接使用 openai 库但未修改 base_url，就会默认调用 OpenAI 的接口，导致 402 错误（OpenAI 的 API 需要付费）。
正确调用 DeepSeek API 的方式：

from openai import OpenAI

# 使用 DeepSeek 的 API 地址和你的 API Key
client = OpenAI(
    api_key="your_deepseek_api_key_here",  # 替换成你的 DeepSeek API Key
    base_url="https://api.deepseek.com/v1",  # DeepSeek 的 API 地址
)

response = client.chat.completions.create(
    model="deepseek-chat",  # 检查 DeepSeek 支持的最新模型名称
    messages=[{"role": "user", "content": "你好！"}],
    temperature=0.3,
)

print(response.choices[0].message.content)

关键点：

base_url 必须指向 DeepSeek 的 API 地址（如 https://api.deepseek.com/v1）。
api_key 必须是 DeepSeek 提供的 API Key（不是 OpenAI 的 Key）。 model 要使用 DeepSeek
支持的模型（如 deepseek-chat）。

• 检查你的 DeepSeek API 余额

即使 DeepSeek 提供免费额度，也可能：

免费额度已用完（比如每月限额）。 未正确申请 API 权限（部分 API 需要申请白名单）。