当前位置：首页 > article >正文

LangChain + DeepSeek-R1：构建高效的语言模型服务

article 2025/2/10 0:25:46

引言

探讨如何使用 LangChain 和 DeepSeek-R1 模型构建一个高效的语言模型服务，并将其部署为一个可扩展的 API。

代码解析与技术要点

1. 环境准备

在开始之前，我们需要确保环境已经准备好。以下代码展示了如何设置环境变量并引入必要的库：

import os
from fastapi import FastAPI
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langserve import add_routes

os.environ["OPENAI_API_KEY"] = "your_api_key_here"

技术要点：

os.environ["OPENAI_API_KEY"]：设置 OpenAI API 的密钥，这是调用外部模型的必要步骤。
langchain_openai.ChatOpenAI：使用 LangChain 封装的 OpenAI 模型接口，支持多种语言模型。

2. 创建模型

接下来，我们创建一个基于 DeepSeek-R1 的语言模型实例。DeepSeek-R1 是一个强大的语言模型，特别适合推理和多语言任务。

model = ChatOpenAI(
    model='deepseek-reasoner',
    base_url="https://api.deepseek.com"
)

技术要点：

model='deepseek-reasoner'：指定使用 DeepSeek-R1 模型。
base_url：模型的 API 地址，确保正确填写以避免连接问题。

3. 准备 Prompt 和解析响应

为了使模型能够理解我们的需求，我们需要准备一个合适的 Prompt。以下代码展示了如何构建一个简单的 Prompt 并解析模型的响应：

msg = [
    SystemMessage(content='请将以下的内容翻译成英语'),
    HumanMessage(content='你好，我叫孙悟空，来自花果山？')
]
result = model.invoke(msg)

parser = StrOutputParser()
print(parser.invoke(result))

技术要点：

SystemMessage 和 HumanMessage：定义系统和用户的消息，这是构建对话式 AI 的基础。
StrOutputParser：将模型的输出解析为字符串，方便后续处理。

4. 构建 Chain 和部署服务

LangChain 提供了一个强大的工具来构建和部署语言模型服务。以下代码展示了如何将模型封装为一个可调用的 Chain，并将其部署为一个 FastAPI 服务：

prompt_template = ChatPromptTemplate.from_messages([
    ('system', '请将下面的内容翻译成{language}'),
    ('user', "{text}")
])

chain = prompt_template | model | parser

print(chain.invoke({'language': 'English', 'text': '我下午要打篮球'}))

app = FastAPI(title='Langchain翻译服务', version='V1.0', description='使用Langchain翻译任何语句的服务')
add_routes(app, chain, path="/translate")

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=9999)