DeepSeek V4 API で AI エージェントを作る完全ガイド【2026年版】

2026年4月、DeepSeek V4が登場しました。コンテキスト1Mトークン・MCP対応・GPT-4oを超えるコーディング性能を、GPT-4oの約1/18の価格で提供します。

⚠️ マイグレーション警告：旧モデル deepseek-chat / deepseek-reasoner は 2026年7月24日に廃止されます。今すぐ deepseek-v4-pro / deepseek-v4-r1 へ移行してください。

V4モデル比較

モデル	コンテキスト	特徴	価格（入力/1M）
deepseek-v4-pro	1Mトークン	エージェント・コーディングSOTA	$0.14
deepseek-v4-r1	128K	推論・思考チェーン	$0.55
deepseek-v4-flash	128K	高速・低コスト	$0.07

---

セットアップ（30秒）

pip install openai

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_DEEPSEEK_API_KEY",  # platform.deepseek.com で取得
    base_url="https://api.deepseek.com"
)

DeepSeekはOpenAI互換APIなので、既存のSDKがそのまま使えます。

---

1. ツール呼び出し付きエージェント

import json

tools = [
    {
        "type": "function",
        "function": {
            "name": "search_web",
            "description": "ウェブを検索して最新情報を取得する",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string"}
                },
                "required": ["query"]
            }
        }
    }
]

def run_agent(user_message: str) -> str:
    messages = [{"role": "user", "content": user_message}]

    while True:
        response = client.chat.completions.create(
            model="deepseek-v4-pro",
            messages=messages,
            tools=tools,
            tool_choice="auto"
        )
        msg = response.choices[0].message

        if not msg.tool_calls:
            return msg.content  # 最終回答

        messages.append(msg)
        for tc in msg.tool_calls:
            result = do_search(json.loads(tc.function.arguments)["query"])
            messages.append({
                "role": "tool",
                "tool_call_id": tc.id,
                "content": str(result)
            })

---

2. 思考チェーン（R1モデル）

response = client.chat.completions.create(
    model="deepseek-v4-r1",
    messages=[{"role": "user", "content": "レート制限システムを設計してください"}]
)

thinking = response.choices[0].message.reasoning_content  # 思考プロセス
answer = response.choices[0].message.content               # 最終回答

---

3. 1Mトークンでコードベース全体を解析

from pathlib import Path

def load_codebase(path: str) -> str:
    files = []
    for fp in Path(path).rglob('*.py'):
        content = fp.read_text(encoding='utf-8', errors='ignore')
        files.append(f"### {fp.name}\n```python\n{content}\n```")
    return "\n\n".join(files)

codebase = load_codebase("./my_project")

response = client.chat.completions.create(
    model="deepseek-v4-pro",  # 1Mトークンウィンドウ
    messages=[
        {"role": "system", "content": "シニアエンジニアとしてコードを分析してください"},
        {"role": "user", "content": f"{codebase}\n\nボトルネックを特定してください"}
    ]
)

---

4. LangGraph × DeepSeek V4 本番パイプライン

from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, END
from typing import TypedDict

llm = ChatOpenAI(
    model="deepseek-v4-pro",
    openai_api_key="YOUR_KEY",
    openai_api_base="https://api.deepseek.com"
)

class State(TypedDict):
    query: str
    research: str
    quality: float
    report: str
    iteration: int

def research(state: State) -> State:
    res = llm.invoke(f"調査: {state['query']}")
    return {"research": res.content, "iteration": state["iteration"] + 1}

def evaluate(state: State) -> State:
    res = llm.invoke(f"品質を0-10で(Score:X形式): {state['research']}")
    score = float(res.content.split("Score:")[-1].strip()[:3]) if "Score:" in res.content else 7.0
    return {"quality": score}

def write(state: State) -> State:
    res = llm.invoke(f"レポート作成: {state['research']}")
    return {"report": res.content}

def should_retry(state: State) -> str:
    return "research" if state["quality"] < 7.0 and state["iteration"] < 3 else "write"

g = StateGraph(State)
g.add_node("research", research)
g.add_node("evaluate", evaluate)
g.add_node("write", write)
g.set_entry_point("research")
g.add_edge("research", "evaluate")
g.add_conditional_edges("evaluate", should_retry, {"research": "research", "write": "write"})
g.add_edge("write", END)

app = g.compile()
result = app.invoke({"query": "DeepSeek V4のエージェント活用事例", "iteration": 0, "quality": 0.0})
print(result["report"])

---

コスト比較

モデル	入力（1Mトークン）	出力（1Mトークン）
DeepSeek V4 Pro	$0.14	$0.28
GPT-4o	$2.50	$10.00
Claude 3.5 Sonnet	$3.00	$15.00

GPT-4oの約18倍安い。エージェントが1タスクで100回LLMを呼ぶと、コスト差は決定的になります。

---

マイグレーションチェックリスト（7月24日まで）

# 旧（7月24日廃止）
model = "deepseek-chat"
model = "deepseek-reasoner"

# 新
model = "deepseek-v4-pro"    # deepseek-chatの後継
model = "deepseek-v4-r1"     # deepseek-reasonerの後継
model = "deepseek-v4-flash"  # 新・高速モデル

---

DeepSeek、LangGraph、CrewAI、その他400以上のAIエージェントツールを比較するなら AgDex.ai をご覧ください。