Hallo n8n-Team,
Ich bin Jay (Nguyen Thieu Toan), ein verifizierter n8n Creator, und ich möchte ein Anliegen ansprechen, das immer mehr Benutzer und Clients betrifft, die DeepSeek in n8n für produktive KI-Agent-Workflows einsetzen möchten.
Momentan tritt jedes Mal, wenn das DeepSeek Chat Model mit AI Agent + Tools verwendet wird, konsistent der Fehler „The reasoning_content in the thinking mode must be passed back to the API.
Kannst du einfach HTTP-Requests verwenden?
Hallo @achamm Chat Model for AI Agent hat diese Option nicht. 
@nguyenthieutoan Du kannst vorerst Community Nodes oder einen anderen Agent nutzen. Ich würde empfehlen, ein GitHub Issue zu erstellen, damit sich das n8n Dev Team darum kümmern kann
Die Grundursache liegt darin, wie n8n/LangChain während Tool-Ausführungsschleifen Nachrichten zum Verlauf hinzufügt; DeepSeek erfordert strikt, dass sein eigenes generiertes reasoning_content in nachfolgenden API-Aufrufen zurückgesendet wird, sonst bricht es mit einem 400-Fehler ab.
Danke @sergeys - das ist eine präzise Erklärung der Grundursache. Die Behebung müsste also auf der LangChain-Message-History-Ebene stattfinden, wo n8n reasoning_content zwischen Tool-Aufrufen entfernt oder beibehält. Das ist etwas, das wir auf der Node-Ebene ohne Änderungen an der Struktur der Message-History des AI Agent nicht patchen können. Ich werde ein GitHub-Issue mit dieser Grundursachen-Detail öffnen, damit das Core-Team ein klares Ziel hat.
Kurzes Update vom OP hier, nachdem ich mich viel tiefer damit befasst habe und eine Reihe von Produktionstests mit AI Agent + Tools durchgeführt habe.
Ich habe einen dedizierten Community-Node gebaut und veröffentlicht, der den reasoning_content-Fehler für DeepSeek in n8n vollständig vermeidet. Bei meinen Tests ist das Problem nicht wirklich ein LangChain- oder n8n-Bug, sondern ergibt sich aus der Art und Weise, wie DeepSeek seinen Thinking-Modus und Tool-Calls gestaltet und validiert: Sobald das Modell in den Thinking-Modus wechselt und reasoning_content ausgibt, wird es sehr streng bei der Validierung dieses gleichen reasoning_content in jedem nachfolgenden Call, wenn Tools involviert sind; andernfalls gibt es einen 400er-Fehler.
Deshalb habe ich mich für jetzt für einen einfacheren, vorhersehbareren Ansatz entschieden: Deaktiviere den Thinking-Modus vollständig für Agent-Use-Cases und verhindere, dass DeepSeek überhaupt reasoning_content generiert. So gibt es nichts, das über Tool-Loops hinweg erneut eingespielt werden muss, und der AI Agent kann Tools aufrufen, ohne über DeepSeeks strikte Validierungsregeln zu stolpern.
Das Ergebnis ist ein Community-Node, den du sicher für AI Agents + Tools in der Produktion verwenden kannst:
Paket: n8n-nodes-deepseek-chat-model
npm: https://www.npmjs.com/package/n8n-nodes-deepseek-chat-model
So verwendest du ihn (Self-Hosted):
Gehe zu Einstellungen → Community Nodes
Installiere das Paket: n8n-nodes-deepseek-chat-model
Starten Sie den n8n-Container nach der Installation neu
Wähle in deinem AI Agent DeepSeek Chat Model aus diesem Community-Node als Chat-Modell aus
Stelle sicher, dass der Thinking-Modus in den Node-Optionen deaktiviert ist, und behalte deine Tools wie gewohnt konfiguriert
Ein wichtiger Vorbehalt: Auch wenn das reasoning_content-Problem aus dem Weg ist, ist DeepSeek immer noch ein bisschen tückisch beim Tool-Calling generell. Du kannst immer noch auf Verhaltensweisen wie diese treffen:
Wiederholte Tool-Calls in einem einzelnen Reasoning-Schritt
Schwer zu kontrollierende Tool-Loops bei komplexen Prompts oder sehr langem Kontext.
Wenn du also sehr hohe Zuverlässigkeit für Agent + Tools Workflows benötigst, empfehle ich:
Verwende diesen DeepSeek Community-Node mit deaktiviertem Thinking-Modus, um reasoning_content 400s zu vermeiden
Füge Schutzmaßnahmen auf Workflow-Ebene hinzu (max. Tool-Call-Anzahl, Bedingungen vor Wiederverwendung des gleichen Tools, detailliertes Logging pro Loop)
Und je nach deinem Use-Case weiterhin die Verwendung reiferer Modelle für Tool-Calling in Betracht ziehen, wenn Vorhersehbarkeit absolut kritisch ist
Ich hoffe, das hilft jedem, der diesen Thread findet, während er versucht, DeepSeek mit n8n AI Agents zum Laufen zu bringen. Falls jemand vom n8n-Team Details darüber erfahren möchte, wie der Node die DeepSeek-Eigenheiten umgeht, helfe ich gerne mit mehr Kontext und Test-Cases.