跳至主要內容

v1 新特性

LangChain v1 是一个专注且可用于生产的智能体构建基础框架。 我们围绕三个核心改进优化了框架：

主要更新亮点

  • create_agent
    • LangChain 构建智能体的新标准，替代了 langgraph.prebuilt.create_react_agent。
  • 标准内容块
    • 新增 content_blocks 属性，可统一访问各提供商的现代 LLM 功能。
  • 简化的命名空间
    • langchain 命名空间精简，只保留智能体的核心构建模块，旧功能移至 langchain-classic。

升级方法

pip install -U langchain
uv add langchain

完整更新列表请参考：迁移指南。

create_agent

create_agent 是 LangChain 1.0 中构建智能体的标准方式。它比 langgraph.prebuilt.create_react_agent 更简单，同时通过 middleware 提供更高的自定义潜力。

from langchain.agents import create_agent

agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[search_web, analyze_data, send_email],
    system_prompt="你是一个有帮助的研究助理。"
)

result = agent.invoke({
    "messages": [
        {"role": "user", "content": "研究 AI 安全趋势"}
    ]
})

内部实现基于智能体循环：调用模型 → 选择工具执行 → 当不再调用工具时结束。

智能体核心循环
智能体核心循环

更多信息，请参考 智能体文档。

Middleware（中间件）

Middleware 是 create_agent 的核心功能，提供高度可定制的入口点，帮助你实现更复杂的智能体。

中间件可用于动态控制提示、会话摘要、选择性工具访问、状态管理及安全护栏。

内置中间件

LangChain 提供了一些常用的 内置中间件：

from langchain.agents import create_agent
from langchain.agents.middleware import (
    PIIMiddleware,
    SummarizationMiddleware,
    HumanInTheLoopMiddleware
)

agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[read_email, send_email],
    middleware=[
        PIIMiddleware(patterns=["email", "phone", "ssn"]),
        SummarizationMiddleware(model="anthropic:claude-sonnet-4-5", max_tokens_before_summary=500),
        HumanInTheLoopMiddleware(interrupt_on={"send_email": {"allowed_decisions": ["approve", "edit", "reject"]}})
    ]
)

自定义中间件

你也可以实现自定义中间件，通过在智能体执行的每一步挂钩来自定义行为：

Hook执行时机用例示例
before_agent调用智能体前加载记忆、校验输入
before_model每次 LLM 调用前更新提示、修剪消息
wrap_model_call包裹每次 LLM 调用拦截并修改请求/响应
wrap_tool_call包裹每次工具调用拦截并修改工具执行
after_model每次 LLM 响应后校验输出、应用安全护栏
after_agent智能体完成后保存结果、清理资源

示例自定义中间件：

from dataclasses import dataclass
from typing import Callable
from langchain_openai import ChatOpenAI
from langchain.agents.middleware import AgentMiddleware, ModelRequest
from langchain.agents.middleware.types import ModelResponse

@dataclass
class Context:
    user_expertise: str = "beginner"

class ExpertiseBasedToolMiddleware(AgentMiddleware):
    def wrap_model_call(self, request: ModelRequest, handler: Callable[[ModelRequest], ModelResponse]) -> ModelResponse:
        user_level = request.runtime.context.user_expertise
        if user_level == "expert":
            model = ChatOpenAI(model="openai:gpt-5")
            tools = [advanced_search, data_analysis]
        else:
            model = ChatOpenAI(model="openai:gpt-5-nano")
            tools = [simple_search, basic_calculator]
        request.model = model
        request.tools = tools
        return handler(request)

agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[simple_search, advanced_search, basic_calculator, data_analysis],
    middleware=[ExpertiseBasedToolMiddleware()],
    context_schema=Context
)

完整中间件指南：中间件文档。

构建于 LangGraph 之上

create_agent 基于 LangGraph 构建，因此自动支持：

  • 持久化：会话间对话自动保存
  • 流式处理：实时传输令牌、工具调用及推理轨迹
  • 人工干预：敏感操作前暂停智能体以等待人工审批
  • 时间旅行：回溯对话历史，探索不同路径和提示

结构化输出

create_agent 支持更优的结构化输出生成：

  • 主循环集成：结构化输出在主循环中生成，无需额外 LLM 调用
  • 输出策略：模型可选择调用工具或使用提供商侧的结构化输出
  • 成本优化：减少额外 LLM 调用带来的费用
from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy
from pydantic import BaseModel

class Weather(BaseModel):
    temperature: float
    condition: str

def weather_tool(city: str) -> str:
    return f"{city} 天气晴，70°F"

agent = create_agent(
    "openai:gpt-4o-mini",
    tools=[weather_tool],
    response_format=ToolStrategy(Weather)
)

result = agent.invoke({"messages": [{"role": "user", "content": "旧金山天气如何？"}]})
print(result["structured_response"])

标准内容块

当前 content_blocks 仅支持以下集成：

  • langchain-anthropic
  • langchain-aws
  • langchain-openai
  • langchain-google-genai
  • langchain-ollama

content_blocks 提供统一的消息内容表示，可跨提供商使用：

from langchain_anthropic import ChatAnthropic

model = ChatAnthropic(model="claude-sonnet-4-5")
response = model.invoke("法国首都是什么？")

for block in response.content_blocks:
    if block["type"] == "reasoning":
        print(f"模型推理: {block['reasoning']}")
    elif block["type"] == "text":
        print(f"响应: {block['text']}")
    elif block["type"] == "tool_call":
        print(f"工具调用: {block['name']}({block['args']})")

简化命名空间

LangChain v1 精简了 langchain 包，只保留核心构建模块：

模块功能
langchain.agentscreate_agent、AgentState 核心智能体功能
langchain.messages消息类型、内容块、trim_messages
langchain.tools工具相关类和注解
langchain.chat_models初始化聊天模型
最近更新