LangChain 1.0：探索新一代AI智能体开发框架

LangChain 1.0的核心革新

LangChain 1.0 的发布，意味着 IT 公司可以放心将其用于核心业务系统开发，而不再是“玩具项目”。它不仅是工具升级，更是企业拥抱生成式 AI 的基础设施成熟标志。可以快速构建 RAG、Agent、多模态等复杂应用，减少 70%+ 的底层 LLM 集成代码（如重试、流式输出）。

完整示例代码：

import os
from typing import TypedDict

from dotenv import load_dotenv
from langchain.agents import create_agent
# 引入模型，默认使用 ChatOpenAI方式，本次我们使用了下面的模型tongyi
from langchain_community.chat_models import ChatTongyi

load_dotenv()


def get_weather(city: str) -> str:
    """根据给定的城市名称获取天气"""
    return f"{city}一直是晴天!"


from langchain.agents.middleware import wrap_model_call, ModelRequest, ModelResponse, dynamic_prompt

# 初始化模型，系统会默认使用 qwen-turbo 模型。查看免费额度https://bailian.console.aliyun.com/?tab=model#/model-market/detail/qwen-turbo
llm = ChatTongyi(dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY"))
llm_qwen_flash = ChatTongyi(model="qwen-flash", dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY"))


@wrap_model_call
def dynamic_model_selection(request: ModelRequest, handler) -> ModelResponse:
    """Choose model based on conversation complexity."""
    message_count = len(request.state["messages"])

    if message_count > 5:
        # Use an advanced model for longer conversations
        model = llm_qwen_flash
    else:
        model = llm

    request.model = model
    return handler(request)


from langchain.tools import tool


@tool("database", description="通过数据库中搜索数据")
def search_database(query: str, limit: int = 10) -> str:
    return f"Found {limit} results for '{query}'"


@tool("calculator", description="Performs arithmetic calculations. Use this for any math problems.")
def calc(expression: str) -> str:
    return str(eval(expression))


# 1. 定义上下文结构（必须是 TypedDict，LangChain 1.0 强制要求）
class Context(TypedDict):
    user_role: str  # 上下文字段：用户角色（expert/beginner/user）


# 2. 动态提示生成函数（被 @dynamic_prompt 装饰）
@dynamic_prompt
def user_role_prompt(request: ModelRequest) -> str:
    # 从上下文获取用户角色（默认值：user）
    user_role = request.runtime.context.get("user_role", "user")
    print(f"Generating prompt for user role: {user_role}")
    base_prompt = "You are a helpful assistant."

    # 根据角色生成不同提示
    if user_role == "expert":
        return f"{base_prompt} Provide technical details (e.g., algorithms, parameters)."
    elif user_role == "beginner":
        return f"{base_prompt} Explain with examples, no technical terms."
    return base_prompt


agent = create_agent(
    model=llm_qwen_flash,
    tools=[get_weather, search_database, calc],
    middleware=[user_role_prompt],
    system_prompt="You are a helpful assistant",
)

from langgraph.checkpoint.memory import InMemorySaver

for chunk in agent.stream(
        {"messages": [{"role": "user", "content": "搜索一下前5条数据？?"}]},
        checkpoint_saver=InMemorySaver(),
        context={"user_role": "expert"},
        stream_mode="updates",
):
    for step, data in chunk.items():
        print(f"step: {step}")
        print(f"content: {data['messages'][-1].content_blocks}")
        checkpoint_saver = InMemorySaver()

# response = agent.invoke(
#     {"messages": [{"role": "user", "content": "搜索一下前5条数据？"}]},
#     checkpoint_saver=InMemorySaver(),
#     context={"user_role": "beginner"}  # 切换为“新手视角”提示
# )

# print(response)

1. 统一的Agent抽象：create_agent

LangChain 1.0最大的变化之一是引入了全新的create_agent抽象。这个统一的接口将之前分散的ReAct、Plan-and-Execute、React-Retry等模式整合为一个标准化的高层接口，显著降低了学习和集成成本。

在我们分析的[run.py](file://D:/WORK/WORKSPACE_PY/langchain/run.py)文件中，可以看到如何使用这个新接口：

agent = create_agent(
    model=llm_qwen_flash,
    tools=[get_weather, search_database, calc],
    middleware=[user_role_prompt],
    system_prompt="You are a helpful assistant",
)

这种设计使得开发者可以快速构建功能丰富的AI智能体，而无需深入了解底层实现细节。

2. 中间件系统与动态提示词

LangChain 1.0引入了强大的中间件系统，允许开发者在智能体执行过程中插入自定义逻辑。在[run.py](file://D:/WORK/WORKSPACE_PY/langchain/run.py)中，我们看到了一个很好的示例：

# 1. 定义上下文结构（必须是 TypedDict，LangChain 1.0 强制要求）
class Context(TypedDict):
    user_role: str  # 上下文字段：用户角色（expert/beginner/user）

# 2. 动态提示生成函数（被 @dynamic_prompt 装饰）
@dynamic_prompt
def user_role_prompt(request: ModelRequest) -> str:
    # 从上下文获取用户角色（默认值：user）
    user_role = request.runtime.context.get("user_role", "user")
    print(f"Generating prompt for user role: {user_role}")
    base_prompt = "You are a helpful assistant."

    # 根据角色生成不同提示
    if user_role == "expert":
        return f"{base_prompt} Provide technical details (e.g., algorithms, parameters)."
    elif user_role == "beginner":
        return f"{base_prompt} Explain with examples, no technical terms."
    return base_prompt

这段代码展示了如何根据用户角色动态调整提示词，为不同类型的用户提供个性化的响应。通过@dynamic_prompt装饰器，我们可以轻松地将这种自定义逻辑集成到智能体的工作流中。

3. 标准化内容块（Content Blocks）

LangChain 1.0引入了标准化的内容块概念，将所有模型输出统一为.content_blocks结构。这一特性实现了跨模型、跨供应商的一致性，使得开发者可以更容易地处理不同来源的AI输出。

在[run.py](file://D:/WORK/WORKSPACE_PY/langchain/run.py)的流式处理部分，我们可以看到如何使用这一特性：

for chunk in agent.stream(
        {"messages": [{"role": "user", "content": "搜索一下前5条数据？?"}]},
        checkpoint_saver=InMemorySaver(),
        context={"user_role": "expert"},
        stream_mode="updates",
):
    for step, data in chunk.items():
        print(f"step: {step}")
        print(f"content: {data['messages'][-1].content_blocks}")

4. 状态持久化与检查点机制

LangChain 1.0内置了状态持久化机制，通过checkpoint_saver参数，可以轻松实现对话状态的保存和恢复。这对于构建需要长期运行或需要在不同会话间保持状态的AI应用至关重要。

from langgraph.checkpoint.memory import InMemorySaver

# ... 

for chunk in agent.stream(
        {"messages": [{"role": "user", "content": "搜索一下前5条数据？?"}]},
        checkpoint_saver=InMemorySaver(),  # 状态保存器
        context={"user_role": "expert"},
        stream_mode="updates",
):
    # ...

代码详解：LangChain 1.0实战

让我们更详细地分析[run.py](file://D:/WORK/WORKSPACE_PY/langchain/run.py)中的关键部分：

模型初始化与动态选择

# 初始化模型
llm = ChatTongyi(dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY"))
llm_qwen_flash = ChatTongyi(model="qwen-flash", dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY"))

@wrap_model_call
def dynamic_model_selection(request: ModelRequest, handler) -> ModelResponse:
    """Choose model based on conversation complexity."""
    message_count = len(request.state["messages"])

    if message_count > 5:
        # Use an advanced model for longer conversations
        model = llm_qwen_flash
    else:
        model = llm

    request.model = model
    return handler(request)

这段代码展示了如何根据对话复杂度动态选择模型，这是一种优化成本和性能的有效策略。

工具定义与集成

@tool("database", description="通过数据库中搜索数据")
def search_database(query: str, limit: int = 10) -> str:
    return f"Found {limit} results for '{query}'"

@tool("calculator", description="Performs arithmetic calculations. Use this for any math problems.")
def calc(expression: str) -> str:
    return str(eval(expression))

LangChain 1.0简化了工具定义过程，通过@tool装饰器可以快速将函数转换为AI智能体可以调用的工具。

LangChain 1.0与LangGraph的关系

LangChain 1.0与LangGraph 1.0同步发布，两者相辅相成：

  • LangChain：提供快速构建AI智能体的高层抽象
  • LangGraph：为需要复杂控制流和状态管理的生产级应用提供底层运行时

LangChain 1.0的智能体构建在LangGraph之上，这意味着开发者可以从快速原型开始，逐步升级到复杂的业务工作流，而无需重写逻辑。

总结

LangChain 1.0代表了AI应用开发框架的一次重大进步，通过统一的抽象、灵活的中间件系统、标准化的内容模型和强大的状态管理机制，为开发者提供了更高效、更可靠的工具来构建下一代AI应用。

新版本不仅保持了向后兼容性（通过langchain-classic包），还引入了许多企业级特性，如持久化执行、流式处理、人工监督机制等，使得构建生产级AI应用变得更加容易。

对于希望在项目中集成AI能力的开发者来说，掌握LangChain 1.0的新特性和最佳实践将是非常有价值的技能。

引言

2025年10月20日, LangChain推出了1.0版本，在对象管理和消息结构上做了一些优化，新老版本的主要区别如下：


一、 快速上手

可以设置uv的镜像为阿里，管理员身份运行PowerShell：

mkdir -Force "$env:LOCALAPPDATA\uv"
echo '[install]\nindex-url = "https://mirrors.aliyun.com/pypi/simple/"' | Out-File "$env:LOCALAPPDATA\uv\config.toml" -Encoding utf8

安装依赖：

uv add langchain dotenv langchain-openai langchain-community dashscope --only-binary=all

官方给的示例采用claude-sonnet-4-5作为基础模型，在国内使用颇为不便。

下面的示例，我改成tongyi-burbo。
开始编码之前，我们需要准备以下环境：

  1. Python 3.8或更高版本
  2. 安装必要的依赖包
  3. 获取通义千问API密钥

代码实现详解

让我们逐步分析核心代码文件[tongyi.py]：

from langchain_community.chat_models import ChatTongyi
from langchain_core.messages import HumanMessage
from dotenv import load_dotenv
import os

# 加载.env文件中的环境变量
load_dotenv()

# 初始化模型
llm = ChatTongyi(dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY"))

# 发送消息
response = llm.invoke([HumanMessage(content="你好，我公司搭建高代码的大模型应用，推荐开发框架。")])

print(response.content)
导入必要模块

首先，我们导入了所需的模块：

  • ChatTongyi：LangChain提供的通义千问模型封装类
  • HumanMessage：用于表示人类用户发送的消息
  • load_dotenv：用于加载环境变量文件
  • os：用于操作系统相关功能
运行效果：

二、 创建一个调用工具的 agent

2.1 什么是 Agent？

LangChain Agent 是结合语言模型（LLM）与工具（Tools）的智能系统，能通过推理分析任务目标、动态选择工具、迭代执行步骤，直至满足停止条件（生成最终答案或达到迭代上限）。其核心价值是突破 LLM 静态响应的局限，实现“思考-行动-反馈”的闭环。


2.2 模型(Model)

模型是智能体的推理引擎。它们驱动智能体的决策过程，决定调用哪些工具、如何解释结果以及何时给出最终答案。

模型基本分两种模式：静态模型和动态模型。

2.2.1 静态模型

静态模型可以通过开篇提到的示例进行创建，除了ChatOpenAI之外，还可以用其它的拓展包去适配不同平台，具体可参考API接口文档.

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    base_url="https://api.siliconflow.cn/v1",
    api_key=os.getenv("SILICONFLOW_API_KEY"),
    model="deepseek-ai/DeepSeek-V3.2-Exp",
    # stream_usage=True,
    # temperature=None,
    # max_tokens=None,
    # timeout=None,
    # reasoning_effort="low",
    # max_retries=2,
)
2.2.3动态模型

动态模型是指在运行时让Agent运行时根据当前状态和上下文信息，动态去调用不同的模型。

具体方式是wrap_model_call装饰器是创建中间件，然后在创建智能体时，添加middleware参数。

下面这个示例是根据上下文长度进行模型切换，如果上下文长度高于5，则采用advanced_model，否则采用basic_model。

如果需要在国内网络环境下跑通下面这个示例，可以参考上一节的方式去创建模型。

import os

from dotenv import load_dotenv
from langchain.agents import create_agent
# 引入模型，默认使用 ChatOpenAI方式，本次我们使用了下面的模型tongyi
from langchain_community.chat_models import ChatTongyi

load_dotenv()


def get_weather(city: str) -> str:
    """根据给定的城市名称获取天气"""
    return f"{city}一直是晴天!"


from langchain.agents.middleware import wrap_model_call, ModelRequest, ModelResponse

# 初始化模型，系统会默认使用 qwen-turbo 模型。查看免费额度https://bailian.console.aliyun.com/?tab=model#/model-market/detail/qwen-turbo
llm = ChatTongyi(dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY"))
llm_qwen_flash = ChatTongyi(model="qwen-flash", dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY"))


@wrap_model_call
def dynamic_model_selection(request: ModelRequest, handler) -> ModelResponse:
    """Choose model based on conversation complexity."""
    message_count = len(request.state["messages"])

    if message_count > 5:
        # Use an advanced model for longer conversations
        model = llm_qwen_flash
    else:
        model = llm

    request.model = model
    return handler(request)


agent = create_agent(
    model=llm_qwen_flash,
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

response = agent.invoke(
    {"messages": [{"role": "user", "content": "北京的天气如何？"}]}
)

print(response)
2.2.4 核心实现：create_agent

上述代码的create_agent 是 LangChain 提供的生产级 Agent 构建函数，基于 LangGraph 实现“图结构”运行时（节点=步骤，边=流程连接），支持模型、工具、中间件的灵活集成。
这个示例是给定了一个函数，用来反馈模拟的天气信息，正常运行，返回的response包含以下内容：输出：
{'messages': [HumanMessage(content='北京的天气如何？', additional_kwargs={}, response_metadata={}, id='531624a4-bb46-4c7f-a725-694b65c51300'), AIMessage(content='', additional_kwargs={'tool_calls': [{'function': {'arguments': '{"city": "北京"}', 'name': 'get_weather'}, 'id': 'call_1388c82b444e4e1e9a38fc', 'index': 0, 'type': 'function'}]}, response_metadata={'model_name': 'qwen-turbo', 'finish_reason': 'tool_calls', 'request_id': 'bb03a589-642a-4f07-9cff-ea5666e9c744', 'token_usage': {'input_tokens': 162, 'output_tokens': 19, 'prompt_tokens_details': {'cached_tokens': 0}, 'total_tokens': 181}}, id='lc_run--7ff00a78-8a25-408a-97ca-4bda1c1c5081-0', tool_calls=[{'name': 'get_weather', 'args': {'city': '北京'}, 'id': 'call_1388c82b444e4e1e9a38fc', 'type': 'tool_call'}]), ToolMessage(content='北京一直是晴天!', name='get_weather', id='435d7d0b-6e2b-4dae-8066-18fcf4c1fe3e', tool_call_id='call_1388c82b444e4e1e9a38fc'), AIMessage(content='北京一直是晴天!', additional_kwargs={}, response_metadata={'model_name': 'qwen-turbo', 'finish_reason': 'stop', 'request_id': 'e296d2f9-056d-4c68-91f2-e4d92e2a733d', 'token_usage': {'input_tokens': 199, 'output_tokens': 5, 'prompt_tokens_details': {'cached_tokens': 0}, 'total_tokens': 204}}, id='lc_run--0d0257bd-4ebb-4f7e-b237-f52ad7537f6e-0')]}


消息(Message)
消息是模型的基本上下文单元。它们代表模型的输入和输出，携带与 LLM 交互时表示对话状态所需的内容和元数据。

在 LangChain 中，包含四种类型消息：

系统消息：告诉模型如何运行，并为交互提供上下文。
人类消息：代表用户输入以及与模型的交互
AI消息：模型生成的响应，包括文本内容、工具调用和元数据
工具消息：表示工具调用的输出
通过不同的消息定义，模型在交互时，可以辨别不同的消息来源。

2.3 工具(Tool)

工具是智能体调用以执行操作的组件。

创建工具可以采用@tool装饰器，下面是一个基本示例：

@tool("database", description="通过数据库中搜索数据")
def search_database(query: str, limit: int = 10) -> str:
    return f"Found {limit} results for '{query}'"

@tool("calculator", description="Performs arithmetic calculations. Use this for any math problems.")
def calc(expression: str) -> str:
    return str(eval(expression))

agent = create_agent(
    model=llm_qwen_flash,
    tools=[get_weather,search_database, calc],
    system_prompt="You are a helpful assistant",
)
response = agent.invoke(
    {"messages": [{"role": "user", "content": "搜索一下前5条数据？"}]}
)

返回：


2.4 系统提示(System prompt)

系统提示是指创建Agent时，指定Agent处理任务的具体方式。
在创建Agent时，可以通过system_prompt参数进行指定。
对于复杂的系统，可以进一步通过@dynamic_prompt创建中间件的方式来进行设定，这里不作详细描述。


# 1. 定义上下文结构（必须是 TypedDict，LangChain 1.0 强制要求）
class Context(TypedDict):
    user_role: str  # 上下文字段：用户角色（expert/beginner/user）


# 2. 动态提示生成函数（被 @dynamic_prompt 装饰）
@dynamic_prompt
def user_role_prompt(request: ModelRequest) -> str:
    # 从上下文获取用户角色（默认值：user）
    user_role = request.runtime.context.get("user_role", "user")
    print(f"Generating prompt for user role: {user_role}")
    base_prompt = "You are a helpful assistant."

    # 根据角色生成不同提示
    if user_role == "expert":
        return f"{base_prompt} Provide technical details (e.g., algorithms, parameters)."
    elif user_role == "beginner":
        return f"{base_prompt} Explain with examples, no technical terms."
    return base_prompt

agent = create_agent(
    model=llm_qwen_flash,
    tools=[get_weather,search_database, calc],
    middleware=[user_role_prompt],
    system_prompt="You are a helpful assistant",
)

response = agent.invoke(
    {"messages": [{"role": "user", "content": "搜索一下前5条数据？"}]},
    context={"user_role": "beginner"}  # 切换为“新手视角”提示
)

2.5 短期记忆(Short-term memory)

短期记忆可以让应用程序记住单个线程或对话中的先前交互。

在创建agent时，可以指定checkpointer为InMemorySaver，用于保存保存对话历史记录，该信息临时存储在内存中，不持久。

from langgraph.checkpoint.memory import InMemorySaver

response = agent.invoke(
    {"messages": [{"role": "user", "content": "搜索一下前5条数据？"}]},
    checkpoint_saver=InMemorySaver(),
    context={"user_role": "beginner"}  # 切换为“新手视角”提示
)

如果需要将记忆持久化，可以采用PostgresSaver，将记录存储到postgresql里面。

from langchain.agents import create_agent
from langgraph.checkpoint.postgres import PostgresSaver  

DB_URI = "postgresql://postgres:postgres@localhost:5442/postgres?sslmode=disable"
with PostgresSaver.from_conn_string(DB_URI) as checkpointer:
    checkpointer.setup() # auto create tables in PostgresSql
    agent = create_agent(
        "openai:gpt-5",
        [get_user_info],
        checkpointer=checkpointer,  
    )

除此之外，langchain还有一些接口，可以实现对记忆的修剪、删除和总结，以防超出模型的上下文窗口。

2.6 流式输出(Streaming)

流式输出逐步显示输出内容，以提升交互体验。
在langchain中，可通过以下方式获取流式响应信息：

agent = create_agent(
    model=llm_qwen_flash,
    tools=[get_weather, search_database, calc],
    middleware=[user_role_prompt],
    system_prompt="You are a helpful assistant",
)

from langgraph.checkpoint.memory import InMemorySaver

for chunk in agent.stream(
        {"messages": [{"role": "user", "content": "搜索一下前5条数据？?"}]},
        checkpoint_saver=InMemorySaver(),
        context={"user_role": "expert"},
        stream_mode="updates",
):
    for step, data in chunk.items():
        print(f"step: {step}")
        print(f"content: {data['messages'][-1].content_blocks}")
        checkpoint_saver = InMemorySaver()

2.7 中间件(Middleware)

中间件提供了一种更严格地控制代理内部运行方式的方法，通过它能更好地控制Agent执行的内部逻辑。

在下图中，在agent/model/tool执行前后都可以插入中间件，以实现额外处理。



中间件有基于装饰器和基于类的两种模式。

基于装饰器的模式主要有以下分类：



基于类的模式关键词差不多，只是调用方式略有区别。

langchain内置了一些常用中间件：

  • 总结(Summarization):当接近Token限制时自动总结对话历史。
  • 人机交互(HumanInTheLoop)：在工具调用执行之前，暂停代理执行，以便人工批准、编辑或拒绝。
  • 人类提示缓存(AnthropicPromptCaching)：使用 Anthropic 模型缓存重复的提示前缀，从而降低成本。
  • 模型调用限制(ModelCallLimit)：限制模型调用次数，以防止无限循环或过高的成本。
  • 工具调用限制(ToolCallLimit)：限制工具调用次数，只能调用特定工具或所有工具。
  • 模型回退(ModelFallback)：当主模型失效时，自动回退到备用模型。
  • PII 检测(PII)：检测和处理对话中的个人身份信息。
  • 规划(TodoList)：为复杂的多步骤任务添加待办事项列表管理功能。
  • LLM工具选择器(LLMToolSelector)：使用 LLM 在调用主模型之前智能地选择相关工具。
  • 工具重试(ToolRetry)：使用可配置的指数退避算法自动重试失败的工具调用。
  • LLM 工具模拟器(LLMToolEmulator)：使用 LLM 模拟工具执行以进行测试，用 AI 生成的响应替换实际的工具调用。
  • 上下文编辑(ContextEditing)：通过精简、总结或清除工具使用情况来管理对话上下文。
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

相关阅读更多精彩内容

友情链接更多精彩内容