LangChain 自推出以来迅速成为开发者构建 LLM 驱动应用的重要框架之一，支持多种链（chains）、代理（Agents）、工具调用、向量检索、模型接口等功能。其生态不断壮大，但也因模式多样、抽象纷繁导致开发者面对不同 “agent 模式” 时感到困惑。为提升一致性、可维护性与企业级稳定性，LangChain 在 2025 年 9 月推出了 v1.0.0 Alpha，与 LangGraph 一起迈入 1.x 版本演进。
为什么要推出 v1.0？
-
企业信心：1.0 版本象征着更加稳定、信赖，降低企业采用风险。 -
抽象收敛：过去存在多种 agent 模式（ReAct、Plan-and-Solve、React-Retry 等），v1.0 把主流用例统一迁移到一个成型的 agent 抽象上，复杂或非常规场景则推荐使用更底层、灵活的 LangGraph。 -
标准输出格式：不同 LLM 提供商返回结构迥异，新增 content_blocks属性，用以统一 reasoning、工具调用、引用、媒体类型等新 API 特性
核心新特性概览
统一代理抽象：create_agent
过去要实现“调用工具 → 整理结果 → 输出结构化 JSON”，要手写 chain，现在一行搞定：
from langchain.agents import create_agent
from langchain_core.messages import HumanMessage
from pydantic import BaseModel
class WeatherInfo(BaseModel):
city: str
temperature_c: float
condition: str
def fake_weather(city: str) -> str:
returnf"25,Sunny"if city == "Singapore"else"18,Rainy"
agent = create_agent(
model="openai:gpt-4o-mini",
tools=[fake_weather],
response_format=WeatherInfo
)
res = agent.invoke({"messages": [
HumanMessage("What's the weather like in Singapore?")
]})
print(res["structured_response"])
# WeatherInfo(city='Singapore', temperature_c=25.0, condition='Sunny')
设计解析
-
所有旧版 agent（ReAct, Plan-and-Execute 等）均重构为 create_agent的预设配置。 -
底层统一使用 LangGraph作为执行引擎，暴露标准接口：invoke(input: dict) -> dict。 -
输入输出结构标准化： -
输入： {"messages": List[BaseMessage]} -
输出： {"messages": List[BaseMessage], "structured_response": Optional[BaseModel]}
工程价值
-
降低学习成本：开发者只需掌握一个接口。 -
提升可测试性：输入输出结构固定，便于 mock 和断言。 -
支持热插拔：更换模型或工具集，不影响调用层。
标准化内容模型：content_blocks
所有 AIMessage 新增 .content_blocks: List[ContentBlock] 属性。
类型定义（简化）
class TextBlock(ContentBlock):
text: str
class ToolCallBlock(ContentBlock):
name: str
args: dict
class CitationBlock(ContentBlock):
sources: List[Source]
class ImageBlock(ContentBlock):
mime_type: str
data: bytes
设计解析
-
所有 LLM 输出（文本、工具调用、引用、图像等）均封装为类型化块。 -
各提供商差异被抽象层屏蔽： -
OpenAI function_call→ToolCallBlock -
Anthropic <thinking>→TextBlock+reasoning=True -
Claude XML 工具 → ToolCallBlock -
支持懒加载：如 ImageBlock.data仅在访问时解码。
工程价值
-
模型切换成本趋近于零。 -
输出可被程序精确消费，无需正则/字符串匹配。 -
为多模态、流式输出、结构化引用提供扩展基础。
Runtime：LangGraph 成为默认引擎
create_agent 返回的 agent 本质是一个编译后的 LangGraph 实例。
核心能力
-
状态持久化：对话历史、工具调用结果、中间变量存储于 GraphState。 -
流程控制： -
条件边（conditional edges）：根据状态决定下一节点。 -
循环控制：自动重试、最大步数限制。 -
异常恢复：工具失败自动进入 error 节点。 -
可观测性：内置 tracing，支持 LangSmith 集成。
示例
自定义重试逻辑:
from langgraph.graph import StateGraph
def tool_node(state):
try:
result = tool.invoke(state["input"])
return {"result": result, "error": None}
except Exception as e:
return {"result": None, "error": str(e)}
def should_retry(state):
if state["error"] and state["retry_count"] < 3:
return"tool_node"
else:
return"end_node"
graph = StateGraph(AgentState)
graph.add_node("tool_node", tool_node)
graph.add_conditional_edges("tool_node", should_retry)
工程价值
-
企业级韧性：自动重试、熔断、降级。 -
复杂流程支持：审批流、多阶段任务、人工干预点。 -
调试友好：状态可序列化、可回放、可单元测试。
升级路径与兼容策略
包结构重构
|
|
|
|
|---|---|---|
langchain.* |
langchain.* |
|
langchain.index |
langchain-legacy |
|
AgentExecutor |
langchain-legacy |
|
渐进式迁移建议
-
新项目：直接使用 create_agent+content_blocks。 -
存量项目：
-
安装 langchain-legacy保持兼容。 -
逐步替换 initialize_agent(..., AgentType.REACT...)→create_react_agent(...)（兼容层）。 -
最终迁移至 create_agent(...)。
-
注意 Breaking Changes： -
Python ≥ 3.10 -
BaseMessage.text()→.text（属性） -
默认返回 AIMessage，非str
