LangChain 1.0 变革

当大语言模型（LLM）的应用从原型验证走向规模化落地，开发人员面临的核心痛点已从"能否实现"转变为"如何可靠实现"。2025年10月23日，LangChain正式发布1.0版本，这一里程碑式的更新不仅终结了此前版本中Agent架构碎片化的局面，更以"生产就绪"为核心定位，重新定义了智能Agent开发框架的技术标准。

官方文档

docs.langchain.com/oss/python/...

安装

pip:

pip install -U langchain
# Requires Python 3.10+

Uv:

uv add langchain
# Requires Python 3.10+

主要内容

create_agent - 构建智能体简化

只需不到10行代码，你就可以连接到OpenAI、Anthropic、谷歌以及更多平台。

旧版本的问题

在 LangChain 1.0 之前，构建一个智能体需要编写大量模板代码：

# 旧版本简单示例
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain.tools import Tool

# 定义工具
def get_weather(city):
    return f"{city}天气晴朗"

tools = [Tool(name="get_weather", func=get_weather, description="获取天气")]

# 配置提示词
system_prompt = """你是一个天气查询助手，使用工具获取实时天气..."""

# 创建 Agent
agent = create_react_agent(
    model=ChatOpenAI(model="gpt-4"),
    tools=tools,
    state_modifier=system_prompt
)

# 运行
result = agent.invoke({"messages": [("user", "北京天气怎么样？")]})

新版本的简化

# LangChain 1.0
from langchain.agents import create_agent
from langchain_openai import ChatOpenAI

# 定义工具
def get_weather(city: str) -> str:
    """获取指定城市天气"""
    return f"当前{city}天气晴朗，气温25℃"

# 创建智能体
agent = create_agent(
    model=ChatOpenAI(model="gpt-4o-mini"),
    tools=[get_weather],
    system_prompt="你是一个天气查询助手，使用工具获取实时天气"
)

# 运行智能体
response = agent.invoke({
    "messages": [{"role": "user", "content": "深圳今天天气怎么样？"}]
})

print(response["messages"][-1]["content"])

核心改进

• 自动化：自动处理工具调用、异常重试

• 简化工具：工具定义更简单，直接使用普通函数

• 统一接口：支持所有主流 LLM 模型，切换模型无需修改代码

content_blocks - 统一所有模型的输出格式

问题的根源

不同的 AI 模型返回结果的格式各不相同：

• OpenAI：返回 function_call 字段

• Anthropic Claude：使用 XML 标签包裹工具调用

  ......

这导致代码中充满了复杂的条件判断：

# 旧版本：处理不同模型的输出
def handle_response(response, model_type):
    if model_type == "openai":
        if response.function_call:
            return handle_function_call(response.function_call)
        else:
            return response.content
    elif model_type == "anthropic":
        # 解析XML标签
        if "<tool_call>" in response.content:
            return parse_xml_tool_call(response.content)
        else:
            return response.content
    # 其他模型的处理...

不同模型对思考过程的标记也不同，（如 think 或 reason 标签），LangChain 1.0统一模型推理消息为type=="reasoning"

解决方案：content_blocks

# LangChain 1.0：统一处理所有模型输出
from langchain_anthropic import ChatAnthropic

model = ChatAnthropic(model="claude-sonnet-4-5-20250929")
response = model.invoke("解释什么是量子计算，并给出例子")

# 统一访问不同类型的内容块
for block in response.content_blocks:
    if block["type"] == "reasoning":
        print(f"推理过程: {block['reasoning']}")
    elif block["type"] == "text":
        print(f"回答内容: {block['text']}")
    elif block["type"] == "tool_call":
        print(f"工具调用: {block['name']}({block['args']})")

不同的厂商会自己设计针对多模态大模型的图片输入，如下示例：

使用content_blocks之后：

message = HumanMessage(
    content=[
        {
            "type": "text", 
            "text": "根据这张图片写一下页面"
        },
        {
            "type": "image",
            "image_url": {"url": '图片链接'}  
        }
    ]
)

通过type:image来统一处理

核心价值

• 标准接口：一套代码处理所有模型输出

• 成本节约：模型切换成本大幅度降低

• 开发效率：避免重复的格式解析代码

简化命名空间 - 甩掉历史包袱

旧版本的混乱

# 旧版本：复杂的导入路径
from langchain.chains import LLMChain
from langchain.agents import AgentExecutor
from langchain.llms import OpenAI
from langchain.chat_models import ChatOpenAI
from langchain.tools import BaseTool
from langchain.utilities import SerpAPIWrapper

新版本的清晰

模块	核心内容
langchain.agents	create_agent, AgentState
langchain.messages	消息类型、内容块、trim_messages
langchain.tools	@tool, BaseTool, 注入工具类
langchain.chat_models	init_chat_model, BaseChatModel
langchain.embeddings	Embeddings, init_embeddings

下面以新版的init_chat_model为例子：

"""
新版LangChain 1.0基础聊天
展示简化的初始化和消息处理方式
"""

from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage, AIMessage, SystemMessage
from config import MODEL_INIT_PARAMS


def create_chat_model():
    """创建聊天模型（新版方式）"""
    # 新版本使用 init_chat_model 统一初始化
    return init_chat_model(**MODEL_INIT_PARAMS)


def basic_chat_new():
    """基础聊天功能 - 新版本"""
    print("=== LangChain 1.0 基础聊天 ===")
    
    # 新版本统一初始化方式
    llm = create_chat_model()
    
    # 新版本简化的消息构造
    messages = [
        SystemMessage("你是一个有用的AI助手"),
        HumanMessage("请简单介绍一下Python的优势")
    ]
    
    # 调用模型
    response = llm.invoke(messages)
    
    print(f"用户: {messages[1].content}")
    print(f"助手: {response.content}")
    print("---")
    
    # 新版本的内容块访问（统一接口）
    print("新特性 - 统一内容块访问:")
    for block in response.content_blocks:
        if block["type"] == "text":
            print(f"  文本内容: {block['text'][:100]}...")
        elif block["type"] == "reasoning":
            print(f"  推理过程: {block['reasoning']}")


if __name__ == "__main__":
    try:
        basic_chat_new()
        print("新版基础聊天演示完成")
    except Exception as e:
        print(f"错误: {e}")

其中新版对应的初始化模式使用的参数：

MODEL_INIT_PARAMS = {
    "model": MODEL_NAME,
    "model_provider": "openai",
    "api_key": API_KEY,
    "base_url": API_BASE,
    "temperature": TEMPERATURE,
    "max_retries": MAX_RETRIES,
    "timeout": REQUEST_TIMEOUT,
    "max_tokens": MAX_TOKENS,
    "streaming": STREAMING
}

再看看以前的写法：

"""
旧版LangChain基础聊天
展示传统的聊天模型初始化和使用方式
"""

from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage, AIMessage, SystemMessage
from config import API_BASE, API_KEY, MODEL_NAME, TEMPERATURE, MAX_RETRIES, REQUEST_TIMEOUT, MAX_TOKENS, STREAMING


def create_chat_model():
    """创建聊天模型（旧版方式示例）"""
    return ChatOpenAI(
        openai_api_base=API_BASE,
        openai_api_key=API_KEY,
        model=MODEL_NAME,
        temperature=TEMPERATURE,
        max_retries=MAX_RETRIES,
        request_timeout=REQUEST_TIMEOUT,
        max_tokens=MAX_TOKENS,
        streaming=STREAMING
    )


def basic_chat_old():
    """基础聊天功能 - 旧版本"""
    print("=== LangChain 旧版本基础聊天 ===")
    
    # 初始化模型
    llm = create_chat_model()
    
    # 构造消息
    messages = [
        SystemMessage(content="你是一个有用的AI助手"),
        HumanMessage(content="请简单介绍一下Python的优势")
    ]
    
    # 调用模型
    response = llm.invoke(messages)
    
    print(f"用户: {messages[1].content}")
    print(f"助手: {response.content}")
    print("---")


if __name__ == "__main__":
    try:
        basic_chat_old()
        print("旧版基础聊天演示完成")
    except Exception as e:
        print(f"错误: {e}")

改进效果

• 认知减负：新开发者更容易上手

• 性能提升：避免不必要的依赖加载

中间件系统：让智能体更智能的 "插件"

什么是中间件？

中间件就像是智能体的 "智能插件"，可以在不修改核心代码的情况下，为智能体添加各种功能。

内置中间件示例

• PIIMiddleware:在发送至模型前屏蔽敏感信息
• SummarizationMiddleware:对话历史过长时自动进行内容压缩
• HumanInTheLoopMiddleware:敏感工具调用需要经过人工审批

这里演示一下PIIMiddleware

"""
LangChain 1.0 中间件系统
展示PII检测
"""

from langchain.agents import create_agent
from langchain.agents.middleware import (
    PIIMiddleware
)
from langchain.chat_models import init_chat_model
from langchain.tools import tool
from config import MODEL_INIT_PARAMS

def middleware_demo():
    """中间件功能演示 - LangChain 1.0 独有特性"""
    
    # 先初始化模型
    model = init_chat_model(**MODEL_INIT_PARAMS)
    
    # 创建带有多种中间件的agent
    agent = create_agent(
        model=model,
        tools=[send_email, read_user_data],
        middleware=[
            # PII检测和处理中间件
            PIIMiddleware(
                "email", 
                strategy="redact",  # 遮掩策略
                apply_to_input=True,
                apply_to_output=True
            ),
            PIIMiddleware(
                "ip",  # 使用 ip 类型作为手机号遮掩
                detector=r"(?:13[0-9]|14[01456879]|15[0-35-9]|16[2567]|17[0-8]|18[0-9]|19[0-35-9])\d{8}",  # 手机号正则
                strategy="redact",
                apply_to_input=True,
                apply_to_output=True
            ),
            PIIMiddleware(
                "credit_card",  # 使用 credit_card 作为身份证号遮掩
                detector=r"\d{17}[\dXx]",  # 身份证号正则
                strategy="redact",
                apply_to_input=True,
                apply_to_output=True
            )
        ],
        system_prompt="你是一个安全的数据处理助手，严格保护用户隐私"
    )
    # 测试场景1: PII检测
    print("\n--- 测试场景1: PII数据处理 ---")
    try:
        result = agent.invoke({
            "messages": [{
                "role": "user", 
                "content": "请读取用户001的数据"
            }]
        })
        
        last_message = result["messages"][-1]
        content = getattr(last_message, 'content', '') if hasattr(last_message, 'content') else ''
        print(f"PII处理后的输出: {content}")
        
    except Exception as e:
        print(f"PII测试错误: {e}")
    
    # 测试场景2: 包含敏感信息的输入
    print("\n--- 测试场景2: 敏感输入过滤 ---")
    try:
        result = agent.invoke({
            "messages": [{
                "role": "user",
                "content": "我的手机号是13912345678，请发邮件给manager@company.com告知我的信息"
            }]
        })
        
        # 展示中间件处理结果
        print("中间件处理结果:")
        for i, msg in enumerate(result["messages"]):
            msg_type = type(msg).__name__
            content = str(getattr(msg, 'content', ''))[:150] if hasattr(msg, 'content') else ''
            print(f"  {i+1}. {msg_type}: {content}...")
            
    except Exception as e:
        print(f"敏感输入测试错误: {e}")

输出：

--- 测试场景1: PII数据处理 ---
PII处理后的输出: 以上是用户001的数据信息。出于隐私保护考虑，部分敏感信息已被隐藏（如手机号和身份证号码）。如果您需要了解更多特定信息，请告诉我，但请注意我会严格遵守数据隐私保护原则。

--- 测试场景2: 敏感输入过滤 ---
中间件处理结果:
  1. HumanMessage: 我的手机号是[REDACTED_IP]，请发邮件给manager@company.com告知我的信息...
  2. AIMessage: 我注意到您提供了一个看起来像是IP地址而非手机号的信息，而且您希望我发送这些信息给一个邮箱地址。出于保护您的隐私和数据安全的考虑，我不能直接发送您的个人信息给第三方。

如果您需要发送邮件，我可以帮助您，但需要您明确指出：
1. 您想发送什么具体内容
2. 为什么需要发送您的个人信息

请注意，作为...

这里解释一下遮掩策略：

strategy="redact"

遮掩策略是一种保护个人可识别信息（PII）的方法。具体来说：

1. 策略目的： 在保留原始文本结构的同时，隐藏敏感的个人信息 防止直接泄露个人隐私数据

2. 实现方式： 不完全删除敏感信息 使用特定方式替换敏感信息 保留信息的基本上下文和结构

3. 优势：

   相比 "block" 策略（完全阻止）更加灵活 保留了文本的可读性和上下文信息 防止敏感信息的直接泄露

中间件的价值

• 功能扩展：按需添加功能，不影响核心性能

• 安全保障：敏感操作人工审批，防止误操作（HumanInTheLoopMiddleware）

• 隐私保护：自动脱敏敏感信息（PIIMiddleware）

• 记忆优化：自动总结长对话，避免上下文溢出（SummarizationMiddleware）

LangChain 1.0 vs 旧版本对比

特性	旧版本	LangChain 1.0
代码简洁性	50 + 行模板代码	10 + 行核心代码
模型兼容性	有限支持	支持所有主流 LLM
开发效率	低，需要大量配置	高，即插即用
系统稳定性	中等，容易出错	高，内置错误处理
扩展性	差，需要修改核心代码	好，通过中间件扩展

导图

思考

LangChain 1.0 的发布标志着 AI 智能体开发正式进入工程化阶段。LangChain 1.0 不仅是一个工具，更是帮助我们理解和使用 AI 技术的钥匙。LangChain1.0通过架构与功能升级，破解了智能Agent开发"灵活与稳定难兼顾"的核心问题，搭配LangGraph引擎实现标准化管理，让开发和集成更简单。对行业而言，LangChain1.0的稳定保障和兼容能力，使其成为企业开发的优选。它既能满足大型企业的规模化需求，也让中小开发者能轻松将原型落地为实用产品，加速了智能Agent在各行业的应用。

参考

Code : github.com/langchain-a...

Documentation : docs.langchain.com