LangChain ​v1.0​ 于 ​2025 年 10 月 18 日正式发布（稳定版）。

官网资料是：https://docs.langchain.com/oss/python/langchain/overview

LangChain 1.0 新特性概览​

​核心亮点​

• ​统一代理抽象 create_agent​：将 ​ReAct、Plan-and-Execute、React-Retry​ 等常见模式收敛为单一、稳定的高层接口，底层基于 ​LangGraph，对外暴露标准化调用：​invoke(input: dict) -> dict。输入为 ​​{"messages": List[BaseMessage]}​，输出为 ​​{"messages": List[BaseMessage], "structured_response": Optional[BaseModel]}​，显著降低学习与集成成本。旧模式可通过兼容层继续使用并逐步迁移。

• ​标准化内容模型 ContentBlocks​：为 ​AIMessage​ 引入 ​.content_blocks: List[ContentBlock]​，将文本、工具调用、引用、图像等多类型输出统一为类型化块，屏蔽不同供应商差异（如 ​OpenAI function_call → ToolCallBlock、Anthropic <thinking> → TextBlock + reasoning=True、Claude XML 工具 → ToolCallBlock），并支持如 ​ImageBlock​ 的懒加载，便于程序精确消费与多模态扩展。

• ​LangGraph 成为默认运行时​：1.0 的 Agent 运行在 ​LangGraph​ 之上，具备状态持久化​（GraphState）、流程控制​（条件边、循环控制、最大步数）、异常恢复​（工具失败转入 error 节点）、可观测性​（tracing，支持 ​LangSmith），并提供人机协同与流式处理等企业级能力，增强复杂流程的稳定性与可调试性。

• ​生态与多语言支持​：与 ​LangGraph 1.0 Alpha​ 同步发布，覆盖 ​Python 与 JavaScript；上千个与 ​OpenAI、Anthropic​ 等的集成保持不变；提供新版统一文档站点；官方路线计划在十月底发布 ​1.0 稳定版​（当时为 Alpha 阶段）。

​迁移与兼容性​

• ​包结构重构​：仅保留核心抽象于 ​langchain.\​​；索引与社区工具迁移至 ​langchain-legacy；旧版 ​AgentExecutor​ 移入 ​langchain-legacy*。

• ​渐进式迁移​：新项目直接使用 ​create_agent + content_blocks；存量项目可先安装 ​langchain-legacy​ 保持兼容，再逐步将 ​initialize_agent(..., AgentType.REACT...)​​ 替换为 ​create_react_agent(...)​，最终迁移至 ​create_agent(...)​。

• ​Breaking Changes​：要求 ​Python ≥ 3.10；BaseMessage.text() → .text（属性）​；默认返回 ​AIMessage​ 而非 ​str。

​快速上手示例​

• 使用统一代理抽象并获取结构化输出：

  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
  
  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')

• 基于 LangGraph 的可观测与容错控制（示意）：

  from langgraph.graph import StateGraph
  
  def tool_node(state):
      try: result = tool.invoke(state["input"])
      except Exception as e: result = None
      return {"result": result, "error": str(e) if e else None}
  
  def should_retry(state):
      return "tool_node" if state["error"] and state["retry_count"] < 3 else "end_node"
  
  graph = StateGraph(AgentState)
  graph.add_node("tool_node", tool_node)
  graph.add_conditional_edges("tool_node", should_retry)

  上述示例展示了 ​create_agent​ 的结构化输出能力，以及 ​LangGraph​ 在状态控制、条件边与异常恢复方面的用法。