2025 年 10 月 22 日，LangChain 官方团队宣布了一个足以震动 AI 开发圈的消息，LangChain 与 LangGraph 两大核心框架同步发布 1.0 版本。这不仅是框架迭代的里程碑，更是对过去数年社区反馈的集中回应，为 AI Agent 从原型开发走向生产落地提供了更稳定、更灵活的技术底座。

一、为什么 1.0 版本值得关注？

在此之前，LangChain 虽凭借高 level 抽象成为 AI Agent 开发的热门工具，但也面临不少痛点：抽象层过重、包体积臃肿、自定义 Agent 循环时需深入底层调用等，而 LangGraph 作为偏向底层的运行时框架，虽支持复杂流程控制，却缺乏标准化的生产级功能。

1.0 版本的核心目标，就是解决这些痛点：

• 稳定性承诺

  明确声明在 2.0 版本前不会有破坏性更新，为企业级应用提供可靠保障；

• 功能聚焦

  LangChain 精简核心能力，LangGraph 强化生产特性，两者分工更清晰；

• 生态统一

  同步推出全新设计的官方文档站，Python 与 JavaScript 版本的教程、API 参考首次整合，降低跨语言开发门槛。

更关键的是，LangChain 1.0 的 Agent 能力完全基于 LangGraph 运行时构建，这意味着开发者无需在 “快速开发” 和 “灵活控制” 之间二选一，可根据需求自由切换，真正实现 “无锁定开发”。

二、LangChain 1.0：3 大核心升级，让 AI Agent 开发更快、更灵活

LangChain 1.0 的定位是 “最快构建 AI Agent 的工具”，围绕 “简化流程、增强控制、统一标准” 三大方向做了深度优化，其中这几个新特性最值得开发者关注：

2.1 全新 create_agent 抽象：一行代码搭建 Agent

过去用 LangChain 构建 Agent 需配置多个组件，而 1.0 推出的 create_agent 函数将核心流程高度封装，只需指定模型、工具和提示词，就能快速生成可用的 Agent。

以 “天气查询 Agent” 为例，代码简洁到令人惊喜：

from langchain.agents import create_agent
# 定义Agent：指定模型、工具、系统提示词
weather_agent = create_agent(
model="openai:gpt-5",  # 支持主流模型提供商，无需修改代码切换
tools=[get_weather],    # 传入自定义工具
system_prompt="Help the user by fetching the weather in their city.",
)
# 调用Agent获取结果
result = agent.invoke({"role": "user", "what's the weather in SF?"})

其背后的核心逻辑是标准化的 Agent 循环：

2.2 middleware 中间件：精细控制 Agent 每一步

很多开发者吐槽 “Agent 流程太固化，自定义难”，而 1.0 新增的 middleware 机制彻底解决了这个问题。它通过 “钩子函数”，允许你在 Agent 循环的关键节点插入自定义逻辑，官方还贴心提供了 3 个常用中间件：

• Human-in-the-loop（人工介入）

  执行工具前暂停，等待用户确认 / 修改，特别适合涉及外部系统调用、敏感操作的场景（如自动发邮件、转账）；

• Summarization（历史总结）

  对话历史接近模型上下文上限时，自动压缩旧信息、保留新内容，避免 Token 溢出，同时保证长对话性能；

• PII 脱敏

  通过模式匹配自动识别并隐藏邮箱、手机号、社保号等敏感信息，助力合规开发。

如果你有特殊需求，还能自定义中间件，钩子覆盖 “Agent 启动前→模型调用前→工具执行→结果返回后” 全流程，灵活度拉满。

2.3 标准内容块：跨模型兼容不再是难题

LangChain 支持 OpenAI、Anthropic 等上百个模型提供商，但不同厂商的输出格式差异一直是痛点，切换模型后，流式输出、UI 渲染、记忆存储可能全部失效。

1.0 版本在 langchain-core 中新增 content_blocks 属性，为所有模型输出定义了统一标准：

• 无论用哪个模型，输出内容类型（文本、工具调用、引用）保持一致；
• 支持推理轨迹、引用标注、服务端工具调用等高级功能；
• 完全向后兼容，旧代码无需修改即可使用。

这意味着开发者可以在一个应用中自由切换模型，无需重构下游逻辑，真正实现 “Provider Agnostic”（提供商无关）。

三、LangGraph 1.0：为生产级 AI Agent 而生的底层框架

如果说 LangChain 1.0 是 “快速建房的模板”，那 LangGraph 1.0 就是 “坚固的地基与框架”，它聚焦于解决 AI Agent 落地生产时的核心痛点，尤其适合复杂、长周期的工作流。

其 1.0 版本的核心特性，每一个都直击生产需求：

3.1 持久化状态：中断后无缝续跑

AI Agent 运行时最怕什么？服务器重启、网络中断、长流程被打断。LangGraph 1.0 实现了 Agent 执行状态的自动持久化，哪怕对话中途服务器宕机，重启后也能精准恢复到中断前的状态，用户无需重新输入，Agent 无需重新执行步骤。

比如：一个 “多步骤合同审核 Agent”，执行到第 3 步时服务器重启，恢复后会直接从第 3 步继续，不会重复前两步的计算。

3.2 内置持久化：无需自定义数据库

为了实现状态持久化，过去开发者需要自己搭建数据库、设计存储逻辑。LangGraph 1.0 内置了持久化能力，无需编写任何数据库代码，就能实现 “保存 / 恢复工作流”：

• 支持多日审批流程（比如：一个报销流程分 3 天完成）；
• 支持跨会话的后台任务（比如：夜间自动生成报表，次日用户可查看结果）。

3.3 原生人工介入：高风险场景可控

对于金融、医疗等敏感领域，AI 不能 “独断专行”。LangGraph 1.0 提供了原生的 “人工介入” API，可在工作流中设置 “审核节点”，Agent 执行到该节点时会自动暂停，等待人工确认后再继续。

比如：一个 “自动转账 Agent”，可设置 “转账金额超过 1 万元时暂停，需人工审批”，既保证效率，又控制风险。

目前，Uber、LinkedIn、Klarna 等企业已在生产环境中大规模使用 LangGraph，其稳定性经过了实战验证。

四、如何选择？LangChain vs LangGraph 适用场景对比

很多开发者会问：两个框架都升级到 1.0 了，该怎么选？其实答案很简单，两者不是竞争关系，而是互补关系，核心区别在于 “抽象层级” 和 “适用场景”：

选择依据	LangChain 1.0	LangGraph 1.0
核心目标	快速构建标准 Agent，缩短开发周期	深度定制复杂工作流，保障生产稳定性
适用场景	- 符合 “模型→工具→响应” 默认流程的 Agent - 需要快速上线、验证想法的场景- 依赖中间件做轻度自定义的需求	- 混合确定性逻辑与 Agent 逻辑的工作流（如 “规则校验 + AI 生成”） - 长周期业务流程（如多步骤审批）- 高敏感、需精细控制的场景 - 对 latency、成本有严格要求的应用
开发效率	高（高 - level 抽象，开箱即用）	中（需设计图结构，但灵活性更高）
与对方关系	基于 LangGraph 运行时构建，可无缝切换到 LangGraph	可嵌入 LangChain 生成的 Agent，组成复杂工作流

简单来说：快速验证用 LangChain，复杂生产用 LangGraph，而且两者可以无缝结合，比如先用 LangChain 快速搭建 Agent 原型，验证需求后，再用 LangGraph 扩展复杂逻辑，无需重构代码。

五、上手指南：安装与迁移

5.1 安装命令

LangChain 1.0 和 LangGraph 1.0 已在 PyPI 和 npm 上线，安装步骤非常简单：

Python 环境

# 安装/升级 LangChain 1.0
uv pip install --upgrade langchain
# 如需兼容旧代码，安装 langchain-classic（存放 Legacy 功能）
uv pip install langchain-classic
# 安装/升级 LangGraph 1.0
uv pip install --upgrade langgraph

JavaScript 环境

# 安装/升级 LangChain 1.0
npm install @langchain/langchain@latest
# 兼容旧代码，安装 langchain-classic
npm install @langchain/langchain-classic
# 安装/升级 LangGraph 1.0
npm install @langchain/langgraph@latest

5.2 重要迁移提示

• Python 版本要求

  LangChain 1.0 不再支持 Python 3.9（2025 年 10 月已停止维护），需升级到 Python 3.10+，Python 3.14 支持即将上线；

• 废弃模块

  LangGraph 的 langgraph.prebuilt 模块已废弃，相关功能迁移到 langchain.agents；

• 旧代码兼容

  如需继续使用 LangChain 旧功能，可通过 langchain-classic 包调用，官方提供了详细的 Python/JavaScript 迁移指南（可在新文档站查看）。

LangChain 与 LangGraph 1.0 的同步发布，不仅是框架自身的成熟，更标志着 AI Agent 开发正式进入 “标准化、生产化” 阶段。从 9000 万月下载量，到 Uber、JP Morgan、BlackRock 等巨头的生产实践，LangChain 生态已成为 AI Agent 开发的重要基础设施。

目前，全新的官方文档站（docs.langchain.com）已上线，整合了 Python、JavaScript 双语言教程、API 参考和实战案例，是上手 1.0 版本的最佳入口。如果你正在开发 AI Agent，不妨试试这两个 1.0 版本，无论是快速验证想法，还是搭建生产级系统，它们都能提供更高效、更可靠的支持。

六、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】