还在为 LangChain 旧版本的臃肿架构、混乱命名空间头疼？别慌！LangChain v1 携三大核心改进强势登场，专注生产环境的代理构建，彻底解决你的开发痛点。今天就带大家盘盘 LangChain v1 的新增内容，轻松上手新一代 LLM 应用开发框架～

本文带你解读LangChain v1.0版本的官方文档~

官方文档链接：https://docs.langchain.com/oss/python/releases/langchain-v1

🎯 核心升级总览：三大改进精简框架

LangChain v1 围绕三大核心方向对框架进行了全面精简，目标很明确 —— 打造轻量、高效、可定制的生产级代理开发基础：

1. create_agent：构建代理的新标准，替代旧版 langgraph.prebuilt.create_react_agent
2. 标准内容块（content_blocks）：跨服务商统一访问现代 LLM 功能的新方案
3. 简化命名空间：聚焦代理核心构建模块，遗留功能迁移至 langchain-classic

🔥 快速升级：一行命令搞定版本更新

pip install -U langchain

🔧 核心改进一：create_agent—— 代理开发的新标准

在 LangChain v1 中，create_agent 成为构建智能代理的标准方式，相比旧版的 langgraph.prebuilt.create_react_agent，它不仅更简洁，还通过 中间件（Middleware） 提供了超强的定制潜力！

1. 极简上手：几行代码创建生产级代理

不用再写一堆复杂的配置，create_agent 让代理开发像搭积木一样简单：

from langchain.agents import create_agent

# 定义工具（这里假设你已经实现了 search_web 等工具）
tools = [search_web, analyze_data, send_email]

# 创建代理
agent = create_agent(
    model="claude-sonnet-4-5-20250929",
    tools=tools,
    system_prompt="You are a helpful research assistant."
)

# 运行代理
result = agent.invoke({
    "messages": [
        {"role": "user", "content": "Research AI safety trends"}
    ]
})

2. 核心原理：标准化代理执行循环

create_agent 的底层逻辑其实很清晰，就是一个标准化的代理执行循环：

1. 调用大模型生成指令
2. 模型选择需要执行的工具
3. 执行工具并获取结果
4. 重复上述步骤，直到任务完成停止

3. 灵魂特性：Middleware 中间件，定制化天花板

如果说 create_agent 是 LangChain v1 的骨架，那 Middleware 中间件 就是它的灵魂！

中间件提供了高度可定制的扩展入口，帮你实现动态提示词控制、对话摘要、工具权限管控、状态管理、安全护栏等核心需求，轻松打造符合业务场景的智能代理。

（1）开箱即用：预置中间件直接上手

LangChain v1 内置了多款常用中间件，拿来就能用：

• PIIMiddleware：敏感信息脱敏（比如隐藏邮箱、手机号）
• SummarizationMiddleware：对话历史过长时自动浓缩
• HumanInTheLoopMiddleware：敏感工具调用需人工审批

话不多说，上代码示例：

from langchain.agents import create_agent
from langchain.agents.middleware import (
    PIIMiddleware,
    SummarizationMiddleware,
    HumanInTheLoopMiddleware
)

agent = create_agent(
    model="claude-sonnet-4-5-20250929",
    tools=[read_email, send_email],
    middleware=[
        # 脱敏邮箱：输入阶段自动打码
        PIIMiddleware("email", strategy="redact", apply_to_input=True),
        # 拦截手机号：自定义正则匹配，直接阻止调用
        PIIMiddleware(
            "phone_number",
            detector=(
                r"(?:\+?\d{1,3}[\s.-]?)?"
                r"(?:\(?\d{2,4}\)?[\s.-]?)?"
                r"\d{3,4}[\s.-]?\d{4}"
            ),
            strategy="block"
        ),
        # 对话摘要：token 数超过 500 自动浓缩历史
        SummarizationMiddleware(
            model="claude-sonnet-4-5-20250929",
            trigger={"tokens": 500}
        ),
        # 人工审批：发送邮件操作必须人工确认
        HumanInTheLoopMiddleware(
            interrupt_on={
                "send_email": {
                    "allowed_decisions": ["approve", "edit", "reject"]
                }
            }
        ),
    ]
)

（2）自由定制：打造专属中间件

如果预置中间件满足不了你的需求？没问题！基于 AgentMiddleware 类，实现对应的钩子函数，就能打造专属中间件。

中间件在代理执行的每个关键节点都提供了钩子，比如：

钩子函数	执行时机	典型用途
before_agent	代理启动前	加载内存、校验输入
before_model	LLM 调用前	更新提示词、裁剪消息
wrap_model_call	LLM 调用前后	拦截并修改请求 / 响应
wrap_tool_call	工具调用前后	拦截并修改工具执行逻辑

自定义中间件示例：根据用户专业水平动态切换模型和工具

from dataclasses import dataclass
from typing import Callable

from langchain_openai import ChatOpenAI
from langchain.agents.middleware import AgentMiddleware, ModelRequest
from langchain.agents.middleware.types import ModelResponse

# 定义上下文数据结构
@dataclass
class Context:
    user_expertise: str = "beginner"  # 默认新手

# 自定义中间件
class ExpertiseBasedToolMiddleware(AgentMiddleware):
    def wrap_model_call(
        self,
        request: ModelRequest,
        handler: Callable[[ModelRequest], ModelResponse]
    ) -> ModelResponse:
        # 获取用户专业水平
        user_level = request.runtime.context.user_expertise

        # 新手：用轻量模型+基础工具；专家：用高性能模型+进阶工具
        if user_level == "expert":
            model = ChatOpenAI(model="gpt-5")
            tools = [advanced_search, data_analysis]
        else:
            model = ChatOpenAI(model="gpt-5-nano")
            tools = [simple_search, basic_calculator]

        # 覆盖模型和工具，继续执行
        return handler(request.override(model=model, tools=tools))

# 使用自定义中间件
agent = create_agent(
    model="claude-sonnet-4-5-20250929",
    tools=[simple_search, advanced_search, basic_calculator, data_analysis],
    middleware=[ExpertiseBasedToolMiddleware()],
    context_schema=Context  # 绑定上下文schema
)

4. 底层加持：基于 LangGraph，开箱即用高级特性

create_agent 底层基于 LangGraph 构建，不用额外学习 LangGraph 知识，就能直接享受这些强大特性：

• 持久化：内置 checkpoint，对话跨会话自动保存
• 流式输出：实时流式返回 token、工具调用、推理轨迹
• 人在回路：敏感操作自动暂停，等待人工审批
• 时光回溯：回到对话任意节点，探索不同的提示词和路径

5. 结构化输出：更高效、更省钱

v1 版本的结构化输出能力也全面升级，解决了旧版本的痛点：

• 主循环集成：结构化输出直接在主循环生成，无需额外 LLM 调用
• 策略可选：模型可自主选择调用工具或使用服务商侧结构化输出
• 成本降低：减少额外 LLM 调用，节省 API 费用

结构化输出示例：获取标准化天气信息

from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy
from pydantic import BaseModel

# 定义结构化输出格式
class Weather(BaseModel):
    temperature: float  # 温度
    condition: str      # 天气状况

# 天气查询工具
def weather_tool(city: str) -> str:
    """Get the weather for a city."""
    return f"it's sunny and 70 degrees in {city}"

# 创建代理并指定结构化输出策略
agent = create_agent(
    "gpt-4o-mini",
    tools=[weather_tool],
    response_format=ToolStrategy(Weather)
)

# 调用代理
result = agent.invoke({
    "messages": [{"role": "user", "content": "What's the weather in SF?"}]
})

# 直接获取结构化数据
print(repr(result["structured_response"]))
# 输出：Weather(temperature=70.0, condition='sunny')

📦 核心改进二：标准内容块 —— 跨服务商统一访问 LLM 功能

不同 LLM 服务商的输出格式千差万别？处理推理轨迹、工具调用要写一堆兼容代码？

LangChain v1 推出的 标准内容块（content_blocks） 完美解决这个问题！它提供了跨服务商的统一消息内容表示，目前支持 langchain-openai、langchain-anthropic、langchain-ollama，后续会扩展更多供应商。

1. 极简用法：一行代码遍历统一内容块

不管用哪个服务商的模型，都能用同一套 API 解析输出内容：

from langchain_anthropic import ChatAnthropic

# 初始化模型
model = ChatAnthropic(model="claude-sonnet-4-5-20250929")
# 调用模型
response = model.invoke("What's the capital of France?")

# 统一遍历内容块
for block in response.content_blocks:
    if block["type"] == "reasoning":
        print(f"📝 模型推理过程：{block['reasoning']}")
    elif block["type"] == "text":
        print(f"💬 回复内容：{block['text']}")
    elif block["type"] == "tool_call":
        print(f"🔧 工具调用：{block['name']}({block['args']})")

2. 核心优势：告别碎片化，拥抱标准化

• 提供者无关性：一套 API 搞定推理追踪、引用、内置工具（网页搜索、代码解释器等）
• 类型安全：所有内容块类型都有完整的类型提示，开发更省心
• 向下兼容：标准内容支持懒加载，不会造成破坏性变更

📁 核心改进三：简化命名空间 +langchain-classic—— 轻装上阵

LangChain v1 对 langchain 包的命名空间进行了大刀阔斧的精简，只保留代理开发的核心模块，让开发者不再面对眼花缭乱的功能，专注核心业务。

1. 精简后的命名空间：聚焦核心

精简后的 langchain 包只保留这些核心模块，大部分功能是为了方便开发者，从 langchain-core 重新导出的：

模块	包含内容	用途
langchain.agents	create_agent、AgentState	核心代理创建功能
langchain.messages	消息类型、内容块、trim_messages	消息处理与内容解析
langchain.tools	@tool 装饰器、BaseTool	工具定义与注册
langchain.chat_models	init_chat_model、BaseChatModel	统一模型初始化
langchain.embeddings	Embeddings、init_embeddings	嵌入模型相关

极简导入示例：

# 代理构建
from langchain.agents import create_agent

# 消息与内容处理
from langchain.messages import AIMessage, HumanMessage

# 工具定义
from langchain.tools import tool

# 模型初始化
from langchain.chat_models import init_chat_model
from langchain.embeddings import init_embeddings

2. 遗留功能新家：langchain-classic

那些用不到的遗留功能，比如旧版链、检索器、索引 API 等，都被迁移到了 langchain-classic 包中，保证核心包的轻量和聚焦。

（1）langchain-classic 包含什么？

• 遗留链与链的实现
• 检索器（比如 MultiQueryRetriever）
• 索引 API
• hub 模块（提示词管理）
• 其他已弃用功能

（2）如何使用遗留功能？

先安装 langchain-classic：

pip install langchain-classic

然后修改导入路径，把旧的 from langchain import ... 换成 from langchain_classic import ... 即可：

# 旧版导入
# from langchain.chains import LLMChain
# from langchain.retrievers import MultiQueryRetriever
# from langchain import hub

# 新版导入
from langchain_classic.chains import LLMChain
from langchain_classic.retrievers import MultiQueryRetriever
from langchain_classic import hub

🎉 总结：LangChain v1，开启代理开发新篇章

LangChain v1 不是简单的版本迭代，而是一次架构级的重构：

• 用 create_agent + 中间件，解锁代理定制化的无限可能
• 用标准内容块，实现跨服务商的统一输出解析
• 用精简命名空间 + langchain-classic，让框架轻装上阵

如果你正在做生产级 LLM 代理开发，LangChain v1 绝对值得一试！赶紧升级体验吧～

如果有地方解释得不确切，欢迎评论区纠正~