LangChain & LangGraph V1.0深度解析：零基础构建高效AI智能体

LangChain和LangGraph在2025年10月发布V1.0正式版，显著提升了AI Agent构建能力。新版本引入标准化的create_agent方法和灵活的Middleware机制，支持动态控制提示词、状态管理和安全防护。基于LangGraph框架实现了持久化执行、流式响应等特性。更新简化了构建流程，增强了可控性与扩展性，为开发者提供了高效可靠的智能体解决方案。同时优化了消息内容表示格式

LLand520

615人浏览 · 2025-12-22 13:44:52

LLand520 · 2025-12-22 13:44:52 发布

LangChain和LangGraph在2025年10月迎来V1.0正式版升级，极大提升了构建AI Agent的能力。新版本提供了标准化的Agent构建方式(create_agent)和灵活的中间件(Middleware)机制，可动态控制提示词、状态管理和安全防护。LangChain的智能体功能构建于LangGraph之上，实现了持久化执行、流式响应等能力。新版本简化了构建流程，增强了可控性与扩展性，为开发者提供了高效构建可靠AI智能体的解决方案。

01 前言

LangChain和LangGraph在 2025 年10 月迎来V1.0 正式版（截至目前已更新至V1.1.0），这次升级极大提升了构建 AI Agent 的灵活性、扩展性与兼容性。

LangChain：

为构建基于大型语言模型的应用提供可复用组件与集成方案。
LangGraph：

智能体编排框架，以图结构构建大型语言模型智能体应用。

LangChain 中的智能体功能正是构建于 LangGraph 之上，以实现持久化执行、流式响应、人机协同、状态持久化等能力。但是使用LangChain构建智能体不必先了解LangGraph框架，LangGraph提供的是更底层的编排能力和运行时。

LangChain (121k star)：https://github.com/langchain-ai/langchain

LangGraph (21.9k star)：

https://github.com/langchain-ai/langgraph

02 概览

V1.0版本的LangChain主要带来了3大方面的升级：

标准构建Agent的方式，使用新版本定义的langchain.agent包的create_agent，支持如下**：**

插件式的中间件（Middleware），可以在Agent执行的任何步骤调整逻辑。
构建于LangGraph之上，可以借助LangGraph实现长任务、持久化、人类交互等。
结构化输出内容。

使用content_blocks 标准化消息内容表示格式。不同的模型使用相同的API获取消息内容，并提供安全的类型检查等。
简化引入包的命名空间（namespace），非核心的包统一使用langchain-classic。

V1.0版本的LangGraph核心是配合LangChain并进一步提升了稳定性。废弃了LangGraph的create_react_agent，取而代之的是LangChain的create_agent方法，其是构建于LangGraph之上的。

03 新功能介绍

这里简单介绍新版的两大功能点，一个是create_agent，另一个是Middleware。

create_agent

create_agent定义了一个标准的Agent机制：调用模型，模型决策是否使用并调用工具，将工具结果返回模型进一步决策直到结束，模型就像Agent的“大脑”一样。

# pip3 install -U langchain
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
import os
# pip3 install -U langchain
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
import os
# 模型
os.environ["DEEPSEEK_API_KEY"] = "sk-..."
llm = init_chat_model(
model="deepseek-chat",
temperature=0
)
# 创建agent
agent = create_agent(
model=llm,
system_prompt="You are a helpful assistant."
)
result = agent.invoke({
"messages": [
{"role": "user", "content": "what can you do?"}
]
})
print(result)
# 模型
os.environ["DEEPSEEK_API_KEY"] = "sk-7fd10806e7ad4375aa02b69612a8410d"
llm = init_chat_model(
model="deepseek-chat",
temperature=0
)
# 创建agent
agent = create_agent(
model=llm,
system_prompt="You are a helpful assistant."
)
result = agent.invoke({
"messages": [
{"role": "user", "content": "what can you do?"}
]
})
print(result)

如上是一个简单的示例，先定义模型和agent，调用invoke传入用户问题，最后打印模型响应。

# 响应，截取了模型回复内容
{'messages':
[HumanMessage(content='what can you do?', additional_kwargs={}, response_metadata={}, id='77bd3633-ebf4-46ae-8e2d-88f76279e20a'),
AIMessage(content="I can assist you ......", additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 472, 'prompt_tokens': 15, 'total_tokens': 487, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}, 'prompt_cache_hit_tokens': 0, 'prompt_cache_miss_tokens': 15}, 'model_provider': 'deepseek', 'model_name': 'deepseek-chat', 'system_fingerprint': 'fp_eaab8d114b_prod0820_fp8_kvcache', 'id': 'a3cb733c-5b25-45f4-acbe-86f7150c90fa', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--019b0dd8-5eaa-7070-b8b7-96b51c19a6ed-0', usage_metadata={'input_tokens': 15, 'output_tokens': 472, 'total_tokens': 487, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}})
]}

中间件（Middleware）

中间件（Middleware）在使用create_agent时传入，功能类似于Java语言的SPI（Service Provider Interface）。

在构建Agent时，Middleware为AI智能体（Agent）的执行流程提供了一组可插拔、可组合的钩子函数，可以帮助我们动态控制提示词、总结会话、选择工具调用、管理状态以及安全防护。

LangChain中包括了两类Middleware，一类是内建，另一类则是自定义。

1、内建

已经内建了一些常用的，例如：

SummarizationMiddleware: 会话太长时进行总结。

HumanInTheLoopMiddleware: 敏感工具执行时进行人类授权。

2、自定义

支持在Agent执行的每一步进行定义，如下图所示：

from langchain.agents.middleware import before_model, AgentState
from langchain.messages import AIMessage
from langgraph.runtime import Runtime
from typing import Any
@before_model(can_jump_to=["end"])
def check_message_limit(state: AgentState, runtime: Runtime) -> dict[str, Any] | None:
iflen(state["messages"]) >= 50:
return {
"messages": [AIMessage("Conversation limit reached.")],
"jump_to": "end"
}
return None
agent = create_agent(
model=llm,
middleware=[check_message_limit],

如上示例通过**@before_model**指定了在模型调用之前进行拦截，当消息超过50条时，直接返回达到模型限制。这是一种使用方式，也可以通过定义类并继承AgentMiddleware的方式实现Middleware的创建，并在create_agent时传入实例化对象。

04 总结

在 LangChain 的新版本中，Agent 的构建流程得到显著简化，同时功能进一步增强。其中 Middleware 机制的引入，大大提升了流程的可控性与扩展性。尤其对依赖上下文管理的 LLM 应用而言，现在可以更便捷地实现状态的追踪与动态更新。

结合 LangGraph 在编排与运行时方面的优势，推荐使用该框架来构建高效、可靠的智能体。

最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

✅AI大模型学习路线图
✅Agent行业报告
✅100集大模型视频教程
✅大模型书籍PDF
✅DeepSeek教程
✅AI产品经理入门资料

完整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】👇👇

在这里插入图片描述

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

在这里插入图片描述

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点
在这里插入图片描述

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

在这里插入图片描述

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

在这里插入图片描述

④各大厂大模型面试题目详解

在这里插入图片描述

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

在这里插入图片描述