LangChain v1.0正式版发布，5分钟快速上手实战

LangChain终于放出了v1.0这个大版本。说实话，这消息对于在AI应用开发一线折腾过的人来说，绝对是个好消息。以前大家私下里聊天，总爱调侃LangChain是个“玩具框架”，因为要让它稳定跑在生产环境里，中间要蹚的坑实在太多了。但这次v1.0的发布，从几个核心改进来看，它确实完成了一次关键的“乘人礼”。

版本解析：三大核心改进重构Agent开发范式

这次更新最核心的，就是围绕Agent开发体验和稳定性做了脱胎换骨的优化。具体来看，有这么三把“火”烧得最到位，直接拉高了开发效率和系统稳定性。

create_agent：一行代码构建生产级智能体

——这可能是create_agent接口给开发者最直观的感受。之前大家想写一个基础的ReAct Agent，得先对着文档头疼半天，搞定一堆模板代码。光是手动配置提示词、处理工具调用的格式，就得磨掉大几十行，甚至上百行代码。而现在呢？代码可以简洁到不可思议：

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"])

这个接口看似简单，背后却是LangChain团队对Agent执行流程的一次彻底重构。create_agent默认跑在LangGraph引擎上，自动帮你处理了

、和。一个更重要的细节是，它原生支持OpenAI的函数调用格式。这意味着无论你后面想换成Anthropic Claude，还是Google Gemini，甚至是国产的通义千问，都能通过这个统一接口无缝切换。

content_blocks：跨模型统一内容处理的终极方案

如果你曾为不同模型的输出格式差异而头疼不已，content_blocks绝对就是你的救星。这个新属性提供了一个

。不管背后是OpenAI、Anthropic还是Google的模型，你都能用同一套代码来处理文本、工具调用和推理过程。

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['text']}")
    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']})")

这个改进彻底解决了长期困扰开发者的

。以前，处理GPT的function_call得专门解析它那独特的字段；而Claude的工具调用，又藏在XML标签里。代码里充斥着各种if-else的条件判断，维护起来相当痛苦。现在通过content_blocks，一套代码走天下，。

简化命名空间：甩掉历史包袱的轻装上阵

LangChain v1.0对命名空间做了大刀阔斧的精简，把核心功能聚焦在Agent开发所需的基础组件上，而把那些历史遗留功能迁到了langchain-classic包里。这意味着当你import langchain时，看到的将是最核心、最清爽的几个模块：

# v1.0 精简命名空间
from langchain.agents import create_agent  # 核心Agent功能
from langchain.messages import HumanMessage  # 消息类型
from langchain.tools import tool  # 工具定义装饰器
from langchain.chat_models import init_chat_model  # 模型初始化

这样精简带来了

：一是新开发者不再需要面对几十个模块的选择困难，认知负担显著降低；二是核心包的安装体积减少了60%；三是避免了不必要的依赖加载，提升了运行效率。对于需要升级的老项目，官方也提供了平滑迁移路径，把旧代码里那些from langchain.legacy_xxx的导入，直接换成from langchain_classic.xxx就行。

快速上手：5分钟搭建你的第一个智能体

环境准备：最低配置与安装指南

LangChain v1.0要求Python 3.9或更高版本，推荐用3.11来获得最佳性能。环境搭建非常简单：

# 创建虚拟环境
python -m venv langchain-env
source langchain-env/bin/activate  # Linux/Mac
# 或在Windows上执行: langchain-envScriptsactivate

# 安装核心依赖
pip install -U langchain-core langchain-openai python-dotenv

如果要用国内模型（比如通义千问、文心一言），还需要安装对应的集成包：

# 国内模型集成（示例：通义千问）
pip install langchain-dashscope

基础功能实现：天气查询Agent全流程

接下来，我们用一个完整的天气查询Agent示例，跑一遍v1.0的基础用法。这个Agent将集成

、和能力。

首先，创建一个.env文件来存放API密钥：

OPENAI_API_KEY=sk-xxx  # 替换为你的API密钥

然后创建weather_agent.py文件：

import os
from dotenv import load_dotenv
from pydantic import BaseModel
from langchain.agents import create_agent
from langchain_openai import ChatOpenAI
from langchain.agents.structured_output import ToolStrategy
from langchain.tools import tool

# 加载环境变量
load_dotenv()

# 1. 定义结构化输出模型
class WeatherResult(BaseModel):
    city: str
    temperature: float
    condition: str
    advice: str  # 穿衣建议

# 2. 定义工具
@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    # 实际应用中这里会调用真实的天气API
    mock_data = {
        "北京": "15℃,多云,微风",
        "上海": "22℃,晴,南风3级",
        "深圳": "28℃,暴雨,西南风5级"
    }
    return f"{city}当前天气：{mock_data.get(city, '20℃,晴,无风')}"

# 3. 创建智能体
agent = create_agent(
    model=ChatOpenAI(model="gpt-4o-mini", temperature=0),
    tools=[get_weather],
    system_prompt="你是专业的天气查询助手，使用get_weather工具获取天气后，必须返回结构化结果并提供穿衣建议",
    response_format=ToolStrategy(WeatherResult, handle_errors="retry"),
)

# 4. 运行智能体
if __name__ == "__main__":
    user_query = "查询深圳的天气"
    response = agent.invoke({
        "messages": [{"role": "user", "content": user_query}]
    })

    # 提取结构化结果
    structured_result = response["structured_response"]
    print(f"查询结果：{structured_result}")
    print(f"穿衣建议：{structured_result.advice}")

运行这段代码后，你看到的输出会是：

查询结果：city='深圳' temperature=28.0 condition='暴雨' advice='今日有暴雨，请携带雨具，注意防风'
穿衣建议：今日有暴雨，请携带雨具，注意防风

这个例子很好地展示了v1.0的

：通过@tool装饰器轻松定义工具，用Pydantic模型实现结构化输出，以及通过ToolStrategy来处理解析错误。特别是handle_errors="retry"这个参数，当模型输出不符合预期结构时，它会自动重试生成，这能极大提升系统的稳定性。

应用场景：3个实战案例带你落地生产

智能客服：带权限控制的工单处理系统

LangChain v1.0的middleware机制特别适合构建企业级的智能客服。下面是一个带有人工审核流程的客服系统实现思路：

from langchain.agents import create_agent
from langchain.agents.middleware import HumanInTheLoopMiddleware, PIIMiddleware

# 1. 定义敏感操作审核中间件
human_middleware = HumanInTheLoopMiddleware(
    interrupt_on={
        "refund_order": {"allowed_decisions": ["approve", "edit", "reject"]},
        "cancel_subscription": {"allowed_decisions": ["approve", "reject"]}
    }
)

# 2. 定义PII脱敏中间件
pii_middleware = PIIMiddleware(
    detectors=["email", "phone"],
    strategies={"email": "redact", "phone": "block"}
)

# 3. 创建客服Agent
agent = create_agent(
    model=ChatOpenAI(model="gpt-4o"),
    tools=[check_order_status, refund_order, cancel_subscription],
    system_prompt="你是电商平台客服，帮助用户查询订单、处理退款和取消订阅",
    middleware=[pii_middleware, human_middleware]
)

这套系统有两个关键能力：一是能自动检测并脱敏用户输入中的邮箱、手机号等敏感信息；二是当Agent试图执行退款、取消订阅这类敏感操作时，会停下来等人工审核。这种

的机制，很好地在自动化效率与操作安全性之间找到了平衡，已经在不少电商平台的生产环境里得到验证了。

数据分析：自然语言驱动的Excel处理

结合LangChain v1.0的结构化输出和工具调用能力，可以很轻松地搭建一个面向非技术人员的数据分析工具：

from langchain.agents import create_agent
from langchain.tools import tool
import pandas as pd

# 1. 定义Excel处理工具
@tool
def load_excel(file_path: str) -> str:
    """加载Excel文件并返回前5行数据预览"""
    df = pd.read_excel(file_path)
    return f"数据预览：n{df.head().to_string()}n共{len(df)}行数据"

@tool
def analyze_sales(data_range: str) -> str:
    """分析指定日期范围的销售额，格式：YYYY-MM-DD to YYYY-MM-DD"""
    # 实际实现中会查询数据库或Excel数据
    return f"{data_range}期间总销售额125万元，同比增长15%"

# 2. 创建数据分析Agent
agent = create_agent(
    model=ChatOpenAI(model="gpt-4o"),
    tools=[load_excel, analyze_sales],
    system_prompt="你是数据分析师，帮助用户加载Excel文件并进行销售数据分析",
)

# 3. 运行分析
response = agent.invoke({
    "messages": [{"role": "user", "content": "加载2025年Q1销售数据，分析3月的销售额增长情况"}]
})

这个Agent能理解用户的自然语言查询，自动规划执行步骤（比如，先加载数据，再分析指定时间段），最后用自然语言返回结果。对于需要频繁处理Excel报表的业务人员来说，这种工具能

，效率提升非常明显。

RAG应用：企业知识库智能问答系统

检索增强生成（RAG）是LangChain最经典的应用场景之一。v1.0通过与LangGraph的深度集成，让RAG系统的可靠性和性能都上了一个台阶：

from langchain.agents import create_agent
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.tools import tool

# 1. 初始化向量数据库
embeddings = OpenAIEmbeddings()
vector_db = Chroma(persist_directory="./docs_db", embedding_function=embeddings)

# 2. 定义RAG检索工具
@tool
def search_knowledgebase(query: str) -> str:
    """搜索企业知识库获取相关文档片段"""
    docs = vector_db.similarity_search(query, k=3)
    return "nn".join([doc.page_content for doc in docs])

# 3. 创建RAG Agent
agent = create_agent(
    model=ChatOpenAI(model="gpt-4o"),
    tools=[search_knowledgebase],
    system_prompt="你是企业知识库问答助手，回答问题前必须先调用search_knowledgebase工具获取最新信息",
)

# 4. 知识库问答
response = agent.invoke({
    "messages": [{"role": "user", "content": "公司新的远程办公政策是什么？"}]
})

相比传统的RAG系统，v1.0的实现有三个明显优势：一是create_agent自动处理了

，能支持追问；二是内置的，可以方便地添加缓存、日志等功能；三是与LangSmith无缝集成，能提供全链路的可观测性。

进阶技巧：提升开发效率的3个实战锦囊

LCEL表达式优化：让你的链更简洁高效

LangChain表达式语言（LCEL）一直是构建复杂工作流的利器，v1.0对它做了多项增强。下面是一个优化的RAG链实现：

from langchain_core.runnables import RunnablePassthrough, RunnableParallel
from langchain.prompts import ChatPromptTemplate
from langchain.chat_models import ChatOpenAI
from langchain.vectorstores import Chroma

# 定义RAG链
retriever = Chroma(persist_directory="./docs_db").as_retriever()
prompt = ChatPromptTemplate.from_template("""
Answer the question based only on the following context:
{context}

Question: {question}
""")

# 使用LCEL构建高效链
chain = (
    RunnableParallel({"context": retriever, "question": RunnablePassthrough()})
    | prompt
    | ChatOpenAI(model="gpt-4o-mini")
)

# 执行查询
response = chain.invoke("公司新的远程办公政策是什么？")

这个看似简单的链式结构，实际包含了

和的高级技巧。RunnableParallel能同时执行检索和问题传递，减少了总体延迟；RunnablePassthrough则把输入直接传递到下一个组件。用LCEL，你写几行代码就能搞定过去需要几十行才能实现的复杂逻辑，。

结构化输出高级技巧：ToolStrategy深度应用

v1.0的ToolStrategy不只能支持基本的结构化输出，它还提供了强大的错误处理和多工具协调能力：

from langchain.agents.structured_output import ToolStrategy
from pydantic import BaseModel, Field
from typing import List

# 定义复杂输出结构
class ProductAnalysis(BaseModel):
    product_name: str = Field(description="产品名称")
    sentiment: str = Field(description="情感倾向：positive/negative/neutral")
    key_points: List[str] = Field(description="关键评价点")
    price_sensitivity: float = Field(description="价格敏感度0-10分")

# 配置高级策略
strategy = ToolStrategy(
    ProductAnalysis,
    handle_errors={
        "parsing": "retry_with_cot",  # 解析失败时使用思维链重试
        "multiple_tools": "select_first"  # 多工具调用时选择第一个结果
    },
    max_retries=3
)

# 创建带高级结构化输出的Agent
agent = create_agent(
    model=ChatOpenAI(model="gpt-4o"),
    tools=[analyze_reviews, fetch_product_data],
    response_format=strategy
)

这个策略解决了两个常见的痛点：一是当模型输出不符合结构时，它能自动触发

（retry_with_cot），让模型通过解释自己的推理过程来修正输出，提高结构化输出的准确率；二是当模型不确定该调用哪个工具时，采用“select_first”策略，避免整个系统卡死。实践证明，这些技巧能。

自定义中间件：打造你的专属Agent能力

LangChain v1.0的中间件机制给Agent开发提供了几乎无限的扩展可能。下面是一个自定义缓存中间件的实现：

from langchain.agents.middleware import AgentMiddleware
from langchain_core.middleware.types import ModelRequest, ModelResponse
import hashlib
import time

class CacheMiddleware(AgentMiddleware):
    def __init__(self, cache_ttl=3600):
        self.cache = {}
        self.cache_ttl = cache_ttl  # 缓存1小时

    def wrap_model_call(self, request: ModelRequest, handler):
        # 生成请求缓存键
        cache_key = hashlib.md5(str(request).encode()).hexdigest()

        # 检查缓存
        if cache_key in self.cache:
            timestamp, response = self.cache[cache_key]
            if time.time() - timestamp < self.cache_ttl:
                return response

        # 调用原始模型
        response = handler(request)

        # 缓存结果
        self.cache[cache_key] = (time.time(), response)
        return response

# 使用自定义中间件
agent = create_agent(
    model=ChatOpenAI(model="gpt-4o"),
    tools=[get_weather, get_stock_price],
    middleware=[CacheMiddleware(cache_ttl=1800)]  # 添加缓存中间件
)

这个中间件为Agent添加了

的能力。对于重复的天气查询、股票价格这类请求，直接返回缓存结果，，响应延迟减少60%。除了缓存，你还可以实现日志中间件（记录所有工具调用）、成本控制中间件（设置API调用预算）等，打造出真正符合你业务需求的Agent。

结语：LangChain v1.0开启Agent开发新纪元

从v0.1到v1.0，LangChain确实完成了从“能用”到“好用”的关键蜕变。这次更新的create_agent接口、content_blocks标准化和简化命名空间这三个核心改进，都精准地打在了生产环境的痛点上。再加上与LangGraph的深度集成、灵活的中间件机制和强大的结构化输出能力，可以说为构建复杂、可靠的智能体提供了非常坚实的基础。对于认真考虑将AI Agent落地到业务中的团队来说，这无疑是个值得抓住的时机。