LangChain 1.0 入门实战教学

LangChain 1.0 的重磅升级，来了。这一次，官方将 Agent 开发流程彻底统一，目标直指打造更智能的运行体。核心变化有三：全新的 create_agent() API 详解与实战演示；LangGraph 作为底层执行引擎的技术架构；以及统一架构带来的开发效率提升与生态兼容性优势。下面，我们一步步拆解。

LangChain 1.0 入门实战教学，从 Agent 开发流程说起。1.0 最引人瞩目的变化，就是引入了全新的 create_agent() API。从此，LangChain 的 Agent 不再只是简单的“模型调用器”，而是一个可感知上下文、具备决策与执行能力的

（Intelligent Runtime Unit）。本章重点介绍 create_agent() API 的使用方法。

一、 一体化 Agent API

在 LangChain 0.x 时代，Agent 系统经历了“碎片化”阶段：

• create_react_agent → 思维链推理；
• create_structured_chat_agent → 结构化对话；
• create_tool_calling_agent → 工具调用。

这种设计灵活但分散，导致学习曲线陡峭、模块难以复用。而在 1.0 版本中，所有入口被统一为 create_agent()。接下来通过一个简单的示例来演示：

# 1.导入相关库
from langchain.agents import create_agent
from langchain_DeepSeek import ChatDeepSeek
from langchain_community.tools.ta vily_search import Ta vilySearchResults

# 2.导入模型和工具
web_search = Ta vilySearchResults(max_results=2)
model = ChatDeepSeek(model="deepseek-chat")

# 3.创建Agent
agent = create_agent(
    model=model,
    tools=[web_search],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

# 4.运行Agent获得结果
result = agent.invoke(
    {"messages": [{"role": "user", "content": "请帮我查询2024年诺贝尔物理学奖得主是谁？"}]}
)

result['messages'][-1].content

二、LangGraph 驱动的 Agent Runtime

LangChain 1.0 将 LangGraph 下沉为底层执行引擎。换句话说，通过 create_agent() API 创建的每个 Agent 的生命周期、每次模型调用、每个工具执行，都是 LangGraph 图中的一个节点或边。

1. 接口统一，降低心智负担
   ：无论是工具型、规划型还是对话型 Agent，共用同一 API 创建。

2. 跨生态兼容性强
   ：与 LangServe、LangGraph 甚至 OpenAI Responses API 都完全兼容。

3. 中间件机制
   ：允许通过装饰器在生命周期中插入自定义逻辑，如日志、速率限制、记忆压缩、内容重写等，使 Agent 具备可观察性与可管理性。

4. 扩展性强
   ：基于标准化状态流（State Graph），用户可以自由地扩展 Agent 行为而不破坏核心逻辑。

三、使用 create_agent 接入组件

在 LangChain 1.0 中，Agent 不再是简单的脚本，而是包含循环推理（Agent Loop）的智能体。在 create_agent() 的底层运行机制中，最重要的三个组件分别是：

• 模型（Model）
  ：负责理解任务与决策推理。它既可以是静态模型（固定不变），也可以是动态模型（根据上下文切换）。

• 工具（Tools）
  ：由模型选择调用不同工具来实现特定子任务，例如：联网搜索（web_search）、计算公式（calculate）、查询数据源（database_query）。

• 中间件（Middleware）
  ：负责在模型调用前后拦截请求、修改参数、或动态调整模型选择逻辑，是 LangChain 1.0 的强大扩展机制。

模型调用示例

from langchain.agents import create_agent
agent = create_agent("deepseek:deepseek-chat", tools=tools)

也可以先实例化模型，再传入 create_agent()，以便进行更多参数设置：

from langchain_deepseek import ChatDeepSeek
from langchain.agents import create_agent

model = ChatDeepSeek(
    model="deepseek-chat",
    temperature=0.1,
    max_tokens=1000,
    timeout=30
)
agent = create_agent(model, tools=tools)

模式允许智能体在运行时切换模型，实现性能与成本优化，通过中间件 @wrap_model_call 装饰器实现。

接入内置工具

LangChain 提供了丰富的内置工具库（搜索、数据库、Slack、Jira、文件系统等），可通过 langchain_community 快速接入。这些工具在官方文档中有完整列表。以内置的 Ta vilySearchResults 网络搜索工具为例，借助 Ta vily 进行网络搜索和信息爬取，来演示如何将内置工具接入 create_agent() 中。需要先在 Ta vily 官网注册并获得 API-KEY（每月有免费额度），然后将 API-KEY 写到本地 .env 中的 TA VILY_API_KEY 变量中。调用示例如下：

from langchain_community.tools.ta vily_search import Ta vilySearchResults
web_search = Ta vilySearchResults(max_results=2)
web_search.invoke("请问截至目前，2025年诺贝尔奖颁发了几个？")

将工具直接带入 create_agent() 中作为外部工具：

# 1.导入相关库
from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek
from langchain_community.tools.ta vily_search import Ta vilySearchResults

# 2.导入模型和工具
web_search = Ta vilySearchResults(max_results=2)
model = ChatDeepSeek(model="deepseek-chat")

# 3.创建Agent
agent = create_agent(
    model=model,
    tools=[web_search],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

# 4.运行Agent获得结果
result = agent.invoke(
    {"messages": [{"role": "user", "content": "请帮我查询2024年诺贝尔物理学奖得主是谁？"}]}
)

result['messages'][-1].content

接入自定义工具与 ReAct 循环

智能体的核心在于能调用外部工具。以下示例创建一个可查询实时天气的自定义工具：需要先登录 OpenWeather 官网获取 API-KEY，然后将其写入 .env 中的 OPENWEATHER_API_KEY 变量中。

import requests, os, json
from langchain.tools import tool

def get_weather(loc):
    """
    查询即时天气函数
    :param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，
    注意，中国的城市需要用对应城市的英文名称代替，例如如果需要查询北京市天气，则loc参数需要输入'Beijing'；
    :return：OpenWeather API查询即时天气的结果，具体URL请求地址为：https://api.openweathermap.org/data/2.5/weather
    返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息
    """
    # Step 1.构建请求
    url = "https://api.openweathermap.org/data/2.5/weather"
    # Step 2.设置查询参数
    params = {
        "q": loc,               
        "appid": os.getenv("OPENWEATHER_API_KEY"),    # 输入API key
        "units": "metric",            # 使用摄氏度而不是华氏度
        "lang":"zh_cn"                # 输出语言为简体中文
    }
    # Step 3.发送GET请求
    response = requests.get(url, params=params)
    # Step 4.解析响应
    data = response.json()
    return json.dumps(data)

带入到 create_agent() 中，创建一个简易的天气查询 Agent：

# 1.导入相关库
from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek

# 2.导入模型
model = ChatDeepSeek(model="deepseek-chat")

# 3.创建Agent
agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

# 4.运行Agent获得结果
result = agent.invoke(
    {"messages": [{"role": "user", "content": "请问北京今天天气如何？"}]}
)

result['messages'][-1].content

对于 create_agent() API 来说，其工具调用的核心逻辑就是 ReAct 循环工具调用：在简短的推理步骤和有针对性的工具调用之间交替，将得到的观察结果反馈到后续决策中，直到给出最终答案。并且具备如下特性：

• 按顺序调用多个工具（由单个提示触发）
• 适当时并行调用工具
• 根据先前结果进行动态工具选择
• 工具重试逻辑和错误处理
• 跨工具调用的状态持久性

并发调用示例

并发调用天气查询工具，分别查询杭州和南昌的天气：

result = agent.invoke(
    {"messages": [{"role": "user", "content": "请问今天杭州和南昌哪里更冷？"}]}
)

按顺序多步调用示例

先查询天气，然后写入到本地文件：

import os
from datetime import datetime

@tool
def write_file(content: str) -> str:
    """
    将指定内容写入本地文件。
    :param content: 必要参数，字符串类型，用于表示需要写入文档的具体内容。
    :return: 写入结果提示信息。
    """
    try:
        # ✅ 始终先定义文件名（防止未绑定变量）
        timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
        filename = f"output_{timestamp}.txt"

        # 写入文件
        with open(filename, "w", encoding="utf-8") as f:
            f.write(content)

        abs_path = os.path.abspath(filename)
        return f"✅ 已成功写入本地文件：{abs_path}"

    except Exception as e:
        return f"❌ 文件写入失败：{str(e)}"

agent = create_agent(
    model=model,
    tools=[get_weather, write_file],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "请帮我查询天津、石家庄、上海等地天气，并写入本地文件。"}]}
)
result['messages'][-1].content

如果出现调用工具报错，一般会尝试 2-3 次之后停止尝试。此外，关于调用工具报错信息的输出格式、以及控制报错响应流程，都可以使用中间件来完成。

create_agent 记忆管理

在实际进行 Agent 开发时，智能体记忆管理至关重要。

from langgraph.checkpoint.memory import InMemorySa ver
checkpointer = InMemorySa ver()
tools = [get_weather]

agent = create_agent(model=model, 
                     tools=tools,
                     checkpointer=checkpointer)

config = {
    "configurable": {
        "thread_id": "1"  
    }
}

response = agent.invoke(
    {"messages": [{"role": "user", "content": "你好，我叫陈明，好久不见！"}]},
    config
)

response['messages'][-1].content

此时记忆就自动保存在当前 Agent 和线程中。当我们再次进行对话时，直接带入线程 ID，即可带入此前对话记忆：

response = agent.invoke(
    {"messages": [{"role": "user", "content": "你好，请问你还记得我叫什么名字么？"}]},
    config
)
response['messages'][-1].content

而如果更新线程 ID，则会重新开启对话：

config2 = {
    "configurable": {
        "thread_id": "2"  
    }
}

总结

LangChain 1.0 的 Agent 框架代表了 AI 编程方式的重大演进：

• 从“模型调用” → “智能运行体”；
• 从“函数封装” → “状态图驱动”；
• 从“单轮调用” → “多步决策与工具调度”。

其底层的 LangGraph 架构与中间件机制，使得 Agent 真正具备了可扩展、可部署、可观测的能力，成为通往

的关键桥梁。