LangChain 自推出以來迅速成為開發(fā)者構(gòu)建 LLM 驅(qū)動(dòng)應(yīng)用的重要框架之一，支持多種鏈（chains）、代理（agents）、工具調(diào)用、向量檢索、模型接口等功能。其生態(tài)不斷壯大，但也因模式多樣、抽象紛繁導(dǎo)致開發(fā)者面對(duì)不同 “agent 模式” 時(shí)感到困惑。為提升一致性、可維護(hù)性與企業(yè)級(jí)穩(wěn)定性，LangChain 在 2025 年 9 月推出了 v1.0.0 Alpha，與 LangGraph 一起邁入 1.x 版本演進(jìn)。

為什么要推出 v1.0？

• 企業(yè)信心：1.0 版本象征著更加穩(wěn)定、信賴，降低企業(yè)采用風(fēng)險(xiǎn)。
• 抽象收斂：過去存在多種 agent 模式（ReAct、Plan-and-Solve、React-Retry 等），v1.0 把主流用例統(tǒng)一遷移到一個(gè)成型的 agent 抽象上，復(fù)雜或非常規(guī)場景則推薦使用更底層、靈活的 LangGraph。
• 標(biāo)準(zhǔn)輸出格式：不同 LLM 提供商返回結(jié)構(gòu)迥異，新增??content_blocks?? 屬性，用以統(tǒng)一 reasoning、工具調(diào)用、引用、媒體類型等新 API 特性

核心新特性概覽

統(tǒng)一代理抽象：create_agent

過去要實(shí)現(xiàn)“調(diào)用工具 → 整理結(jié)果 → 輸出結(jié)構(gòu)化 JSON”，要手寫 chain，現(xiàn)在一行搞定：

from langchain.agents import create_agent
from langchain_core.messages import HumanMessage
from pydantic import BaseModel

class WeatherInfo(BaseModel):
    city: str
    temperature_c: float
    condition: str

def fake_weather(city: str) -> str:
    returnf"25,Sunny"if city == "Singapore"else"18,Rainy"

agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=[fake_weather],
    response_format=WeatherInfo
)

res = agent.invoke({"messages": [
    HumanMessage("What's the weather like in Singapore?")
]})

print(res["structured_response"])
# WeatherInfo(city='Singapore', temperature_c=25.0, condition='Sunny')

設(shè)計(jì)解析

• 所有舊版 agent（ReAct, Plan-and-Execute 等）均重構(gòu)為??create_agent?? 的預(yù)設(shè)配置。
• 底層統(tǒng)一使用??LangGraph?? 作為執(zhí)行引擎，暴露標(biāo)準(zhǔn)接口：??invoke(input: dict) -> dict??。
• 輸入輸出結(jié)構(gòu)標(biāo)準(zhǔn)化：

     a.輸入：??{"messages": List[BaseMessage]}??

     b.輸出：??{"messages": List[BaseMessage], "structured_response": Optional[BaseModel]}??

工程價(jià)值

• 降低學(xué)習(xí)成本：開發(fā)者只需掌握一個(gè)接口。
• 提升可測(cè)試性：輸入輸出結(jié)構(gòu)固定，便于 mock 和斷言。
• 支持熱插拔：更換模型或工具集，不影響調(diào)用層。

標(biāo)準(zhǔn)化內(nèi)容模型：content_blocks

所有 ??AIMessage??? 新增 ??.content_blocks: List[ContentBlock]?? 屬性。

類型定義（簡化）

class TextBlock(ContentBlock):
    text: str

class ToolCallBlock(ContentBlock):
    name: str
    args: dict

class CitationBlock(ContentBlock):
    sources: List[Source]

class ImageBlock(ContentBlock):
    mime_type: str
    data: bytes

設(shè)計(jì)解析

• 所有 LLM 輸出（文本、工具調(diào)用、引用、圖像等）均封裝為類型化塊。
• 各提供商差異被抽象層屏蔽：

     a.OpenAI??function_call?? →??ToolCallBlock??

     b.Anthropic??<thinking>?? →??TextBlock?? +??reasoning=True??

     c.Claude XML 工具 →??ToolCallBlock??

• 支持懶加載：如??ImageBlock.data?? 僅在訪問時(shí)解碼。

工程價(jià)值

• 模型切換成本趨近于零。
• 輸出可被程序精確消費(fèi)，無需正則/字符串匹配。
• 為多模態(tài)、流式輸出、結(jié)構(gòu)化引用提供擴(kuò)展基礎(chǔ)。

Runtime：LangGraph 成為默認(rèn)引擎

??create_agent??? 返回的 agent 本質(zhì)是一個(gè)編譯后的 ??LangGraph?? 實(shí)例。

核心能力

• 狀態(tài)持久化：對(duì)話歷史、工具調(diào)用結(jié)果、中間變量存儲(chǔ)于??GraphState??。
• 流程控制：

     a.條件邊（conditional edges）：根據(jù)狀態(tài)決定下一節(jié)點(diǎn)。

     b.循環(huán)控制：自動(dòng)重試、最大步數(shù)限制。

     c.異常恢復(fù)：工具失敗自動(dòng)進(jìn)入 error 節(jié)點(diǎn)。

• 可觀測(cè)性：內(nèi)置 tracing，支持 LangSmith 集成。

示例

自定義重試邏輯:

from langgraph.graph import StateGraph

def tool_node(state):
    try:
        result = tool.invoke(state["input"])
        return {"result": result, "error": None}
    except Exception as e:
        return {"result": None, "error": str(e)}

def should_retry(state):
    if state["error"] and state["retry_count"] < 3:
        return"tool_node"
    else:
        return"end_node"

graph = StateGraph(AgentState)
graph.add_node("tool_node", tool_node)
graph.add_conditional_edges("tool_node", should_retry)

工程價(jià)值

• 企業(yè)級(jí)韌性：自動(dòng)重試、熔斷、降級(jí)。
• 復(fù)雜流程支持：審批流、多階段任務(wù)、人工干預(yù)點(diǎn)。
• 調(diào)試友好：狀態(tài)可序列化、可回放、可單元測(cè)試。

升級(jí)路徑與兼容策略

包結(jié)構(gòu)重構(gòu)

漸進(jìn)式遷移建議

1. 新項(xiàng)目：直接使用??create_agent?? +??content_blocks??。
2. 存量項(xiàng)目：

• 安裝??langchain-legacy?? 保持兼容。
• 逐步替換??initialize_agent(..., AgentType.REACT...)?? →??create_react_agent(...)??（兼容層）。
• 最終遷移至??create_agent(...)??。

3. 注意 Breaking Changes：

• Python ≥ 3.10
• ??BaseMessage.text()?? → .text（屬性）
• 默認(rèn)返回??AIMessage??，非 ??str??

本文轉(zhuǎn)載自????AI 博物院???? 作者：longyunfeigu