Harness 与 Agent 工程 · Agent架构与协作 · 2025-11-06

LangChain v1.0正式版发布,5分钟快速上手实战

LangChain v1.0重磅升级,三大核心改进让Agent开发效率提升40%,系统稳定性提高65%!

核心内容:

  1. create_agent接口:一行代码构建生产级智能体,告别200行模板代码
  2. content_blocks标准化:解决不同LLM返回格式差异问题
  3. 命名空间简化:大幅降低模型切换成本,支持主流AI模型统一调用

LangChain v1.0:从玩具框架到生产级Agent的蜕变

2025年9月,LangChain正式发布v1.0版本,标志着这个曾经被开发者戏称为"玩具框架"的工具包,终于完成了向生产级解决方案的关键一跃。作为深耕LangChain生态两年的开发者,我见证了从v0.1到v1.0的艰难蜕变。这次更新绝非简单的版本迭代——通过create_agent新接口、content_blocks标准化内容处理和命名空间简化三大核心改进,LangChain第一次真正解决了企业级Agent开发的痛点:开发效率提升40%、系统稳定性提高65%、模型切换成本降低80%。

版本解析:三大核心改进重构Agent开发范式

create_agent:一行代码构建生产级智能体

告别200行模板代码——这是create_agent接口给开发者最直观的感受。在v1.0之前,构建一个基础的ReAct Agent需要导入langgraph.prebuilt.create_react_agent,手动配置提示词模板,处理工具调用格式,至少编写50行以上的样板代码。而现在,一切都变得无比简单:

from langchain.agents import create_agentfrom 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"])

这个看似简单的接口背后,是LangChain团队对Agent执行流程的深度重构。create_agent默认基于LangGraph引擎实现,自动处理了工具调用解析、多轮对话记忆和异常重试逻辑。更重要的是,它原生支持OpenAI定义的Function Calling格式,使得模型切换变得前所未有的轻松——无论是Anthropic Claude、Google Gemini还是国内的通义千问,都能通过统一接口调用。

content_blocks:跨模型统一内容处理的终极方案

如果你曾为不同LLM返回格式的差异而头疼,content_blocks将是你的救星。这个新引入的属性提供了跨模型提供商的统一内容访问接口,无论你使用的是OpenAI、Anthropic还是Google的模型,都能以相同方式处理文本、工具调用和推理过程。

from langchain_anthropic import ChatAnthropicmodel = 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']})")

这项改进彻底解决了长期困扰开发者的模型碎片化问题。以前,处理GPT的function_call需要解析function_call字段,而Claude的工具调用则藏在XML标签中,代码中充斥着大量条件判断。现在,通过content_blocks,你可以用一套代码处理所有模型输出,模型切换成本从数天降至小时级。

简化命名空间:甩掉历史包袱的轻装上阵

LangChain v1.0对命名空间进行了大刀阔斧的精简,将核心功能聚焦于Agent开发所需的基础组件,而将 legacy 功能迁移至langchain-classic包。这意味着import langchain时,你只会看到最核心的模块:

## 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

这种精简带来了三个显著好处:一是减少认知负担,新开发者不再需要面对数十个模块的选择困难;二是降低安装体积,核心包大小减少60%;三是提升运行效率,避免了不必要的依赖加载。对于需要升级的项目,官方提供了平滑迁移路径,只需将旧代码中from langchain.legacy_xxx的导入替换为from langchain_classic.xxx即可。

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,推荐使用3.11以获得最佳性能。以下是完整的环境搭建步骤:

## 创建虚拟环境python -m venv langchain-envsource langchain-env/bin/activate # Linux/Mac# 或在Windows上执行: langchain-env\Scripts\activate# 安装核心依赖pip install -U langchain-core langchain-openai python-dotenv

如果你需要使用国内模型(如通义千问、文心一言),还需安装相应的集成包:

## 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

让我们通过一个完整的天气查询Agent示例,展示LangChain v1.0的基础用法。这个Agent将具备工具调用、结构化输出和错误处理能力。

首先,创建.env文件存储API密钥:

OPENAI_API_KEY=sk-xxx # 替换为你的API密钥

然后创建weather_agent.py:

import osfrom dotenv import load_dotenvfrom pydantic import BaseModelfrom langchain.agents import create_agentfrom langchain_openai import ChatOpenAIfrom langchain.agents.structured_output import ToolStrategyfrom 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@tooldef 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.adv…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/langchain/2025110607264.html