不再搞Chain 设计的LangChain 1.0 ,如何结合Milvus打造生产级Agent
**
**
最近,被广大开发者又爱又恨的LangChain ,迎来了重大改版:
专门为agent落地打造的LangChain 1.0版本终于来了!!!
简单来说,其改动主要在于:通过放弃早期的Chain 设计,引入标准化 ReAct 循环(推理→工具调用→观察→判断)和Middleware 机制,简化agent开发流程、统一标准。
那么改版的LangChain 怎么用,如何结合Milvus落地生产,本文将重点解读。
01
LangChain 为何改版?
Chain 设计不适用agent时代
过去,LangChain 0.x 版本的优点是能让开发者快速构建Agent 原型。但同时也存在三个核心问题:
1、僵化的 Chain 设计
预构建的 Chain(如SimpleSequentialChain、LLMChain)在标准场景下很方便,但一旦业务逻辑偏离模板,开发者就会陷入两难——要么被迫接受框架的全部设计,要么放弃框架直接操作原始 LLM 调用。
2、缺少生产级控制
- 上下文溢出:长对话导致 Token 超限,系统崩溃
- 敏感信息泄露:PII 数据(邮箱、身份证)直接发送给第三方模型
- 高风险操作:Agent 在无人工确认的情况下删除数据、发送邮件
这些问题在 Demo 阶段难以暴露,但上线后每一个都可能致命。
3、模型切换的重复工作
OpenAI、Anthropic、国产模型的接口差异(Reasoning 格式、Tool Calling 协议)迫使开发者在每次切换时重写适配代码。
而针对以上问题,LangChain 1.0选择放弃早期的Chain 设计,引入标准化 ReAct 循环(推理→工具调用→观察→判断,create_agent函数 10 行代码就能构建生产级 Agent)和Middleware 机制(注入 PII 检测、人工审批、自动重试),简化agent开发流程、统一模型接入等标准。
02
LangChain 1.0 的核心设计 All-in ReAct Agent
LangChain 团队在分析大量生产环境的 Agent 后发现:绝大多数成功案例都收敛到了 ReAct 模式。
无论是多 Agent 协作的 Supervisor 架构,还是需要深度推理的复杂场景,核心循环都是:
推理 → 工具调用 → 观察结果 → 判断是否完成
既然绝大多数问题都能用 ReAct 解决,为什么不把这个模式做到极致?因此1.0的第一个核心改版就是引入标准化 ReAct 循环。
LangChain 1.0 的分层策略:
- 标准场景:用
create_agent一个函数搞定(标准 ReAct 循环) - 扩展场景:通过 Middleware 机制扩展(PII 检测、人工审批、自动重试)
- 复杂场景:用 LangGraph 精确控制(复杂状态机、多 Agent 编排)
这种渐进式设计让开发者可以从最简单的方案开始,按需增加复杂度。
1. create_agent 函数:简化的 Agent 构建接口
LangChain 1.0 的核心突破在于将 Agent 构建的复杂性压缩到一个函数中。create_agent不再要求开发者手动编排状态管理、错误处理和流式输出 —— 这些生产级能力现在由底层 LangGraph 运行时自动提供。
三个参数,一个运行时:
- 模型(
m``odel):支持字符串标识符或实例化对象 - 工具(
tools):赋予 Agent 执行能力的函数列表 - 系统提示(
system_prompt):定义 Agent 的角色和行为准则
底层自动继承 LangGraph 的持久化状态、中断恢复和流式处理能力,将过去需要数百行代码实现的 Agent 循环浓缩为声明式 API。
from langchain.agents import create_agentagent = create_agent( model="openai:gpt-4o", tools=[get_weather, query_database], system_prompt="你是一个专业的客服助手,帮助用户查询天气和订单信息。")result = agent.invoke({ "messages": [{"role": "user", "content": "上海今天天气怎么样?"}]})在此基础上,通过内置中间件(Middleware)机制,开发者可以在不破坏核心循环的前提下注入人机协作审批、对话摘要压缩、PII 数据脱敏等生产级能力
2. Middleware 机制:可组合的生产级能力层
Middleware 是 LangChain 1.0 从原型到生产的核心桥梁。它在 Agent 执行循环的战略节点暴露钩子函数,让开发者无需重写核心循环即可注入自定义逻辑 —— 这种设计类似于 Web 服务器中间件的对称处理模式。
中间件的执行流程:
Agent 的核心循环遵循“模型→工具→终止”的三步决策模式
以下是几个典型的生产级中间件示例:
(1)PII Detection:敏感信息检测与处理
from langchain.agents import create_agentfrom langchain.agents.middleware import PIIMiddlewareagent = create_agent( model="openai:gpt-4o", tools=[...], middleware=[ # 脱敏邮箱地址 PIIMiddleware("email", strategy="redact", apply_to_input=True), # 掩码信用卡号(显示后4位) PIIMiddleware("credit_card", strategy="mask", apply_to_input=True), # 自定义正则检测API密钥,发现后阻断 PIIMiddleware( "api_key", detector=r"sk-[a-zA-Z0-9]{32}", strategy="block", # 检测到后抛出错误 ), ],)
(2)Summarization:自动管理上下文长度
from langchain.agents import create_agentfrom langchain.agents.middleware import SummarizationMiddlewareagent = create_agent( model="openai:gpt-4o", tools=[...], middleware=[ SummarizationMiddleware( model="openai:gpt-4o-mini", # 使用更便宜的模型总结 max_tokens_before_summary=4000, # 触发阈值 messages_to_keep=20 # 保留最近20条消息不总结 ) ],)
(3)Tool Retry:工具调用失败自动重试
from langchain.agents import create_agentfrom langchain.agents.middleware i…