当大语言模型(LLM)的应用从原型验证走向规模化落地,开发人员面临的核心痛点已从“能否实现”转变为“如何可靠实现”。2025年10月23日,LangChain正式发布1.0版本,这一里程碑式的更新不仅终结了此前版本中Agent架构碎片化的局面,更以“生产就绪”为核心定位,重新定义了智能Agent开发框架的技术标准。
官方文档
https://docs.langchain.com/oss/python/langchain/overview
安装
pip:
pip install -U langchain# Requires Python 3.10+
Uv:
uv add langchain# Requires Python 3.10+
主要内容
create_agent - 构建智能体简化
只需不到10行代码,你就可以连接到OpenAI、Anthropic、谷歌以及更多平台。
旧版本的问题
在 LangChain 1.0 之前,构建一个智能体需要编写大量模板代码:
## 旧版本简单示例from langgraph.prebuilt import create_react_agentfrom langchain_openai import ChatOpenAIfrom langchain.tools import Tool# 定义工具def get_weather(city): return f"{city}天气晴朗"tools = [Tool(name="get_weather", func=get_weather, description="获取天气")]# 配置提示词system_prompt = """你是一个天气查询助手,使用工具获取实时天气..."""# 创建 Agentagent = create_react_agent( model=ChatOpenAI(model="gpt-4"), tools=tools, state_modifier=system_prompt)# 运行result = agent.invoke({"messages": [("user", "北京天气怎么样?")]})
新版本的简化
## LangChain 1.0from 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"])
核心改进
- 自动化:自动处理工具调用、异常重试
- 简化工具:工具定义更简单,直接使用普通函数
- 统一接口:支持所有主流 LLM 模型,切换模型无需修改代码
content_blocks - 统一所有模型的输出格式
问题的根源
不同的 AI 模型返回结果的格式各不相同:
- OpenAI:返回 function_call 字段
- Anthropic Claude:使用 XML 标签包裹工具调用
……
这导致代码中充满了复杂的条件判断:
## 旧版本:处理不同模型的输出def handle_response(response, model_type): if model_type == "openai": if response.function_call: return handle_function_call(response.function_call) else: return response.content elif model_type == "anthropic": # 解析XML标签 if"<tool_call>"in response.content: return parse_xml_tool_call(response.content) else: return response.content # 其他模型的处理...
不同模型对思考过程的标记也不同,(如 think 或 reason 标签),LangChain 1.0统一模型推理消息为type=="reasoning"
解决方案:content_blocks
## LangChain 1.0:统一处理所有模型输出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['reasoning']}") 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']})")
不同的厂商会自己设计针对多模态大模型的图片输入,如下示例:
使用content_blocks之后:
message = HumanMessage( content=[ { "type": "text", "text": "根据这张图片写一下页面" }, { "type": "image", "image_url": {"url": '图片链接'} } ])
通过type:image来统一处理
核心价值
- 标准接口:一套代码处理所有模型输出
- 成本节约:模型切换成本大幅度降低
- 开发效率:避免重复的格式解析代码
简化命名空间 - 甩掉历史包袱
旧版本的混乱
## 旧版本:复杂的导入路径from langchain.chains import LLMChainfrom langchain.agents import AgentExecutorfrom langchain.llms import OpenAIfrom langchain.chat_models import ChatOpenAIfrom langchain.tools import BaseToolfrom langchain.utilities import SerpAPIWrapper
新版本的清晰
| 模块 | 核心内容 |
|---|---|
langchain.agents |
create_agent, AgentState |
langchain.messages |
消息类型、内容块、trim_messages |
langchain.tools |
@tool, BaseTool, 注入工具类 |
langchain.chat_models |
init_chat_model, BaseChatModel |
langchain.embeddings |
Embeddings, init_embeddings |
下面以新版的init_chat_model为例子:
"""新版LangChain 1.0基础聊天展示简化的初始化和消息处理方式"""from langchain.chat_models import init_chat_modelfrom langchain.messages import HumanMessage, AIMessage, SystemMessagefrom config impor…— 以上为试看内容(约 40%),开通会员后阅读全文 —