Harness 与 Agent 工程 · MCP与框架接入 · 2025-11-18

LangChain 1.0 变革

LangChain 1.0重磅发布,彻底重构智能Agent开发框架,让生产级应用开发效率提升10倍!

核心内容:

  1. LangChain 1.0解决旧版本Agent架构碎片化问题
  2. 新版本create_agent函数实现10行代码构建生产级智能体
  3. 支持OpenAI、Anthropic等主流模型平台的快速集成

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

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:

……

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

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 —

原文出处:https://www.53ai.com/news/langchain/2025111858094.html