一、LangChain与LangGraph的定位与演进：1.0时代全新启航

LangChain 与 LangGraph 作为当前性能最强、使用最广泛的 AI Agent 框架，一直以来也因其频繁的版本迭代受到关注。每次升级往往伴随着大量 API 重构与依赖复杂化，给开发者带来不少适配困扰。随着社区的持续反馈与版本的不断优化，2025年10月23日，LangChain 团队正式发布了 LangChain 1.0 与 LangGraph 1.0，标志着这两个框架进入首个正式稳定版本。同时上线的还有全新设计的官方文档站点(https://docs.langchain.com/oss/python/langchain/overview)，以更通俗易懂的示例帮助开发者理解框架使用方法。

很多读者在问：在 1.0 时代，到底该学习 LangChain 还是 LangGraph？笔者的建议是：两者都要掌握。因为 LangChain 1.0 与旧版已有本质不同。如今，仅需一个 create_agent API 即可覆盖大多数场景。更重要的是，LangChain 1.0 已不再作为 LangGraph 的基座，反而其智能体构建于 LangGraph 之上，从而原生支持持久化执行、实时流式响应、人工介入机制与状态持久存储等高级功能。

可以这样理解： create_react_agent 这类预构建图 API 的高级封装，而以往复杂的 LCEL 语法则被整合进 LangGraph 底层，作为其核心支持。因此，在 1.0 时代，官方建议如下框架选型策略：

• 如需快速构建智能体与自主应用程序，推荐使用 LangChain；
• 若需结合确定性流程与智能工作流、实现深度定制、精确控制响应延迟，则应使用底层编排框架 LangGraph。

新版本LangChain的安装方式也非常简单，只需在 Python 环境中执行以下命令即可：

pip install -U langchain

二、LangChain1.0三大核心升级

LangChain1.0是一个专注于智能体构建、可直接用于生产环境的基础框架。为提升开发体验，LangChain官方围绕以下三大核心方向对框架进行了重构与精简：

create_agent
作为新一代智能体构建标准，取代原有的 langgraph.prebuilt.create_react_agent。

标准化内容块
引入 content_blocks 属性，统一不同服务商现代大语言模型功能的访问接口。

包结构精简
优化依赖包命名，聚焦智能体核心构建模块，旧版功能迁移至 langchain-classic。

接下来笔者就带大家逐一解析这些升级内容的关键知识点：

2.1 create_agent

2.1.1 基本使用

create_agent 是 LangChain 1.0 中构建智能体的标准方式。langgraph.prebuilt.create_react_agent类似，但它提供了更简洁的接口，同时通过中间件机制实现了更强的定制能力(中间件机制我们接下来会讲解)。

在底层实现上，create_agent 基于代理循环模式(ReACT)构建图——通过传递给大模型提示词和可执行工具列表，让大模型自行选择工具并自主决定调用工具的方式（串行、并行等），并在获取足够信息后由大模型自行结束流程。

from langchain.agents import create_agent
agent = create_agent(
model="claude-sonnet-4-5-20250929",
tools=[search_web, analyze_data, send_email],
system_prompt="You are a helpful research assistant."
)
result = agent.invoke({
"messages": [
{"role": "user", "content": "Research AI safety trends"}
]
})

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇
​​

2.1.2 中间件机制

中间件机制是create_agent api的核心特性，智能体在执行过程中会经历多个关键时机，LangChain 在这些节点为开发者提供了高度定制的入口，可用于实现动态提示词控制、对话历史摘要、选择性工具调用、状态管理及安全护栏等功能，大幅提升了智能体的功能上限。

钩子函数	触发时机	应用场景
before_agent	在调用代理之前	加载记忆数据、验证输入
before_model	在每次大模型调用之前	更新提示词、精简消息历史
wrap_model_call	围绕每次大模型调用（可拦截）	拦截并修改请求/响应
wrap_tool_call	围绕每次工具调用（可拦截）	拦截并修改工具执行过程
after_model	在每次大模型返回响应之后	验证输出内容、应用安全护栏
after_agent	在代理完成运行之后	保存结果、执行清理操作

预置中间件
LangChain为常见场景提供了以下预置中间件：

• PIIMiddleware:在发送至模型前自动屏蔽敏感信息
• SummarizationMiddleware:当对话历史过长时自动进行内容浓缩
• HumanInTheLoopMiddleware:敏感工具调用需经人工审批

示例代码如下：

from langchain.agents import create_agent
from langchain.agents.middleware import (
PIIMiddleware,
SummarizationMiddleware,
HumanInTheLoopMiddleware
)
agent = create_agent(
model="claude-sonnet-4-5-20250929",
tools=[read_email, send_email],
middleware=[
PIIMiddleware("email", strategy="redact", apply_to_input=True),
PIIMiddleware(
"phone_number",
detector=(
r"(?:\+?\d{1,3}[\s.-]?)?"
r"(?:\(?\d{2,4}\)?[\s.-]?)?"
r"\d{3,4}[\s.-]?\d{4}"
),
strategy="block"
),
SummarizationMiddleware(
model="claude-sonnet-4-5-20250929",
max_tokens_before_summary=500
),
HumanInTheLoopMiddleware(
interrupt_on={
"send_email": {
"allowed_decisions": ["approve", "edit", "reject"]
}
}
),
]
)

自定义中间件
开发者也可基于智能体执行过程中暴露的钩子函数构建定制化中间件：

from dataclasses import dataclass
from typing import Callable
from langchain_openai import ChatOpenAI
from langchain.agents.middleware import (
AgentMiddleware,
ModelRequest
)
from langchain.agents.middleware.types import ModelResponse
@dataclass
class Context:
user_expertise: str = "beginner"
class ExpertiseBasedToolMiddleware(AgentMiddleware):
def wrap_model_call(
self,
request: ModelRequest,
handler: Callable[[ModelRequest], ModelResponse]
) -> ModelResponse:
user_level = request.runtime.context.user_expertise
if user_level == "expert":
# More powerful model
model = ChatOpenAI(model="gpt-5")
tools = [advanced_search, data_analysis]
else:
# Less powerful model
model = ChatOpenAI(model="gpt-5-nano")
tools = [simple_search, basic_calculator]
request.model = model
request.tools = tools
return handler(request)
agent = create_agent(
model="claude-sonnet-4-5-20250929",
tools=[
simple_search,
advanced_search,
basic_calculator,
data_analysis
],
middleware=[ExpertiseBasedToolMiddleware()],
context_schema=Context
)

2.1.3 结构化输出

旧版本的LangChain包含了包括BooleanOutputParser,DatetimeOutputParser, StructureOutputParser等多个结构化解析器的使用，使用流程较为复杂。在LangChain1.0中，create_agent 在结构化输出生成方面实现了显著优化：

1. 主循环集成和成本优化

   结构化输出现已在主循环中直接生成，无需额外的大模型调用，有效降低运算成本。

2. 灵活的输出策略

   模型可根据需求选择调用工具或根据自定义数据结构直接生成结构化输出。

简单来说开发者只需要使用pydantic定义数据模型，并配合相应的结构化输出策略即可快速实现指定格式输出的功能。示例代码如下：

from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy
from pydantic import BaseModel
class Weather(BaseModel):
temperature: float
condition: str
def weather_tool(city: str) -> str:
"""Get the weather for a city."""
return f"it's sunny and 70 degrees in {city}"
agent = create_agent(
"gpt-4o-mini",
tools=[weather_tool],
response_format=ToolStrategy(Weather)
)
result = agent.invoke({
"messages": [{"role": "user", "content": "What's the weather in SF?"}]
})
print(repr(result["structured_response"]))
# 返回的结果是 `Weather(temperature=70.0, condition='sunny')`

2.2 标准化内容块

标准化内容块是 LangChain 的核心设计之一，旨在将不同厂商的接口统一为标准化表示，使开发者能够跨提供商访问推理过程、引用标注、内置工具（如网络搜索、代码解释器等）功能，无需关注底层差异。 例如在消息输出层面，不同模型对思考过程的标记方式各不相同（如 think 或 reason 标签）。以往需要通过 langchain-anthropic、langchain-openai 等适配器分别处理，而现在 LangChain 1.0 的 content_blocks 功能将模型推理消息统一标识为 type=="reasoning"，便于用户访问。示例代码如下:

from langchain_anthropic import ChatAnthropic
model = ChatAnthropic(model="claude-sonnet-4-5-20250929")
response = model.invoke("What's the capital of France?")
# Unified access to content blocks
for block in response.content_blocks:
if block["type"] == "reasoning":
print(f"Model reasoning: {block['reasoning']}")
elif block["type"] == "text":
print(f"Response: {block['text']}")
elif block["type"] == "tool_call":
print(f"Tool call: {block['name']}({block['args']})")

输入层面也实现了标准化。以往向多模态大模型传递图片消息时，不同厂商的输入格式各异：

• OpenAI

  {"type": "image_url", "image_url": {...}}

• Anthropic

  {"type": "image", "source": {...}}

• Google

  {"type": "inline_data", "inline_data": {...}}

现在通过 content_blocks，开发者可统一使用 type:image 传递消息，示例如下：

from langchain_core.messages import HumanMessage
online_image_url = "https://dashscope.oss-cn-beijing.aliyuncs.com/images/dog_and_girl.jpeg"
message = HumanMessage(
content=[
{
"type": "text",
"text": "请分析这张在线图片"
},
{
"type": "image",
"image_url": {"url": online_image_url}
}
]
)
agent = create_agent(
"gpt-4o-mini",
tools=[weather_tool],
response_format=ToolStrategy(Weather)
)
response = model.invoke([message])
print("模型回复：", response.content)

2.3 包结构全面精简

LangChain/LangGraph让开发者最头疼的一点绝对是的依赖包关系，根本记不住呀！LangChain 1.0 对 langchain 包的命名空间进行了大幅精简，聚焦于智能体开发的核心构建模块，形成了清晰实用的功能体系：

模块	核心内容	说明
langchain.agents	create_agent , AgentState	智能体创建核心功能
langchain.messages	消息类型、内容块、trim_messages	重新导出自 @langchain-core
langchain.tools	@tool , BaseTool, 注入工具类	重新导出自 @langchain-core
langchain.chat_models	init_chat_model , BaseChatModel	统一模型初始化接口
langchain.embeddings	Embeddings , init_embeddings	嵌入模型管理

这么看是不是顺眼多了，这些依赖大多从 langchain-core 重新导出，为开发者提供了专注而统一的智能体开发接口，示例代码如下：

# 智能体构建
from langchain.agents import create_agent
# 消息与内容处理
from langchain.messages import AIMessage, HumanMessage
# 工具功能
from langchain.tools import tool
# 模型初始化
from langchain.chat_models import init_chat_model
from langchain.embeddings import init_embeddings

当然为保证向后兼容，langchain也将旧版功能整体迁移至 langchain-classic 模块。同时也为大家提供了完整的迁移指南(https://docs.langchain.com/oss/python/migrate/langchain-v1)， 大家想要将旧项目迁移到最新1.0版本LangChain的赶紧依照迁移指南行动起来吧~

以上就是笔者今天要分享的全部内容~

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​