LangChain和LangGraph发布1.0稳定版，已在Uber等企业生产环境验证。LangChain提供高级接口和标准工具调用架构，帮助开发者快速构建AI应用；LangGraph则提供更低抽象级别，支持高度定制和可控的代理。LangChain 1.0新增create_agent接口、中间件、结构化输出和标准化内容块；LangGraph 1.0具备持久化状态、内置持久化和人机控制能力。开发者可根据需求选择框架，LangChain Agent基于LangGraph构建，可无缝迁移。

---

 在过去三年中，社区用户不断反馈：LangChain “抽象过重”“结构臃肿”，开发者希望在不放弃原始 LLM 调用的情况下更好地控制代理循环。LangChain 1.0 与 LangGraph 1.0 的发布，标志着首个稳定版本的发布，并且已经在 Uber、LinkedIn、Klarna等企业的生产环境验证过，其目标是把“智能体”从 Jupyter 笔记本搬进 CI/CD，从“脚本”升级为“系统”。

  这两个框架的应用场景有所不同：

• LangChain 是构建 AI 应用程序的流行框架——具有标准工具调用架构、与提供商无关的设计和用于定制的中间件。

• LangGraph 是一个抽象程度较低级别的框架，适用于高度定制和可控的代理，旨在支持生产级、长期运行的代理。

官方承诺1.0是稳定版本，2.0不会有重大调整，并且官方文档已经上线docs.langchain.com

一、LangChain 1.0

 LangChain 始终提供用于与 LLM 交互和构建代理的高级接口。凭借标准化的模型抽象和预构建的代理模式，它可以帮助开发者快速交付 AI 功能，并构建复杂的应用程序，而无需受供应商锁定。在特定任务的最佳模型经常变化的领域，这一点至关重要。

对于 LangChain 1.0，主要有以下几件事需要特别关注：

1.1 create_agent

全新create_agent接口：默认运行在 LangGraph 引擎之上。

一句话创建生产级代理**

from langchain import create_agent
agent = create_agent(
model="gpt-4o",
tools=[search, sql, send_email],
prompt="你是客户支持助理，请友好且准确地回答。”
)

过去要写 100+ 行的 AgentExecutor、记忆、回调，现在一行搞定。

1.2 中间件

 中间件定义了一组钩子，允许您自定义代理循环中的行为，从而实现代理采取的每个步骤的细粒度控制。

 LangChain为常见用例提供了一些内置中间件：

• 人机交互：暂停代理执行，让用户在工具调用执行前批准、编辑或拒绝。这对于与外部系统交互、发送通信或进行敏感交易的代理至关重要。

• 上下文汇总：当消息历史记录接近上下文限制时，对其进行精简，保留最新消息，同时汇总旧上下文。这可以防止令牌溢出错误，并保持长时间运行的代理会话的高性能。

• 脱敏：在内容传递到模型之前，使用模式匹配识别并遮盖电子邮件地址、电话号码和社会保障号等敏感信息。这有助于确保符合隐私法规，并防止用户数据意外泄露。

  LangChain 还支持自定义中间件 ，这些中间件可以连接到代理循环中的多个点。下图展示了这些钩子：

1.3 结构化输出

  LangChain还改进了代理循环中的结构化输出生成功能，将其合并到主模型<–>工具循环中。这消除了过去在主循环之外进行的额外 LLM 调用，从而降低了延迟和成本。

 开发人员现在可以通过工具调用或提供商原生的结构化输出来细粒度地控制结构化输出的生成方式。

from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy
from pydantic import BaseModel
class WeatherReport(BaseModel):
temperature: float
condition: str
agent = create_agent(
"openai:gpt-4o-mini",
tools=[weather_tool],
response_format=ToolStrategy(WeatherReport),
prompt="Help the user by fetching the weather in their city.",
)

1.4 标准化content_blocks

 LangChain 支持的数百个大模型提供商（OpenAI、Anthropic 等）在 1.0 版本中基本保持不变，这些抽象接口位于 langchain-core 中。LangChain将在 1.0 版本中引入一个关键的新增功能： 标准化内容块 。

 LangChain允许开发者在单个应用程序中使用多个提供商。如果没有标准的内容块，切换模型或提供商通常会破坏数据流、UI 和前端以及内存存储。消息中新增的 .content\_blocks 属性提供了以下功能：

• 所有 LLM 输出（文本、工具调用、引用、推理轨迹）统一为 .content_blocks 结构，跨模型、跨供应商保持一致。
• 同时，结构化输出（如 JSON Schema）直接集成进主循环，无需额外 LLM 调用，显著降低延迟与成本。

1.5 包结构简化

 LangChain 1.0 将软件包范围精简至基本抽象。为了向后兼容，旧版功能已迁移至 langchain-classic 。

主要变化：

• 在 LangChain 中引入了 create_agent ，而在 langgraph.prebuilt 中已弃用 create_react_agent；
• 由于 2025 年 10 月 EOL 即将到来，Python 3.9 不支持，v1.0 需要 Python 3.10+；
• 旧功能已迁移至 langchain-classic

1.5.1 安装

# Python
uv pip install --upgrade langchain
uv pip install langchain-classic
# JavaScript
npm install @langchain/langchain@latest
npm install @langchain/langchain-classic

1.5.2 迁移

Python迁移地址：https://docs.langchain.com/oss/python/migrate/langchain-v1?ref=blog.langchain.com&ajs_aid=da1f6d65-5519-4184-a63c-79665b45baad&_gl=1*zmrjbb*_gcl_au*MTM1MjY2ODc1Ni4xNzYxNzA1NTUx*_ga*MjExNzc0ODg0NS4xNzYxNzA1NTUx*_ga_47WX3HKKY2*czE3NjE3MTg1MjIkbzIkZzAkdDE3NjE3MTg2MzQkajYwJGwwJGgw

JavaScript迁移地址：https://docs.langchain.com/oss/javascript/migrate/langchain-v1?ref=blog.langchain.com&ajs_aid=da1f6d65-5519-4184-a63c-79665b45baad&_gl=1*zmrjbb*_gcl_au*MTM1MjY2ODc1Ni4xNzYxNzA1NTUx*_ga*MjExNzc0ODg0NS4xNzYxNzA1NTUx*_ga_47WX3HKKY2*czE3NjE3MTg1MjIkbzIkZzAkdDE3NjE3MTg2MzQkajYwJGwwJGgw

二、LangGraph 1.0

 AI Agent正在从原型转向生产，但持久性、可观察性和人机控制等核心功能仍未得到充分满足。

 LangGraph 1.0 核心三大能力：

• 持久化状态（Durable State）

• 智能体可中断后恢复，任务不丢失

• 适用于长周期任务（如客服流程、审批流）

• 内置持久化（Persistence）

• 无需额外数据库，自动保存上下文与执行状态
• 支持检查点（Checkpoints）

• 机制原生 Human-in-the-loop

• 在关键节点暂停执行，等待人工审核或修改

• 支持“审批-继续”、“编辑-重试”等交互模式

  要深入了解LangGraph的设计理念，请查看关于从第一原则构建 LangGraph 的博客文章(https://blog.langchain.com/building-langgraph/) 。

2.1 重大变更与迁移

 唯一值得注意的变化是弃用 langgraph.prebuilt 模块，并将增强功能移至 langchain.agents 。LangGraph 1.0 保持完全向后兼容性。

2.2 安装

# Python
uv pip install --upgrade langgraph
# JavaScript
npm install @langchain/langgraph@latest

三、如何选择这两个框架？

 LangChain 允许用户使用常见模式的高级抽象快速构建和交付Agent，而 LangGraph 为用户提供自定义复杂工作流程的细粒度控制。

 LangChain Agent基于 LangGraph 构建，因此，用户可以从 LangChain 的高级 API 入手，并在需要更多控制时无缝迁移到 LangGraph。

2025年伊始，AI技术浪潮汹涌，正在深刻重塑程序员的职业轨迹：

阿里云宣布核心业务全线接入Agent架构；

字节跳动后端岗位中，30%明确要求具备大模型开发能力；

腾讯、京东、百度等技术岗位开放招聘，约80%与AI紧密相关；

……

大模型正推动技术开发模式全面升级，传统的CRUD开发方式，逐渐被AI原生应用所替代！

眼下，已有超60%的企业加速推进AI应用落地，然而市场上能真正交付项目的大模型应用开发工程师，却极为短缺！实现AI应用落地，远不止写几个提示词、调用几个接口那么简单。企业真正需要的，是能将业务需求转化为实际AI应用的工程师！这些核心能力不可或缺：

✅RAG（检索增强生成）：为模型注入外部知识库，从根本上提升答案的准确性与可靠性，打造可靠、可信的“AI大脑”。
✅Agent（智能体）： 赋能AI自主规划与执行，通过工具调用与环境交互，完成多步推理，胜任智能客服等复杂任务。
✅微调：如同对通用模型进行“专业岗前培训”，让它成为你特定业务领域的专家。

---

随着AI技术飞速发展，大模型的应用已从理论走向大规模落地，渗透到社会经济的方方面面。

• 技术能力上：其强大的数据处理与模式识别能力，正在重塑自然语言处理、计算机视觉等领域。
• 行业应用上：开源人工智能大模型已走出实验室，广泛落地于医疗、金融、制造等众多行业。尤其在金融、企业服务、制造和法律领域，应用占比已超过30%，正在创造实实在在的价值。

未来大模型行业竞争格局以及市场规模分析预测:

掌握AI能力的程序员，其薪资水位已与传统开发拉开显著差距。当大厂开始优化传统岗位时，却为AI大模型人才开出百万年薪——而这，在当下仍是一将难求。

技术的稀缺性，才是你「值钱」的关键！

AI浪潮，正在重构程序员的核心竞争力！不要等“有AI项目开发经验”，成为面试门槛的时候再入场，错过最佳时机！

---

那么，我们如何学习AI大模型呢？

在一线互联网企业工作十余年里，我指导过不少同行后辈，经常会收到一些问题，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题，也不是三言两语啊就能讲明白的。

所以呢，我专为各位开发者设计了一套全网最全最细的大模型零基础教程，从基础到应用开发实战训练，旨在将你打造成一名兼具深度技术与商业视野的AI大佬，而非仅仅是“调参侠”。

同时，这份精心整理的AI大模型学习资料，我整理好了，免费分享！只希望它能用在正道上，帮助真正想提升自己的朋友。让我们一起用技术做点酷事！

ps:微信扫描即可获取
加上后我将逐一发送资料
与志同道合者共勉
真诚无偿分享！！！

---

※大模型全套学习资料展示

通过与MoPaaS魔泊云的强强联合，我们的课程实现了质的飞跃。我们持续优化课程架构，并新增了多项贴合产业需求的前沿技术实践，确保你能获得更系统、更实战、更落地的大模型工程化能力，从容应对真实业务挑战。
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技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

Part 1 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。希望这份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

👇微信扫描下方二维码即可~

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

Part2 全套AI大模型应用开发视频教程

包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点。剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！

01 大模型微调

• 掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。
• 学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。

02 RAG应用开发

• 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。

• 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。

03 AI Agent智能体搭建

• 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
• 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。

Part3 大模型学习书籍&文档

新手必备的权威大模型学习PDF书单来了！全是一系列由领域内的顶尖专家撰写的大模型技术的书籍和学习文档（电子版），从基础理论到实战应用，硬核到不行！
※（真免费，真有用，错过这次拍大腿！）

Part4 AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

Part5 大模型项目实战&配套源码

学以致用，热门项目拆解，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

学完项目经验直接写进简历里，面试不怕被问！👇

Part6 AI产品经理+大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

最后，如果你正面临以下挑战与期待：

• 渴望转行进入AI领域，顺利拿下高薪offer；
• 即将参与核心项目，急需补充AI知识补齐短板；
• 拒绝“35岁危机”，远离降薪裁员风险；
• 持续迭代技术栈，拥抱AI时代变革，创建职业壁垒；
• ……

那么这份全套学习资料是一次为你量身定制的职业破局方案！

ps:微信扫描即可获取
加上后我将逐一发送资料
与志同道合者共勉
真诚无偿分享！！！
与其焦虑……
不如成为「掌握AI大模型的技术人」！
毕竟AI时代，谁先尝试，谁就能占得先机！

最后，祝大家学习顺利，抓住机遇，共创美好未来！