LangChain v1 迁移指南 - Docs by LangChain

本指南概述了 LangChain v1 与之前版本之间的主要变更。

简化包

在 v1 版本中，langchain 包的命名空间已显著缩减，专注于智能体的基本构建模块。简化的包使得发现和使用核心功能更加容易。

命名空间

模块	可用内容	说明
`langchain.agents`	`create_agent`, `AgentState`	核心智能体创建功能
`langchain.messages`	消息类型, 内容块, `trim_messages`	从 `langchain-core` 重新导出
`langchain.tools`	`@tool`, `BaseTool`, 注入辅助工具	从 `langchain-core` 重新导出
`langchain.chat_models`	`init_chat_model`, `BaseChatModel`	统一的模型初始化
`langchain.embeddings`	`init_embeddings`, `Embeddings`	嵌入模型

`langchain-classic`

如果您之前使用过 langchain 包中的以下任何内容，您需要安装 langchain-classic 并更新您的导入：

旧版链（LLMChain, ConversationChain 等）
检索器（例如 MultiQueryRetriever 或之前 langchain.retrievers 模块中的任何内容）
索引 API
Hub 模块（用于以编程方式管理提示）
嵌入模块（例如 CacheBackedEmbeddings 和社区嵌入）
langchain-community 重新导出的内容
其他已弃用的功能

# 链
from langchain_classic.chains import LLMChain

# 检索器
from langchain_classic.retrievers import ...

# 索引
from langchain_classic.indexes import ...

# Hub
from langchain_classic import hub

安装方式：

pip install langchain-classic

迁移到 `create_agent`

在 v1.0 之前，我们推荐使用 langgraph.prebuilt.create_react_agent 来构建智能体。现在，我们推荐您使用 langchain.agents.create_agent 来构建智能体。下表概述了从 create_react_agent 到 create_agent 的功能变更：

部分	TL;DR - 变更内容
导入路径	包从 `langgraph.prebuilt` 移至 `langchain.agents`
提示	参数重命名为 `system_prompt`，动态提示使用中间件
模型前钩子	被带有 `before_model` 方法的中间件取代
模型后钩子	被带有 `after_model` 方法的中间件取代
自定义状态	仅支持 `TypedDict`，可以通过 `state_schema` 或中间件定义
模型	通过中间件动态选择，不支持预绑定模型
工具	工具错误处理移至带有 `wrap_tool_call` 的中间件
结构化输出	移除了提示输出，使用 `ToolStrategy`/`ProviderStrategy`
流式节点名称	节点名称从 `"agent"` 改为 `"model"`
运行时上下文	通过 `context` 参数进行依赖注入，而非 `config["configurable"]`
命名空间	简化为专注于智能体构建模块，旧版代码移至 `langchain-classic`

导入路径

智能体预构建功能的导入路径已从 langgraph.prebuilt 更改为 langchain.agents。函数名称已从 create_react_agent 更改为 create_agent：

from langgraph.prebuilt import create_react_agent 
from langchain.agents import create_agent 

更多信息，请参阅智能体。

提示

静态提示重命名

prompt 参数已重命名为 system_prompt：

from langchain.agents import create_agent


agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[check_weather],
    system_prompt="You are a helpful assistant"
)

`SystemMessage` 转为字符串

如果在系统提示中使用 SystemMessage 对象，请提取字符串内容：

from langchain.agents import create_agent


agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[check_weather],
    system_prompt="You are a helpful assistant"
)

动态提示

动态提示是一种核心的上下文工程模式——它们根据当前对话状态调整您告诉模型的内容。为此，请使用 @dynamic_prompt 装饰器：

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.agents.middleware import dynamic_prompt, ModelRequest
from langgraph.runtime import Runtime


@dataclass
class Context:  
    user_role: str = "user"

@dynamic_prompt
def dynamic_prompt(request: ModelRequest) -> str:  
    user_role = request.runtime.context.user_role
    base_prompt = "You are a helpful assistant."

    if user_role == "expert":
        prompt = (
            f"{base_prompt} Provide detailed technical responses."
        )
    elif user_role == "beginner":
        prompt = (
            f"{base_prompt} Explain concepts simply and avoid jargon."
        )
    else:
        prompt = base_prompt

    return prompt  

agent = create_agent(
    model="openai:gpt-4o",
    tools=tools,
    middleware=[dynamic_prompt],  
    context_schema=Context
)

# 使用上下文
agent.invoke(
    {"messages": [{"role": "user", "content": "Explain async programming"}]},
    context=Context(user_role="expert")
)

模型前钩子

模型前钩子现在通过带有 before_model 方法的中间件实现。这种新模式更具可扩展性——您可以在调用模型之前定义多个要运行的中间件，在不同的智能体中重用通用模式。常见用例包括：

总结对话历史
修剪消息
输入护栏，如 PII 脱敏

v1 现在内置了摘要中间件作为可选功能：

from langchain.agents import create_agent
from langchain.agents.middleware import SummarizationMiddleware


agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=tools,
    middleware=[
        SummarizationMiddleware(  
            model="anthropic:claude-sonnet-4-5",  
            max_tokens_before_summary=1000
        )  
    ]  
)

模型后钩子

模型后钩子现在通过带有 after_model 方法的中间件实现。这种新模式更具可扩展性——您可以在调用模型之后定义多个要运行的中间件，在不同的智能体中重用通用模式。常见用例包括：

人在回路
输出护栏

v1 内置了一个用于工具调用的人在回路审批中间件：

from langchain.agents import create_agent
from langchain.agents.middleware import HumanInTheLoopMiddleware


agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[read_email, send_email],
    middleware=[HumanInTheLoopMiddleware(
        interrupt_on={
            "send_email": True,
            "description": "Please review this email before sending"
        },
    )]
)

自定义状态

自定义状态使用附加字段扩展了默认的智能体状态。您可以通过两种方式定义自定义状态：

通过 create_agent 上的 state_schema - 适用于在工具中使用的状态
通过中间件 - 适用于由特定中间件钩子管理的状态以及附加到该中间件的工具

通过中间件定义自定义状态优于通过 create_agent 上的 state_schema 定义，因为它允许您将状态扩展概念上限定在相关的中间件和工具范围内。state_schema 在 create_agent 上仍然受支持以保持向后兼容性。

通过 `state_schema` 定义状态

当您的自定义状态需要被工具访问时，使用 state_schema 参数：

from langchain.tools import tool, ToolRuntime
from langchain.agents import create_agent, AgentState  


# 定义扩展 AgentState 的自定义状态
class CustomState(AgentState):
    user_name: str

@tool
def greet(
    runtime: ToolRuntime[CustomState]
) -> str:
    """Use this to greet the user by name."""
    user_name = runtime.state.get("user_name", "Unknown")  
    return f"Hello {user_name}!"

agent = create_agent(  
    model="anthropic:claude-sonnet-4-5",
    tools=[greet],
    state_schema=CustomState  
)

通过中间件定义状态

中间件也可以通过设置 state_schema 属性来定义自定义状态。这有助于将状态扩展概念上限定在相关的中间件和工具范围内。

from langchain.agents.middleware import AgentState, AgentMiddleware
from typing_extensions import NotRequired
from typing import Any

class CustomState(AgentState):
    model_call_count: NotRequired[int]

class CallCounterMiddleware(AgentMiddleware[CustomState]):
    state_schema = CustomState  

    def before_model(self, state: CustomState, runtime) -> dict[str, Any] | None:
        count = state.get("model_call_count", 0)
        if count > 10:
            return {"jump_to": "end"}
        return None

    def after_model(self, state: CustomState, runtime) -> dict[str, Any] | None:
        return {"model_call_count": state.get("model_call_count", 0) + 1}

agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[...],
    middleware=[CallCounterMiddleware()]  
)

有关通过中间件定义自定义状态的更多详细信息，请参阅中间件文档。

状态类型限制

create_agent 仅支持 TypedDict 作为状态模式。不再支持 Pydantic 模型和数据类。

from langchain.agents import AgentState, create_agent

# AgentState 是一个 TypedDict
class CustomAgentState(AgentState):  
    user_id: str

agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=tools,
    state_schema=CustomAgentState  
)

只需从 langchain.agents.AgentState 继承，而不是从 BaseModel 继承或使用 dataclass 装饰。如果需要执行验证，请在中间件钩子中处理。

模型

动态模型选择允许您根据运行时上下文（例如，任务复杂性、成本约束或用户偏好）选择不同的模型。在 langgraph-prebuilt 的 v0.6 中发布的 create_react_agent 支持通过传递给 model 参数的可调用对象进行动态模型和工具选择。此功能在 v1 中已移植到中间件接口。

动态模型选择

from langchain.agents import create_agent
from langchain.agents.middleware import (
    AgentMiddleware, ModelRequest, ModelRequestHandler
)
from langchain.messages import AIMessage
from langchain_openai import ChatOpenAI


basic_model = ChatOpenAI(model="gpt-5-nano")
advanced_model = ChatOpenAI(model="gpt-5")

class DynamicModelMiddleware(AgentMiddleware):

    def wrap_model_call(self, request: ModelRequest, handler: ModelRequestHandler) -> AIMessage:
        if len(request.state.messages) > self.messages_threshold:
            model = advanced_model
        else:
            model = basic_model

        return handler(request.replace(model=model))

    def __init__(self, messages_threshold: int) -> None:
        self.messages_threshold = messages_threshold

agent = create_agent(
    model=basic_model,
    tools=tools,
    middleware=[DynamicModelMiddleware(messages_threshold=10)]
)

预绑定模型

为了更好地支持结构化输出，create_agent 不再接受带有工具或配置的预绑定模型：

# 不再支持
model_with_tools = ChatOpenAI().bind_tools([some_tool])
agent = create_agent(model_with_tools, tools=[])

# 改用
agent = create_agent("openai:gpt-4o-mini", tools=[some_tool])

如果不使用结构化输出，动态模型函数可以返回预绑定模型。

工具

create_agent 的 tools 参数接受一个列表，包含：

LangChain BaseTool 实例（用 @tool 装饰的函数）
具有正确类型提示和文档字符串的可调用对象（函数）
表示内置提供者工具的 dict

该参数将不再接受 ToolNode 实例。

from langchain.agents import create_agent


agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[check_weather, search_web]
)

处理工具错误

您现在可以通过实现 wrap_tool_call 方法的中间件来配置工具错误的处理。

# 示例即将推出

结构化输出

节点变更

结构化输出过去是在与主智能体不同的单独节点中生成的。现在情况不再如此。我们在主循环中生成结构化输出，从而降低了成本和延迟。

工具和提供者策略

在 v1 中，有两种新的结构化输出策略：

ToolStrategy 使用人工工具调用来生成结构化输出
ProviderStrategy 使用提供者原生的结构化输出生成

from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy, ProviderStrategy
from pydantic import BaseModel


class OutputSchema(BaseModel):
    summary: str
    sentiment: str

# 使用 ToolStrategy
agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=tools,
    # 显式使用工具策略
    response_format=ToolStrategy(OutputSchema)  
)

移除了提示输出

提示输出不再通过 response_format 参数支持。与人工工具调用和提供者原生结构化输出等策略相比，提示输出已被证明不是特别可靠。

流式节点名称重命名

当从智能体流式传输事件时，节点名称已从 "agent" 更改为 "model"，以更好地反映节点的用途。

运行时上下文

当您调用智能体时，通常希望传递两种类型的数据：

在对话过程中变化的动态状态（例如，消息历史）
在对话过程中不变化的静态上下文（例如，用户元数据）

在 v1 中，通过将 context 参数设置为 invoke 和 stream 来支持静态上下文。

from dataclasses import dataclass

from langchain.agents import create_agent


@dataclass
class Context:
    user_id: str
    session_id: str

agent = create_agent(
    model=model,
    tools=tools,
    context_schema=ContextSchema  
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "Hello"}]},
    context=Context(user_id="123", session_id="abc")  
)

旧的 config["configurable"] 模式仍然适用于向后兼容性，但对于新应用程序或迁移到 v1 的应用程序，建议使用新的 context 参数。

标准内容

在 v1 中，消息获得了与提供者无关的标准内容块。通过 @[message.content_blocks][content_blocks] 访问它们，以获取跨提供者的一致、类型化视图。现有的 message.content 字段对于字符串或提供者原生结构保持不变。

变更内容

消息上新增 content_blocks 属性，用于规范化内容
标准化的块形状，记录在消息中
通过 LC_OUTPUT_VERSION=v1 或 output_version="v1" 将标准块可选地序列化到 content 中

读取标准化内容

from langchain.chat_models import init_chat_model

model = init_chat_model("openai:gpt-5-nano")
response = model.invoke("Explain AI")

for block in response.content_blocks:
    if block["type"] == "reasoning":
        print(block.get("reasoning"))
    elif block["type"] == "text":
        print(block.get("text"))

创建多模态消息

from langchain.messages import HumanMessage

message = HumanMessage(content_blocks=[
    {"type": "text", "text": "Describe this image."},
    {"type": "image", "url": "https://example.com/image.jpg"},
])
res = model.invoke([message])

示例块形状

# 文本块
text_block = {
    "type": "text",
    "text": "Hello world",
}

# 图像块
image_block = {
    "type": "image",
    "url": "https://example.com/image.png",
    "mime_type": "image/png",
}

更多详细信息，请参阅内容块参考。

序列化标准内容

标准内容块默认不序列化到 content 属性中。如果您需要在 content 属性中访问标准内容块（例如，当向客户端发送消息时），可以选择将它们序列化到 content 中。

export LC_OUTPUT_VERSION=v1

了解更多：消息, 标准内容块, 和多模态。

简化包

在 v1 版本中，langchain 包的命名空间已显著缩减，专注于智能体的基本构建模块。简化的包使得发现和使用核心功能更加容易。

命名空间

模块	可用内容	说明
`langchain.agents`	`create_agent`, `AgentState`	核心智能体创建功能
`langchain.messages`	消息类型, 内容块, `trim_messages`	从 `langchain-core` 重新导出
`langchain.tools`	`@tool`, `BaseTool`, 注入辅助工具	从 `langchain-core` 重新导出
`langchain.chat_models`	`init_chat_model`, `BaseChatModel`	统一的模型初始化
`langchain.embeddings`	`init_embeddings`, `Embeddings`	嵌入模型

`langchain-classic`

如果您之前使用过 langchain 包中的以下任何内容，您需要安装 langchain-classic 并更新您的导入：

旧版链（LLMChain, ConversationChain 等）
检索器（例如 MultiQueryRetriever 或之前 langchain.retrievers 模块中的任何内容）
索引 API
Hub 模块（用于以编程方式管理提示）
嵌入模块（例如 CacheBackedEmbeddings 和社区嵌入）
langchain-community 重新导出的内容
其他已弃用的功能

# 链
from langchain_classic.chains import LLMChain

# 检索器
from langchain_classic.retrievers import ...

# 索引
from langchain_classic.indexes import ...

# Hub
from langchain_classic import hub

安装:

uv pip install langchain-classic

破坏性变更

放弃 Python 3.9 支持

所有 LangChain 包现在需要 Python 3.10 或更高版本。Python 3.9 将于 2025 年 10 月停止支持。

更新了聊天模型的返回类型

聊天模型调用的返回类型签名已从 BaseMessage 修正为 AIMessage。实现 bind_tools 的自定义聊天模型应更新其返回签名：

def bind_tools(
        ...
    ) -> Runnable[LanguageModelInput, AIMessage]:

OpenAI Responses API 的默认消息格式

当与 Responses API 交互时，langchain-openai 现在默认将响应项存储在消息 content 中。要恢复之前的行为，请将 LC_OUTPUT_VERSION 环境变量设置为 v0，或者在实例化 ChatOpenAI 时指定 output_version="v0"。

# 使用 output_version 标志强制执行之前的行为
model = ChatOpenAI(model="gpt-4o-mini", output_version="v0")

`langchain-anthropic` 中的默认 `max_tokens`

langchain-anthropic 中的 max_tokens 参数现在根据所选模型默认为更高的值，而不是之前的默认值 1024。如果您依赖旧默认值，请显式设置 max_tokens=1024。

旧版代码移至 `langchain-classic`

标准接口和智能体焦点之外的现有功能已移至 langchain-classic 包。有关核心 langchain 包中可用内容以及移至 langchain-classic 的内容的详细信息，请参阅简化命名空间部分。

移除已弃用的 API

已删除先前已弃用并计划在 1.0 中移除的方法、函数和其他对象。请查看之前版本的弃用通知以获取替换 API。

`.text()` 现在是属性

消息对象上 .text() 方法的使用应去掉括号：

# 属性访问
text = response.text

# 已弃用的方法调用
text = response.text()

现有的使用模式（即 .text()）将继续有效，但现在会发出警告。

Edit the source of this page on GitHub.

Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.

LangChain v1.0

开始

核心组件

Advanced usage

Use in production

​简化包

​命名空间

​langchain-classic

​迁移到 create_agent

​导入路径

​提示

​静态提示重命名

​SystemMessage 转为字符串

​动态提示

​模型前钩子

​模型后钩子

​自定义状态

​通过 state_schema 定义状态

​通过中间件定义状态

​状态类型限制

​模型

​动态模型选择

​预绑定模型

​工具

​处理工具错误

​结构化输出

​节点变更

​工具和提供者策略

​移除了提示输出

​流式节点名称重命名

​运行时上下文

​标准内容

​变更内容

​读取标准化内容

​创建多模态消息

​示例块形状

​序列化标准内容

​简化包

​命名空间

​langchain-classic

​破坏性变更

​放弃 Python 3.9 支持

​更新了聊天模型的返回类型

​OpenAI Responses API 的默认消息格式

​langchain-anthropic 中的默认 max_tokens

​旧版代码移至 langchain-classic

​移除已弃用的 API

​.text() 现在是属性

简化包

命名空间

`langchain-classic`

迁移到 `create_agent`

导入路径

提示

静态提示重命名

`SystemMessage` 转为字符串

动态提示

模型前钩子

模型后钩子

自定义状态

通过 `state_schema` 定义状态

通过中间件定义状态

状态类型限制

模型

动态模型选择

预绑定模型

工具

处理工具错误

结构化输出

节点变更

工具和提供者策略

移除了提示输出

流式节点名称重命名

运行时上下文

标准内容

变更内容

读取标准化内容

创建多模态消息

示例块形状

序列化标准内容

简化包

命名空间

`langchain-classic`

破坏性变更

放弃 Python 3.9 支持

更新了聊天模型的返回类型

OpenAI Responses API 的默认消息格式

`langchain-anthropic` 中的默认 `max_tokens`

旧版代码移至 `langchain-classic`

移除已弃用的 API

`.text()` 现在是属性