Skip to main content
LangChain v1 是一个专注的、可用于生产环境的智能体构建基础框架。 我们围绕三大核心改进对框架进行了精简：

create_agent

在 LangChain 中构建智能体的新标准，取代了 langgraph.prebuilt.create_react_agent。

标准内容块

新的 content_blocks 属性，提供了跨提供商统一访问现代 LLM 功能的途径。

简化的命名空间

langchain 命名空间已精简，专注于智能体的核心构建模块，旧版功能已移至 langchain-classic。
要升级， 
pip install -U langchain
有关更改的完整列表，请参阅 迁移指南。

​
create_agent

create_agent 是 LangChain 1.0 中构建智能体的标准方式。它提供了比 langgraph.prebuilt.create_react_agent 更简单的接口，同时通过使用 中间件 提供了更大的自定义潜力。 
from langchain.agents import create_agent


agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    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"}
    ]
})
在底层，create_agent 构建于基础的智能体循环之上 —— 调用模型，让其选择要执行的工具，然后在它不再调用工具时结束：
Core agent loop diagram
更多信息，请参阅 智能体。

​
中间件

中间件是 create_agent 的标志性特性。它提供了一个高度可定制的入口点，提升了您可以构建的功能上限。 优秀的智能体需要 上下文工程：在正确的时间将正确的信息传递给模型。中间件通过可组合的抽象，帮助您控制动态提示、对话摘要、选择性工具访问、状态管理和防护栏。

​
预构建中间件

LangChain 为常见模式提供了一些 预构建中间件，包括： 
from langchain.agents import create_agent
from langchain.agents.middleware import (
    PIIMiddleware,
    SummarizationMiddleware,
    HumanInTheLoopMiddleware
)


agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[read_email, send_email],
    middleware=[
        PIIMiddleware(patterns=["email", "phone", "ssn"]),
        SummarizationMiddleware(
            model="anthropic:claude-sonnet-4-5",
            max_tokens_before_summary=500
        ),
        HumanInTheLoopMiddleware(
            interrupt_on={
                "send_email": {
                    "allowed_decisions": ["approve", "edit", "reject"]
                }
            }
        ),
    ]
)

​
自定义中间件

您也可以构建自定义中间件以满足您的需求。中间件在智能体执行的每个步骤都暴露了钩子函数：
Middleware flow diagram
通过在 AgentMiddleware 类的子类上实现以下任意钩子来构建自定义中间件：
钩子何时运行用例
before_agent在调用智能体之前加载记忆，验证输入
before_model在每次 LLM 调用之前更新提示，修剪消息
wrap_model_call围绕每次 LLM 调用拦截和修改请求/响应
wrap_tool_call围绕每次工具调用拦截和修改工具执行
after_model在每次 LLM 响应之后验证输出，应用防护栏
after_agent在智能体完成之后保存结果，清理
自定义中间件示例： 
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="openai:gpt-5")
            tools = [advanced_search, data_analysis]
        else:
            # Less powerful model
            model = ChatOpenAI(model="openai:gpt-5-nano")
            tools = [simple_search, basic_calculator]

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

agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[
        simple_search,
        advanced_search,
        basic_calculator,
        data_analysis
    ],
    middleware=[ExpertiseBasedToolMiddleware()],
    context_schema=Context
)
更多信息，请参阅 完整的中间件指南。

​
基于 LangGraph 构建

因为 create_agent 构建于 LangGraph 之上，您自动获得了对长期运行和可靠智能体的内置支持，通过：

持久化

通过内置检查点，对话自动跨会话持久化

流式传输

实时流式传输 token、工具调用和推理轨迹

人在回路

在敏感操作之前暂停智能体执行以等待人工批准

时间旅行

将会话回退到任意时间点，并探索替代路径和提示
您无需学习 LangGraph 即可使用这些功能——它们开箱即用。

​
结构化输出

create_agent 改进了结构化输出生成：
  • 主循环集成：结构化输出现在在主循环中生成，而不是需要额外的 LLM 调用
  • 结构化输出策略：模型可以在调用工具和使用提供商端结构化输出生成之间选择
  • 成本降低：消除了额外 LLM 调用带来的额外开销
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(
    "openai: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"]))
# results in `Weather(temperature=70.0, condition='sunny')`
错误处理：通过 ToolStrategy 的 handle_errors 参数控制错误处理：
  • 解析错误：模型生成的数据与所需结构不匹配
  • 多个工具调用：模型为结构化输出模式生成了 2 个或更多工具调用

​
标准内容块

内容块支持目前仅适用于以下集成：对内容块的更广泛支持将逐步推广到更多提供商。
新的 content_blocks 属性引入了一种适用于不同提供商的消息内容标准表示： 
from langchain_anthropic import ChatAnthropic

model = ChatAnthropic(model="claude-sonnet-4-5")
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']})")

​
优势

  • 提供商无关：使用相同的 API 访问推理轨迹、引用、内置工具（网络搜索、代码解释器等）以及其他功能，无论提供商是谁
  • 类型安全：所有内容块类型都有完整的类型提示
  • 向后兼容：标准内容可以 延迟加载，因此没有相关的破坏性更改
更多信息，请参阅我们关于 内容块 的指南。

​
简化的包

LangChain v1 精简了 langchain 包的命名空间，专注于智能体的核心构建模块。精炼后的命名空间暴露了最有用和最相关的功能：

​
命名空间

模块可用的内容备注
langchain.agentscreate_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, 注入助手从 @[langchain-core] 重新导出
langchain.chat_modelsinit_chat_model, BaseChatModel统一的模型初始化
langchain.embeddingsEmbeddings, init_embeddings嵌入模型
其中大部分是从 langchain-core 重新导出的，为了方便起见，这为您提供了构建智能体的专注 API 界面。 
# Agent building
from langchain.agents import create_agent

# Messages and content
from langchain.messages import AIMessage, HumanMessage

# Tools
from langchain.tools import tool

# Model initialization
from langchain.chat_models import init_chat_model
from langchain.embeddings import init_embeddings

​
langchain-classic

旧版功能已移至 langchain-classic，以保持核心包的轻量和专注。 langchain-classic 包含的内容：
  • 旧版链和链实现
  • 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)
  • langchain-community 导出
  • 其他已弃用的功能
如果您使用任何这些功能，请安装 langchain-classic： 
pip install langchain-classic
然后更新您的导入： 
from langchain import ...
from langchain_classic import ...

from langchain.chains import ...
from langchain_classic.chains import ...

from langchain.retrievers import ...
from langchain_classic.retrievers import ...

from langchain import hub  
from langchain_classic import hub

​
迁移指南

请参阅我们的 迁移指南 以获取帮助，将您的代码更新到 LangChain v1。

​
报告问题

请在 GitHub 上报告发现的任何 1.0 版本的问题，并使用 'v1' 标签。

​
额外资源

LangChain 1.0

阅读公告

中间件指南

深入了解中间件

智能体文档

完整的智能体文档

消息内容

新的内容块 API

迁移指南

如何迁移到 LangChain v1

GitHub

报告问题或贡献代码

​
另请参阅

Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.