LangChain v1 是一个专注于生产环境的构建智能体的基础框架。 我们围绕三个核心改进简化了框架：

要升级，

pip install -U langchain

uv add langchain

有关完整变更列表，请参阅 迁移指南.

create_agent

create_agent 是在 LangChain 1.0 中构建智能体的标准方式。它提供了比 langgraph.prebuilt.create_react_agent 更简单的界面，同时通过使用 middleware.

from langchain.agents import create_agent

agent = create_agent(
    model="claude-sonnet-4-6",
    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 基于基本的智能体循环构建——调用模型，让它选择要执行的工具，然后在不再调用工具时完成：

更多信息请参阅 智能体.

中间件

中间件是 create_agent 的定义特性。它提供了一个高度可定制的入口点，提升了你能够构建的内容的上限。

优秀的智能体需要 上下文工程：在正确的时间向模型提供正确的信息。中间件帮助你通过可组合的抽象控制动态提示词、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 提供了一些 预构建中间件 用于常见模式，包括：

• - PIIMiddleware: 在发送到模型之前删除敏感信息
• - SummarizationMiddleware: 当对话历史过长时压缩对话历史
• - HumanInTheLoopMiddleware: 需要对敏感工具调用进行批准

from langchain.agents import create_agent
from langchain.agents.middleware import (
    PIIMiddleware,
    SummarizationMiddleware,
    HumanInTheLoopMiddleware
)


agent = create_agent(
    model="claude-sonnet-4-6",
    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-4-6",
            trigger={"tokens": 500}
        ),
        HumanInTheLoopMiddleware(
            interrupt_on={
                "send_email": {
                    "allowed_decisions": ["approve", "edit", "reject"]
                }
            }
        ),
    ]
)

自定义中间件

你也可以构建自定义中间件来满足你的需求。中间件在智能体执行的每个步骤都暴露了钩子：

通过在 AgentMiddleware 类的子类上实现这些钩子来构建自定义中间件：

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="gpt-5.5")
            tools = [advanced_search, data_analysis]
        else:
            # Less powerful model
            model = ChatOpenAI(model="gpt-5-nano")
            tools = [simple_search, basic_calculator]

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

agent = create_agent(
    model="claude-sonnet-4-6",
    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 是基于 LangGraph，您自动获得对长时间运行和可靠 Agent 的内置支持，通过：

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，无需额外的 LLM 调用
• 结构化输出策略：模型可以在调用工具或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 调用带来的费用

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-5.4-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 handle_errors 参数控制错误处理 ToolStrategy: - **解析错误**：模型生成的数据与期望结构不匹配 - **多次工具调用**：模型为结构化输出模式生成 2 个或更多工具调用

标准内容块

新的 content_blocks 属性引入了一种跨提供商工作的消息内容标准表示：

from langchain_anthropic import ChatAnthropic

model = ChatAnthropic(model="claude-sonnet-4-6")
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：无论使用哪个提供商，都可以使用相同的 API 访问推理追踪、引用、内置工具（网络搜索、代码解释器等）和其他功能
• 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变更

更多信息，请参阅我们的指南 内容块.

简化包

LangChain v1 简化了 langchain 包命名空间，专注于代理的基本构建块。精简的命名空间公开了最有用和最相关的功能：

命名空间

大多数这些都是从以下库重新导出的 langchain-core 为了方便，它为您提供了专注于构建代理的 API 接口。

# 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

旧功能已移至 langchain-classic 以保持核心包的精简和专注。

**内容概览 langchain-classic:**

• - 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

uv add langchain-classic

然后更新您的导入：

from langchain import ...  # [!code --]
from langchain_classic import ...  # [!code ++]

from langchain.chains import ...  # [!code --]
from langchain_classic.chains import ...  # [!code ++]

from langchain.retrievers import ...  # [!code --]
from langchain_classic.retrievers import ...  # [!code ++]

from langchain import hub  # [!code --]
from langchain_classic import hub  # [!code ++]

迁移指南

查看我们的 迁移指南 以获取将代码更新到 LangChain v1 的帮助。

报告问题

请在 GitHub 上报告使用 'v1' 标签发现的任何 1.0 问题。.

附加资源

另请参见

• - 版本控制 – 理解版本号
• - 发布策略 – 详细发布策略