重磅發布！LangChain 1.0 Alpha 來了，Agent 終于統一了！原創

發布于 2025-9-12 16:58

瀏覽

0收藏

LangChain 自推出以來迅速成為開發者構建 LLM 驅動應用的重要框架之一，支持多種鏈（chains）、代理（agents）、工具調用、向量檢索、模型接口等功能。其生態不斷壯大，但也因模式多樣、抽象紛繁導致開發者面對不同 “agent 模式” 時感到困惑。為提升一致性、可維護性與企業級穩定性，LangChain 在 2025 年 9 月推出了 v1.0.0 Alpha，與 LangGraph 一起邁入 1.x 版本演進。

為什么要推出 v1.0？

企業信心：1.0 版本象征著更加穩定、信賴，降低企業采用風險。
抽象收斂：過去存在多種 agent 模式（ReAct、Plan-and-Solve、React-Retry 等），v1.0 把主流用例統一遷移到一個成型的 agent 抽象上，復雜或非常規場景則推薦使用更底層、靈活的 LangGraph。
標準輸出格式：不同 LLM 提供商返回結構迥異，新增??content_blocks?? 屬性，用以統一 reasoning、工具調用、引用、媒體類型等新 API 特性

核心新特性概覽

統一代理抽象：create_agent

過去要實現“調用工具 → 整理結果 → 輸出結構化 JSON”，要手寫 chain，現在一行搞定：

from langchain.agents import create_agent
from langchain_core.messages import HumanMessage
from pydantic import BaseModel

class WeatherInfo(BaseModel):
    city: str
    temperature_c: float
    condition: str

def fake_weather(city: str) -> str:
    returnf"25,Sunny"if city == "Singapore"else"18,Rainy"

agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=[fake_weather],
    response_format=WeatherInfo
)

res = agent.invoke({"messages": [
    HumanMessage("What's the weather like in Singapore?")
]})

print(res["structured_response"])
# WeatherInfo(city='Singapore', temperature_c=25.0, condition='Sunny')

設計解析

所有舊版 agent（ReAct, Plan-and-Execute 等）均重構為??create_agent?? 的預設配置。
底層統一使用??LangGraph?? 作為執行引擎，暴露標準接口：??invoke(input: dict) -> dict??。
輸入輸出結構標準化：

a.輸入：??{"messages": List[BaseMessage]}??

b.輸出：??{"messages": List[BaseMessage], "structured_response": Optional[BaseModel]}??

工程價值

降低學習成本：開發者只需掌握一個接口。
提升可測試性：輸入輸出結構固定，便于 mock 和斷言。
支持熱插拔：更換模型或工具集，不影響調用層。

標準化內容模型：content_blocks

所有 ??AIMessage??? 新增 ??.content_blocks: List[ContentBlock]?? 屬性。

類型定義（簡化）

class TextBlock(ContentBlock):
    text: str

class ToolCallBlock(ContentBlock):
    name: str
    args: dict

class CitationBlock(ContentBlock):
    sources: List[Source]

class ImageBlock(ContentBlock):
    mime_type: str
    data: bytes

設計解析

所有 LLM 輸出（文本、工具調用、引用、圖像等）均封裝為類型化塊。
各提供商差異被抽象層屏蔽：

a.OpenAI??function_call?? →??ToolCallBlock??

b.Anthropic??<thinking>?? →??TextBlock?? +??reasoning=True??

c.Claude XML 工具 →??ToolCallBlock??

支持懶加載：如??ImageBlock.data?? 僅在訪問時解碼。

工程價值

模型切換成本趨近于零。
輸出可被程序精確消費，無需正則/字符串匹配。
為多模態、流式輸出、結構化引用提供擴展基礎。

Runtime：LangGraph 成為默認引擎

??create_agent??? 返回的 agent 本質是一個編譯后的 ??LangGraph?? 實例。

核心能力

狀態持久化：對話歷史、工具調用結果、中間變量存儲于??GraphState??。
流程控制：

a.條件邊（conditional edges）：根據狀態決定下一節點。

b.循環控制：自動重試、最大步數限制。

c.異常恢復：工具失敗自動進入 error 節點。

可觀測性：內置 tracing，支持 LangSmith 集成。

示例

自定義重試邏輯:

from langgraph.graph import StateGraph

def tool_node(state):
    try:
        result = tool.invoke(state["input"])
        return {"result": result, "error": None}
    except Exception as e:
        return {"result": None, "error": str(e)}

def should_retry(state):
    if state["error"] and state["retry_count"] < 3:
        return"tool_node"
    else:
        return"end_node"

graph = StateGraph(AgentState)
graph.add_node("tool_node", tool_node)
graph.add_conditional_edges("tool_node", should_retry)

工程價值

企業級韌性：自動重試、熔斷、降級。
復雜流程支持：審批流、多階段任務、人工干預點。
調試友好：狀態可序列化、可回放、可單元測試。

升級路徑與兼容策略

包結構重構

舊模塊	新位置	說明
?`?langchain.*?`?	?`?langchain.*?`?	僅保留核心抽象
?`?langchain.index?`?	?`?langchain-legacy?`?	索引、社區工具等遷出
?`?AgentExecutor?`?	?`?langchain-legacy?`?	舊版 agent 執行器