LangChain v1 迁移指南 - Docs by LangChain中文

本指南概述了 LangChain v1 与先前版本之间的主要变更。

简化的软件包

在 v1 中，langchain 软件包的命名空间被大幅精简，以专注于代理的核心构建块。精简后的软件包使核心功能更易于发现和使用。

命名空间

模块	可用内容	说明
`langchain.agents`	`create_agent`, `AgentState`	核心代理创建功能
`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`

如果您之前使用了 langchain 软件包中的以下任何功能，您需要安装 langchain-classic 并更新您的导入语句：

旧版链（LLMChain, ConversationChain 等）
检索器（例如 MultiQueryRetriever 或来自之前 langchain.retrievers 模块的任何内容）
索引 API
Hub 模块（用于以编程方式管理提示词）
嵌入模块（例如 CacheBackedEmbeddings 和社区嵌入）
langchain-community 的重新导出内容
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

# 链
from langchain_classic.chains import LLMChain

# 检索器
from langchain.retrievers import ...

# 索引
from langchain.indexes import ...

# Hub
from langchain import hub

通过以下方式安装：

pip install langchain-classic

uv add langchain-classic

迁移到 `create_agent`

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

部分	简而言之 - 变更了什么
导入路径	软件包从 `langgraph.prebuilt` 移至 `langchain.agents`
提示词	参数已重命名为 `system_prompt`，动态提示词使用中间件
模型前钩子	已替换为具有 `before_model` 方法的中间件
模型后钩子	已替换为具有 `after_model` 方法的中间件
自定义状态	仅支持 `TypedDict`，可通过 `state_schema` 或中间件定义
模型	通过中间件动态选择，不再支持预绑定的模型
工具	工具错误处理已移至具有 `wrap_tool_call` 方法的中间件中
结构化输出	提示输出已移除，请使用 `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	精简为专注于代理构建块，旧版代码移至 `langchain-classic`

导入路径

代理预构建的导入路径已从 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，请参阅代理。

提示词

静态提示词重命名

prompt 参数已重命名为 system_prompt：

from langchain.agents import create_agent

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather],
    system_prompt="You are a helpful assistant"
)

from langgraph.prebuilt import create_react_agent

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather],
    prompt="You are a helpful assistant"
)

`SystemMessage` 转为字符串

如果在系统提示词中使用了 SystemMessage 对象，请提取字符串内容：

from langchain.agents import create_agent

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather],
    system_prompt="You are a helpful assistant"
)

from langchain.messages import SystemMessage
from langgraph.prebuilt import create_react_agent

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather],
    prompt=SystemMessage(content="You are a helpful assistant")
)

动态提示词

动态提示词是一种核心上下文工程模式——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="gpt-5.5",
    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")
)

from dataclasses import dataclass

from langgraph.prebuilt import create_react_agent, AgentState
from langgraph.runtime import get_runtime

@dataclass
class Context:
    user_role: str

def dynamic_prompt(state: AgentState) -> str:
    runtime = get_runtime(Context)
    user_role = runtime.context.user_role
    base_prompt = "You are a helpful assistant."

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

agent = create_react_agent(
    model="gpt-5.5",
    tools=tools,
    prompt=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

模型前钩子现在作为具有 before_model 方法的中间件实现。这种新模式更具扩展性——您可以在调用模型之前定义多个中间件，在不同代理之间复用常见模式。常见用例包括：

总结对话历史
裁剪消息
输入防护，例如 PII 脱敏

v1 现在内置了总结中间件作为可选项：

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

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=tools,
    middleware=[
        SummarizationMiddleware(
            model="claude-sonnet-4-6",
            trigger={"tokens": 1000}
        )
    ]
)

from langgraph.prebuilt import create_react_agent, AgentState

def custom_summarization_function(state: AgentState):
    """自定义的消息总结逻辑。"""
    ...

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=tools,
    pre_model_hook=custom_summarization_function
)

模型后钩子

模型后钩子现在作为具有 after_model 方法的中间件实现。这种新模式更具扩展性——您可以在调用模型之后定义多个中间件，在不同代理之间复用常见模式。常见用例包括：

人在回路中
输出防护

v1 具有一个用于人在回路中审批工具调用的内置中间件：

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

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[read_email, send_email],
    middleware=[
        HumanInTheLoopMiddleware(
            interrupt_on={
                "send_email": {
                    "description": "Please review this email before sending",
                    "allowed_decisions": ["approve", "reject"]
                }
            }
        )
    ]
)

from langgraph.prebuilt import create_react_agent
from langgraph.prebuilt import AgentState

def custom_human_in_the_loop_hook(state: AgentState):
    """人在回路中审批的自定义逻辑。"""
    ...

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=[read_email, send_email],
    post_model_hook=custom_human_in_the_loop_hook
)

自定义状态

自定义状态通过附加字段扩展默认代理状态。您可以通过两种方式定义自定义状态：

通过 create_agent 上的 state_schema - 最适合在工具中使用的状态
通过中间件 - 最适合由特定中间件钩子及附加到该中间件的工具管理的状态

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在概念上限定在相关的中间件和工具范围内。state_schema 仍然支持在 create_agent 上使用以保持向后兼容性。

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[None, CustomState]
) -> str:
    """使用此工具按姓名问候用户。"""
    user_name = runtime.state.get("user_name", "Unknown")
    return f"Hello {user_name}!"

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[greet],
    state_schema=CustomState  
)

from typing import Annotated
from langgraph.prebuilt import InjectedState, create_react_agent
from langgraph.prebuilt.chat_agent_executor import AgentState

class CustomState(AgentState):
    user_name: str

def greet(
    state: Annotated[CustomState, InjectedState]
) -> str:
    """使用此工具按姓名问候用户。"""
    user_name = state["user_name"]
    return f"Hello {user_name}!"

agent = create_react_agent(
    model="claude-sonnet-4-6",
    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在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="claude-sonnet-4-6",
    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 dataclass。

from langchain.agents import AgentState, create_agent

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

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=tools,
    state_schema=CustomAgentState  
)

from typing_extensions import Annotated

from pydantic import BaseModel
from langgraph.graph import StateGraph
from langgraph.graph.messages import add_messages
from langchain.messages import AnyMessage


class AgentState(BaseModel):
    messages: Annotated[list[AnyMessage], add_messages]
    user_id: str

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=tools,
    state_schema=AgentState
)

只需从 langchain.agents.AgentState 继承，而不是 BaseModel 或使用 dataclass 装饰器。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、成本限制或用户偏好）选择不同的模型。langgraph-prebuilt v0.6 中发布的 create_react_agent 支持通过传递给 model 参数的可调用对象实现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
)
from langchain.agents.middleware.types import ModelResponse
from langchain_openai import ChatOpenAI
from typing import Callable

basic_model = ChatOpenAI(model="gpt-5-nano")
advanced_model = ChatOpenAI(model="gpt-5.5")

class DynamicModelMiddleware(AgentMiddleware):

    def wrap_model_call(self, request: ModelRequest, handler: Callable[[ModelRequest], ModelResponse]) -> ModelResponse:
        if len(request.state.messages) > self.messages_threshold:
            model = advanced_model
        else:
            model = basic_model
        return handler(request.override(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)]
)

from langgraph.prebuilt import create_react_agent, AgentState
from langchain_openai import ChatOpenAI

basic_model = ChatOpenAI(model="gpt-5-nano")
advanced_model = ChatOpenAI(model="gpt-5.5")

def select_model(state: AgentState) -> BaseChatModel:
    # 对较长的对话使用更高级的模型
    if len(state.messages) > 10:
        return advanced_model
    return basic_model

agent = create_react_agent(
    model=select_model,
    tools=tools,
)

预绑定模型

为了更好地支持结构化输出，create_agent 不再接受预绑定的模型与工具或配置：

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

# 改为使用
agent = create_agent("gpt-5.4-mini", tools=[some_tool])

如果未使用结构化输出，动态模型函数可以返回预绑定的模型。

工具

create_agent 的 @[tools] 参数接受以下列表：

LangChain BaseTool 实例（使用 @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="claude-sonnet-4-6",
    tools=[check_weather, search_web]
)

from langgraph.prebuilt import create_react_agent, ToolNode


agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=ToolNode([check_weather, search_web])
)

处理工具错误

您现在可以使用实现 wrap_tool_call 方法的中间件来配置工具错误的处理。

from langchain.agents import create_agent
from langchain.agents.middleware import wrap_tool_call
from langchain.messages import ToolMessage


@wrap_tool_call
def handle_tool_errors(request, handler):
    """使用自定义消息处理工具执行错误。"""
    try:
        return handler(request)
    except Exception as e:
        # 仅处理由于无效输入（通过模式验证但在运行时失败，例如无效 SQL 语法）导致的工具执行期间发生的错误。
        # 不处理：
        # - 网络故障（请使用工具重试中间件）
        # - 不正确的工具实现错误（应向上冒泡）
        # - 模式不匹配错误（框架已自动处理）
        #
        # 返回自定义错误消息给模型
        return ToolMessage(
            content=f"Tool error: Please check your input and try again. ({str(e)})",
            tool_call_id=request.tool_call["id"]
        )

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather, search_web],
    middleware=[handle_tool_errors]
)

from langgraph.prebuilt import create_react_agent, ToolNode
from langchain.messages import ToolMessage


def handle_tool_error(error: Exception) -> str:
    """自定义错误处理函数。"""
    return f"Tool error: Please check your input and try again. ({str(error)})"

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=ToolNode(
        [check_weather, search_web],
        handle_tool_errors=handle_tool_error  
    )
)

结构化输出

节点变更

结构化输出以前在主代理之外的单独节点中生成。情况已不再如此。我们直接在主循环中生成结构化输出，从而降低成本和延迟。

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="gpt-5.4-mini",
    tools=tools,
    # 显式使用工具策略
    response_format=ToolStrategy(OutputSchema)
)

from langgraph.prebuilt import create_react_agent
from pydantic import BaseModel

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

agent = create_react_agent(
    model="gpt-5.4-mini",
    tools=tools,
    # 默认使用工具策略，没有提供者策略的选项
    response_format=OutputSchema  
)

# 或者

agent = create_react_agent(
    model="gpt-5.4-mini",
    tools=tools,
    # 使用自定义提示词指示模型生成输出模式
    response_format=("please generate ...", OutputSchema)
)

提示输出已移除

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，提示输出尚未被证明特别可靠。

流式节点名称重命名

从代理流式传输事件时，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

当您调用代理时，通常希望传递两类数据：

在整个对话过程中动态变化的状态（例如消息历史记录）
在对话期间不会变化的静态上下文（例如用户元数据）

在 v1 中，通过在 invoke 和 stream 上设置 context 参数来支持静态上下文。

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=Context  
)

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

from langgraph.prebuilt import create_react_agent


agent = create_react_agent(model, tools)

# 通过 configurable 传递上下文
result = agent.invoke(
    {"messages": [{"role": "user", "content": "Hello"}]},
    config={
        "configurable": {
            "user_id": "123",
            "session_id": "abc"
        }
    }
)

旧的 config["configurable"] 模式仍然适用于向后兼容，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 访问它们，可以在不同提供者之间提供一致的、类型化的视图。现有的 message.content 字段对于字符串或提供者原生结构保持不变。

变更了什么

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
可通过 LC_OUTPUT_VERSION=v1 或 output_version="v1" 选择将标准块序列化到 content 中

读取标准化内容

from langchain.chat_models import init_chat_model

model = init_chat_model("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"))

# 提供者原生格式各不相同；您需要针对每个提供者进行处理
response = model.invoke("Explain AI")
for item in response.content:
    if item.get("type") == "reasoning":
        ...  # OpenAI 风格的推理
    elif item.get("type") == "thinking":
        ...  # Anthropic 风格的思考
    elif item.get("type") == "text":
        ...  # 文本

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])

from langchain.messages import HumanMessage

message = HumanMessage(content=[
    # 提供者原生结构
    {"type": "text", "text": "Describe this image."},
    {"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}},
])
res = model.invoke([message])

块形状示例

# 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

标准内容块默认不会序列化到 content 属性中。如果您需要访问 content 属性中的标准内容块（例如，向客户端发送消息时），您可以选择将其序列化到 content 中。

export LC_OUTPUT_VERSION=v1

from langchain.chat_models import init_chat_model

model = init_chat_model(
    "gpt-5-nano",
    output_version="v1",
)

了解更多：消息、标准内容块和多模态。

简化的软件包

在 v1 中，langchain 软件包的命名空间被大幅精简，以专注于代理的核心构建块。精简后的软件包使核心功能更易于发现和使用。

命名空间

模块	可用内容	说明
`langchain.agents`	`create_agent`, `AgentState`	核心代理创建功能
`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`

如果您之前使用了 langchain 软件包中的以下任何功能，您需要安装 langchain-classic 并更新您的导入语句：

旧版链（LLMChain, ConversationChain 等）
检索器（例如 MultiQueryRetriever 或来自之前 langchain.retrievers 模块的任何内容）
索引 API
Hub 模块（用于以编程方式管理提示词）
嵌入模块（例如 CacheBackedEmbeddings 和社区嵌入）
langchain-community 的重新导出内容
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

# 链
from langchain_classic.chains import LLMChain

# 检索器
from langchain.retrievers import ...

# 索引
from langchain.indexes import ...

# Hub
from langchain import hub

安装：

uv pip install langchain-classic

破坏性变更

放弃 Python 3.9 支持

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

更新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 修复为 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]:

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

OpenAI Responses API 的默认消息格式

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，或在实例化 ChatOpenAI 时指定 output_version="v0"。

# 使用 output_version 标志强制之前的行为
model = ChatOpenAI(model="gpt-5.4-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。如果您依赖旧的默认值，请显式设置 max_tokens=1024。

旧版代码移至 `langchain-classic`

标准接口和代理焦点之外的现有功能已移至 langchain-classic 软件包。有关核心 langchain 软件包中可用的内容以及移至 langchain-classic 的内容，请参阅简化的命名空间部分。

删除已弃用的 API

已经弃用并计划在 1.0 中删除的方法、函数和其他对象已被删除。请查看先前版本的弃用通知以获取替代 API。

text 属性

消息对象上使用 .text() 方法应删除括号，因为它现在是一个属性：

# 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。方法形式将在 v2 中移除。

`AIMessage` 中的 `example` 参数已移除

example 参数已从 AIMessage 对象中移除。我们建议迁移使用 additional_kwargs 来根据需要传递额外的元数据。

次要变更

AIMessageChunk 对象现在包含一个 chunk_position 属性，位置为 'last' 以表示流中的最后一个块。这有助于更清晰地处理流式消息。如果不是最后一个块，chunk_position 将为 None。
LanguageModelOutputVar 现在类型为 AIMessage 而不是 BaseMessage。
合并消息块的逻辑（AIMessageChunk.add）已更新，对合并块的最终 id 有更复杂的选择处理。它优先考虑提供者分配的 ID，而不是 LangChain 生成的 ID。
我们现在默认使用 utf-8 编码打开文件。
标准测试现在使用多模态内容块。

已存档的文档

旧文档已存档以供参考：

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

Edit this page on GitHub or file an issue.

​简化的软件包

​命名空间

​langchain-classic

​迁移到 create_agent

​导入路径

​提示词

​静态提示词重命名

​SystemMessage 转为字符串

​动态提示词

​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

​提示输出已移除

​流式节点名称重命名

​运行时上下文

​标准内容

​变更了什么

​读取标准化内容

​创建多模态消息

​块形状示例

​序列化标准内容

​简化的软件包

​命名空间

​langchain-classic

​破坏性变更

​放弃 Python 3.9 支持

​更新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

​删除已弃用的 API

​text 属性

​AIMessage 中的 example 参数已移除

​次要变更

​已存档的文档

简化的软件包

命名空间

`langchain-classic`

迁移到 `create_agent`

导入路径

提示词

静态提示词重命名

`SystemMessage` 转为字符串

动态提示词

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

提示输出已移除

流式节点名称重命名

运行时上下文

标准内容

变更了什么

读取标准化内容

创建多模态消息

块形状示例

序列化标准内容

简化的软件包

命名空间

`langchain-classic`

破坏性变更

放弃 Python 3.9 支持

更新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`

删除已弃用的 API

text 属性

`AIMessage` 中的 `example` 参数已移除

次要变更

已存档的文档