LangChain v1 迁移指南 - Docs by LangChain中文

本指南概述了 LangChain v1 与之前版本之间的主要变化。

简化包

在 v1 中，langchain 包的命名空间已大幅缩减，专注于代理的基本构建块。简化后的包让发现和使用核心功能变得更容易。

命名空间

模块	可用内容	备注
`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`, 注入帮助器	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`

如果你之前在 langchain 包中使用了以下任何功能，则需要安装 langchain-classic 并更新你的导入：

旧的链（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模板）
嵌入模型模块（例如 CacheBackedEmbeddings 和社区嵌入）
langchain-community 重新导出
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

安装方法：

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 来构建代理。现在，我们推荐你使用 langchain.agents.create_agent 来构建代理。下表概述了从 create_react_agent 迁移到 create_agent 时发生改变的功能：

章节	TL;DR - 变化了什么
导入路径	从 `langgraph.prebuilt` 移动到 `langchain.agents`
提示词	参数重命名为 `system_prompt`，动态提示词使用中间件
模型前钩子	替换为具有 `before_model` 方法的中间件
模型后钩子	替换为具有 `after_model` 方法的中间件
自定义状态	仅支持 `TypedDict`，可以通过 `state_schema` 或中间件定义
模型	通过中间件进行动态选择，不支持预绑定模型
工具	工具错误处理移到了中间件，使用 `wrap_tool_call`
结构化输出	移除了提示性输出，使用 `ToolStrategy`/`ProviderStrategy`
流式传输节点名	节点名从 `"agent"` 改为 `"model"`
运行时上下文	通过 `context` 参数进行依赖注入，而不是 `config["configurable"]`
命名空间	精简以专注于代理构建块，旧代码移到 `langchain-classic`

导入路径

代理预构建的导入路径从 langgraph.prebuilt 更改为 langchain.agents。函数名从 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 Agents。

提示词

静态提示词重命名

prompt 参数重命名为 system_prompt：

from langchain.agents import create_agent

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather],
    system_prompt="你是一个有帮助的助手"
)

`SystemMessage` 转换为字符串

如果在系统提示词中使用了 SystemMessage 对象，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="你是一个有帮助的助手"
)

动态提示词

动态提示词是一种核心的上下文工程模式——它根据当前对话状态调整告诉模型的内容。使用 @dynamic_prompt 装饰器可以实现：

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-5.4",
    tools=tools,
    middleware=[dynamic_prompt],
    context_schema=Context
)

# 使用上下文
agent.invoke(
    {"messages": [{"role": "user", "content": "解释异步编程"}]},
    context=Context(user_role="expert")
)

模型前钩子

模型前钩子现在通过中间件实现，使用 before_model 方法。这种新模式更具扩展性——你可以定义多个中间件在调用模型之前运行，在不同的代理之间重用常见的模式。常见用例包括：

总结对话历史
修剪消息
输入护栏，如 PII 脱敏

在 v1 中，内置了摘要中间件作为一种选项：

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}
        )
    ]
)

模型后钩子

模型后钩子现在通过中间件实现，使用 after_model 方法。这种新模式更具扩展性——你可以定义多个中间件在调用模型之后运行，在不同的代理之间重用常见的模式。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审批的人在回路中间件：

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": "请在发送前审核这封邮件",
                    "allowed_decisions": ["approve", "reject"]
                }
            }
        )
    ]
)

自定义状态

自定义状态通过附加字段扩展默认的代理状态。你可以通过两种方式定义自定义状态：

通过 state_schema 在 create_agent 上 - 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和关联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 state_schema 在 create_agent 上定义，因为它允许你将状态扩展在概念上限定到相关的中间件和工具中。state_schema 仍然在 create_agent 上支持以保持向后兼容性。

通过 `state_schema` 定义状态

当你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:
    """使用此工具按名称问候用户。"""
    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  
)

通过中间件定义状态

中间件还可以通过设置 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到相关的中间件和工具中。

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 作为状态架构。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="claude-sonnet-4-6",
    tools=tools,
    state_schema=CustomAgentState  
)

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

模型

动态模型选择允许你根据运行时上下文（例如任务复杂度、成本限制或用户偏好）选择不同的模型。在 v0.6 版本的 langgraph-prebuilt 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。此功能已移植到 v1 中的中间件接口。

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-5.4")

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)]
)

预绑定模型

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

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

# 改用
agent = create_agent("gpt-5.4-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 参数接受以下列表：

LangChain BaseTool 实例（用 @tool 装饰的函数）
具有适当类型提示和文档字符串的可调用对象（函数）
代表内置提供者工具的 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]
)

处理工具错误

现在，你可以通过实现 wrap_tool_call 方法的中间件来配置工具错误的处理方式。

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导致的工具执行错误
        # 这些输入通过了模式验证但在运行时失败（例如无效的 SQL 语法）。
        # 不要处理：
        # - 网络故障（应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（已由框架自动处理）
        #
        # 向模型返回自定义错误消息
        return ToolMessage(
            content=f"工具错误：请检查您的输入并重试。({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]
)

结构化输出

节点变更

以前，结构化输出是在主代理之外的单独节点中生成的。现在不再这样了。我们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)
)

移除了提示性输出

提示性输出 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，提示性输出已被证明不够可靠。

流式传输节点名重命名

从代理流式传输事件时，节点名从 "agent" 改为 "model"，以更好地反映节点的目的。

运行时上下文

当你调用一个代理时，通常需要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）
在对话过程中不变的静态上下文（例如，用户元数据）

在 v1 中，通过设置 context 参数给 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=Context  
)

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

旧的 config["configurable"] 模式仍然有效以实现向后兼容，但对于新应用或迁移到 v1 的应用，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，以便在不同提供者之间获得一致的类型化视图。现有的 message.content 字段用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，用于标准化内容
标准化的块形状，在 Messages 中记录
通过 LC_OUTPUT_VERSION=v1 或 output_version="v1" 可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("解释 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": "描述这张图片。"},
    {"type": "image", "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",
}

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

更多详情，请参阅内容块参考。

序列化标准内容

默认情况下，标准内容块不会序列化到 content 属性中。如果你需要在 content 属性中访问标准内容块（例如，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

langchain 包的命名空间在 v1 中已大幅缩减，专注于代理的基本构建块。简化后的包让发现和使用核心功能变得更容易。

命名空间

模块	可用内容	备注
`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`, 注入帮助器	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`

如果你之前在 langchain 包中使用了以下任何功能，则需要安装 langchain-classic 并更新你的导入：

旧的链（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模板）
嵌入模型模块（例如 CacheBackedEmbeddings 和社区嵌入）
langchain-community 重新导出
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

移除 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 月生命终结。

聊天模型的返回类型更新

聊天模型调用的返回类型签名已从 BaseMessage 修正为 AIMessage。实现了 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 响应 API 的默认消息格式

当与响应 API 交互时，langchain-openai 现在默认将响应项存储在消息 content 中。要恢复以前的行为，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 标志强制执行以前的行为
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 1024。如果你依赖旧的默认值，请明确设置 max_tokens=1024。

旧代码移至 `langchain-classic`

不在标准接口和代理重点范围内的现有功能已移至 langchain-classic 包。关于核心 langchain 包中可用内容以及移至 langchain-classic 的内容，请参阅简化命名空间部分。

移除已弃用的 API

已弃用并计划在 1.0 中移除的方法、函数和其他对象已被删除。请查看先前版本的弃用通知，了解替代 API。

Text 属性

对消息对象使用 .text() 方法应去掉括号，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。

从 `AIMessage` 中移除 `example` 参数

AIMessage 对象中的 example 参数已被移除。我们建议迁移到使用 additional_kwargs 来传递所需的额外元数据。

微小变更

AIMessageChunk 对象现在包含一个 chunk_position 属性，位置为 'last'，表示流中的最后一个块。这使得对流式消息的处理更加清晰。如果块不是最后一个，则 chunk_position 将为 None。
LanguageModelOutputVar 现在类型化为 AIMessage 而不是 BaseMessage。
消息块合并逻辑（AIMessageChunk.add）已更新，对合并块的最终 ID 具有更复杂的选择处理。它优先使用提供者分配的 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。

存档文档

旧版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 转换为字符串

​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

​移除了提示性输出

​流式传输节点名重命名

​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

​块形状示例

​序列化标准内容

​简化包

​命名空间

​langchain-classic

​破坏性变更

​移除 Python 3.9 支持

​聊天模型的返回类型更新

​OpenAI 响应 API 的默认消息格式

​langchain-anthropic 中的默认 max_tokens

​旧代码移至 langchain-classic

​移除已弃用的 API

​Text 属性

​从 AIMessage 中移除 example 参数

​微小变更

​存档文档

简化包

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` 转换为字符串

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

移除了提示性输出

流式传输节点名重命名

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

块形状示例

序列化标准内容

简化包

命名空间

`langchain-classic`

破坏性变更

移除 Python 3.9 支持

聊天模型的返回类型更新

OpenAI 响应 API 的默认消息格式

`langchain-anthropic` 中的默认 `max_tokens`

旧代码移至 `langchain-classic`

移除已弃用的 API

Text 属性

从 `AIMessage` 中移除 `example` 参数

微小变更

存档文档