LangChain 1.0标志着一个重要的里程碑，它不仅优化了现有的功能，还引入了全新的Agent框架。这一框架的核心是通过create_agent API实现的，旨在为开发者提供一个生产就绪的、基于图结构的智能体运行时系统。本文将详细介绍这一全新Agent框架的背景、API调用流程、底层架构、Runtime框架以及内置工具支持。基于LangChain官方文档，本文旨在帮助开发者快速理解并上手这一强大功能。

1、LangChain 1.0全新Agent介绍

在LangChain 1.0中，最引人注目的更新无疑是全新的Agent API：create_agent。这一变化将LangChain Agent从早期那种“带点魔法味的模型调用器”转变为一个可感知上下文、具备行动能力、可扩展、可插拔的智能运行体（Intelligent Runtime Unit）。简单来说，Agent不再局限于“用大模型回答问题”，而是能够根据任务动态调用工具、进行推理决策、规划步骤，并与外部世界交互的自治式执行体。

LangChain Agent API实现了大一统。在1.0版本中，所有Agent的创建方式统一为一个入口——create_agent()。这一设计取代了旧版本中的多种分支函数，如create_react_agent、create_json_agent和create_tool_calling_agent，允许开发者用一行代码创建任何类型的智能体。

在LangChain 0.x时代，Agent系统经历了“碎片化”阶段。当时的设计理念是“针对场景设计特定Agent”——例如，使用create_react_agent实现思维链推理（ReAct），create_structured_chat_agent处理结构化输出，create_tool_calling_agent进行工具调用。这种方式虽然灵活，但带来了显著问题：

1. 使用较为复杂：开发者需要记忆每种Agent的API和参数。
2. 可组合性差：不同Agent之间难以统一调度。
3. 生态碎片化：模块间复用和协同演化困难。

进入LangChain 1.0后，团队进行了彻底重构：将所有Agent创建入口合并为create_agent()，并在底层引入“中间件机制（Middleware）”和“标准模型接口（invoke / stream）”来实现全局统一。这使得框架更轻量、更稳定，并更容易集成到其他Agent平台中。根据官方文档，这一框架遵循ReAct模式（Reasoning + Acting），Agent会交替进行推理和工具调用，将观察结果反馈回模型，直到产生最终输出或达到迭代限制。

此外，LangChain 1.0强调生产就绪性，支持流式输出、错误处理和自定义状态管理，确保Agent在实际应用中可靠运行。

2、create_agent API极简调用流程实例

LangChain 1.0中的create_agent API调用过程极其简单。从代码层面看，只需将模型和工具组合即可完成Agent创建。以下是一个实际示例，演示如何使用该API查询实时信息：

# 1. 导入相关库from langchain.agents import create_agentfrom langchain_deepseek import ChatDeepSeek  # 示例模型，可替换为其他如ChatOpenAIfrom langchain_community.tools.tavily_search import TavilySearchResults  # 示例工具import osfrom dotenv import load_dotenv   # 加载配置文件，包括模型URL、token等（工程根目录下 .env文件）load_dotenv(override=True)# 2. 初始化模型和工具web_search = TavilySearchResults(max_results=2)  # 网络搜索工具model = ChatDeepSeek(model="deepseek-chat")  # 或使用model="gpt-4o"等# 3. 创建Agentagent = create_agent(    model=model,    tools=[web_search],    system_prompt="你是一名智能助手，可以调用工具帮助用户解决问题。")# 4. 运行Agent并获取结果result = agent.invoke(    {"messages": [{"role": "user", "content": "请帮我查询2024年诺贝尔物理学奖得主是谁？"}]})print(result['messages'][-1].content)  # 输出最终结果

在这个示例中，Agent会自动调用web_search工具进行搜索，然后基于结果生成回答。官方文档强调，Agent的状态通过消息序列维护，支持invoke用于同步执行，或stream用于实时流式输出（如stream_mode="values"）。这一流程展示了create_agent的简洁性：无需复杂配置，即可构建一个能推理和行动的智能体。

3、create_agent API底层LangGraph架构

从底层架构来看，LangChain 1.0将LangGraph确立为框架的核心运行时基础（Runtime Foundation），而非附属扩展。在0.x时代，LangGraph被视为LangChain的高层封装，用于复杂Agent编排。但在1.0中，角色反转：LangGraph下沉为底层执行引擎，所有高级API（如create_agent()、中间件系统、状态管理和事件调度）均运行在其上。

这使得LangChain从一个“Prompt组织与调用库”演变为基于图结构的智能体运行时系统。每个Agent的生命周期、模型调用和工具执行，都是图中节点或边的过程：

• 节点（Node）：代表执行步骤，如模型调用节点、工具执行节点或中间件节点。
• 边（Edge）：定义执行流程和状态流转。
• 图（Graph）：控制Agent在节点间的流动、推理和决策。

例如，上文示例中的Agent运行逻辑可以用LangGraph描述为一个循环图：从用户输入开始，进入模型节点进行推理，若需工具则跳转到工具节点，观察结果反馈回模型，直至最终输出。

这一统一架构带来的优势包括：

1. 接口统一，降低使用门槛：无论工具型、规划型还是对话型Agent，都用同一入口创建，开发者无需区分实现逻辑。
2. 跨生态兼容性增强：LangChain 1.0的Agent架构与LangGraph、LangServe甚至OpenAI Responses API完全兼容。同一个Agent可运行在命令行、Web UI、LangGraph节点或云端环境中。
3. 中间件机制的加入：允许通过装饰器或中间件在Agent生命周期中插入逻辑，如日志记录、速率限制、记忆压缩、PII审查或内容重写。这使Agent更像“微型操作系统进程”，具备高可观察性和管理性。
4. 可扩展性与定制性更强：统一API底层基于标准化状态流（State Graph），用户可自由扩展行为而不破坏核心逻辑。官方文档指出，中间件是扩展首选方式，支持动态模型选择、工具错误处理和提示生成。

此外，LangGraph提供稳定的调度、状态传递和事件流控制，确保Agent在复杂任务中高效运行。

4、Agent Runtime框架：create_agent

LangChain 1.0中的Agent系统本质上是一个Agent Runtime框架。在计算机领域，Runtime指代码运行的执行环境，负责管理程序生命周期、状态维护、外部交互以及异常处理等。Agent Runtime框架则让智能体能够持续运行、思考、决策、调用工具并保持状态。它不是简单的函数库，而是一套完整的管理系统。

create_agent()是这一框架的生产就绪构造函数，通过内部使用LangGraph构建基于图结构的Runtime。得益于LangGraph的全套开发框架和新增的中间件（Middleware），Agent开发和运行过程更可控。

在create_agent()的底层机制中，最重要的三个组件是：

1. 模型（Model）：Agent的“大脑”，负责任务理解和决策推理。可为静态模型（固定不变，如ChatOpenAI(model="gpt-4o")）或动态模型（通过中间件根据上下文切换，实现成本优化和适应性推理）。
2. 工具（Tools）：Agent的“手脚”。模型可动态选择调用工具完成子任务，例如web_search()进行联网搜索、calculate()处理公式、database_query()查询数据源。支持并行工具调用、错误重试和自定义消息。
3. 中间件（Middleware）：类似于“神经系统”，可在模型/工具调用前后拦截请求、修改参数或调整逻辑。是LangChain 1.0的强大扩展机制，支持装饰器如@wrap_model_call（动态模型选择）、@wrap_tool_call（工具错误处理）和@dynamic_prompt（运行时提示生成）。

官方文档强调，Agent遵循ReAct模式，支持结构化输出（通过ToolStrategy或ProviderStrategy）、自定义状态（使用TypedDict）和流式处理。这使得create_agent适用于从简单查询到复杂多步任务的场景，确保高扩展性和生产可靠性。

5、create_agent内置工具介绍

LangChain 1.0提供了丰富的内置工具集成，这些工具可直接传入create_agent的tools参数，帮助Agent与外部世界交互。工具按领域分类，便于开发者选择。以下表格列出部分关键工具集（基于官方文档），包括领域、工具名称和功能说明：

领域	工具名称	功能说明
Search	Bing Search	执行在线搜索，返回URL、Snippet和Title。
Search	Brave Search	执行在线搜索，返回URL、Snippet和Title。
Search	DuckDuckgoSearch	执行在线搜索，返回URL、Snippet和Title。
Search	Exa Search	执行在线搜索，返回URL、Author、Title和Published Date。
Search	Google Search	执行在线搜索，返回URL、Snippet和Title。
Search	Google Serper	执行在线搜索，返回URL、Snippet、Title、Search Rank和Site Links。
Search	Jina Search	执行在线搜索，返回URL、Snippet、Title和Page Content。
Search	Mojeek Search	执行在线搜索，返回URL、Snippet和Title。
Search	SearchApi	执行在线搜索，返回URL、Snippet、Title、Search Rank、Site Links和Authors。
Search	SearxNG Search	执行在线搜索，返回URL、Snippet、Title和Category。
Search	SerpAPI	执行在线搜索，返回Answer。
Search	Tavily Search	执行在线搜索，返回URL、Content、Title、Images和Answer。
Search	You.com Search	执行在线搜索，返回URL、Title和Page Content。
Code Interpreter	Azure Container Apps dynamic sessions	支持Python代码解释，沙箱生命周期1小时，支持文件上传，返回Text和Images，不支持自托管。
Code Interpreter	Bearly Code Interpreter	支持Python代码解释，每次执行重置，支持文件上传，返回Text，不支持自托管。
Code Interpreter	Riza Code Interpreter	支持Python、JavaScript、PHP、Ruby代码解释，每次执行重置，支持文件上传，返回Text，支持自托管。
Productivity	Github Toolkit	自动化GitHub任务；免费使用。
Productivity	Gitlab Toolkit	自动化GitLab任务；个人项目免费。
Productivity	Gmail Toolkit	自动化Gmail任务；免费，限额250 quota units/用户/秒。
Productivity	Infobip Tool	通过Infobip自动化任务；免费试用，后续变价。
Productivity	Jira Toolkit	自动化Jira任务；免费，带速率限制。
Productivity	Office365 Toolkit	自动化Office365任务；Office365免费，带速率限制。
Productivity	Slack Toolkit	自动化Slack任务；免费。
Productivity	Twilio Tool	通过Twilio自动化任务；免费试用，后续按用付费。
Web Browsing	AgentQL Toolkit	使用AgentQL自动化浏览器任务；支持浏览器交互，免费试用，后续按用付费和平价计划。
Web Browsing	Hyperbrowser Browser Agent Tools	自动化浏览器交互；支持浏览器交互，免费试用，后续平价计划和预付费信用。
Web Browsing	Hyperbrowser Web Scraping Tools	自动化网页抓取；不支持浏览器交互，免费试用，后续平价计划和预付费信用。
Web Browsing	MultiOn Toolkit	自动化浏览器任务；支持浏览器交互，40免费请求/天。
Web Browsing	Oxylabs Web Scraper API	自动化网页抓取；不支持浏览器交互，免费试用，后续平价计划和预付费信用。
Web Browsing	PlayWright Browser Toolkit	使用Playwright自动化浏览器任务；支持浏览器交互，免费。
Web Browsing	Requests Toolkit	自动化HTTP请求；不支持浏览器交互，免费。
Database	Cassandra Database Toolkit	支持Cassandra数据库的SELECT操作和schema introspection。
Database	MCP Toolbox	支持任何SQL操作。
Database	SQLDatabase Toolkit	支持任何SQL操作。
Database	Spark SQL Toolkit	支持任何SQL操作。
Finance	GOAT	启用财务交易，如创建/接收支付、购买商品和投资。
Finance	Privy	启用钱包创建，配置权限和快速交易执行。
Integration Platforms	Composio	通过统一接口访问500+集成；免费层可用，包括OAuth处理、事件驱动工作流和多用户支持。

这些工具可通过@tool装饰器自定义扩展。更多详情请参考官方文档，选择合适的工具增强Agent能力。

总之，LangChain 1.0的全新Agent框架标志着AI智能体开发的一个重大飞跃，通过统一的create_agent API、基于LangGraph的强大底层架构以及灵活的中间件机制，不仅简化了开发流程，降低了使用门槛，还极大增强了系统的可扩展性和生产就绪性。这一框架将Agent从单纯的模型调用者转变为自治式智能运行体，能够无缝处理复杂任务、动态决策和外部交互，适用于从日常聊天机器人到企业级自动化系统等多种场景。未来，随着生态的进一步演化，LangChain 1.0有望成为构建下一代AI应用的基石，开发者们不妨立即上手官方文档，探索其无限潜力，推动智能技术向更智能、更可靠的方向迈进。

6、AI大模型从0到精通全套学习大礼包

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

只要你是真心想学AI大模型，我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

如果你也想通过学大模型技术去帮助就业和转行，可以扫描下方链接👇👇
大模型重磅福利：入门进阶全套104G学习资源包免费分享！

01.从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

​

02.AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

​

03.学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

04.大模型面试题目详解

05.这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓