本节是 LangChain 1.0 实战系列的导学篇重点不是堆 API而是先建立一张完整地图LangChain 1.0 为什么重构、核心抽象发生了什么变化以及后续八节课如何串成一条可落地的 Agent 开发路径。1. LangChain 1.0 解决什么问题LangChain 的目标是给大模型应用提供统一的工程抽象使模型、Prompt、工具、记忆、检索与工作流能够组合而不是把所有逻辑写在一段 Prompt 或一个函数中。在旧版本中开发者常见的痛点包括Chain、Agent、Executor 等概念较多入口不统一不同模型厂商的消息、工具调用格式存在差异Agent 的中间过程不容易观测、暂停或恢复日志、缓存、重试、限流等能力容易侵入业务代码Notebook 原型容易完成但迁移到生产环境成本较高。LangChain 1.0 的思路是上层提供简洁统一的 Agent API底层交给 LangGraph 执行以 Middleware 承载横切能力。2. 1.0 的关键变化维度旧版常见方式LangChain 1.0核心入口多种 Agent/Executor 组合create_agent()执行模型Chain 串联LangGraph 状态图状态传递手工维护上下文统一 Agent State扩展机制Callback、Hook 分散Middleware工具调用不同 Agent 类型分别处理统一 Tool Schema结构化结果手工解析文本或 JSONStructured Output记忆与恢复自行拼接历史Checkpointer / Store需要特别理解的是LangChain 1.0 并没有抛弃 LangGraph。create_agent()创建出的 Agent本质上仍然是一个基于 LangGraph 的可执行图。3. Agent 的基本运行链路用户消息 ↓ 模型判断是否需要工具 ├─ 不需要 → 直接生成答案 └─ 需要工具 → 生成工具名和参数 ↓ 执行工具 ↓ ToolMessage 返回模型 ↓ 继续推理或结束因此一个 Agent 不只是“调用一次大模型”而是一个包含状态、分支和循环的执行系统。4. 本系列学习路线4.1 入门与基础完成环境安装、模型初始化和第一个 Agent掌握invoke()、stream()与消息结构。4.2 Model 与 Prompt学习模型参数、System/Human Message、Prompt 模板、批量与异步调用以及 Pydantic 结构化输出。4.3 Agent 与 Tool使用tool定义工具理解 Tool Schema、工具选择和 ReAct 循环。4.4 Agent 记忆通过thread_id与 Checkpointer 保存短期记忆并讨论长期记忆、上下文裁剪和持久化。4.5 RAG完成文档加载、切分、Embedding、向量检索和基于私有知识的问答链路。4.6 Middleware统一加入日志、重试、缓存、调用限额、工具筛选、自动摘要和人工审核。4.7 LangGraph 进阶通过 State、Node、Edge 和条件路由实现可循环、可暂停、可恢复的复杂工作流。4.8 生产环境把 Agent 封装为 API补齐异步并发、流式输出、鉴权、健康检查和 LangSmith 追踪。5. 开发环境建议建议使用 Python 3.10 及以上版本并在独立虚拟环境中安装依赖python-mvenv .venvsource.venv/bin/activate pipinstall-Ulangchain langgraph langchain-openai pipinstall-Ulangchain-community langchain-text-splitters通过 OpenAI 兼容接口接入第三方模型时通常需要准备exportOPENAI_API_KEYyour-api-keyexportOPENAI_BASE_URLhttps://your-provider.example.com/v1密钥不要写入源码、Notebook 输出或 Git 仓库。生产环境应使用环境变量或 Secret Manager。6. 学习时要抓住的主线统一接口更换模型供应商时业务逻辑尽量不变状态驱动消息、工具结果和业务字段都属于 State工具扩展模型负责决策工具负责执行确定性操作可控执行通过 Graph、Middleware 和 Checkpointer 控制流程生产可用从一开始考虑异常、成本、观测和数据安全。7. 本节小结LangChain 1.0 的核心变化可以浓缩为一句话用统一的 Agent API 降低开发门槛用 LangGraph 和 Middleware 提供生产级控制力。视频BV1xwVr6FEh4P33时长 08:42。