LangChain v1.0 最新版本快速入门

课程说明：

• 体验课内容节选自《2025大模型Agent智能体开发实战》(秋季班) 完整版付费课程

  体验课时间有限，若想深度学习大模型技术，欢迎大家报名由我主讲的《2025大模型Agent智能体开发实战》(秋季班)

《2025大模型Agent智能体开发实战》(秋招冲刺班) 为【100+小时】体系大课，总共20大模块精讲精析，零基础直达大模型企业级应用！

• 夏季班成果：

• 秋季班新增：

完整课程介绍：

部分项目成果演示

from IPython.display import Video

• MateGen项目演示

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/MG%E6%BC%94%E7%A4%BA%E8%A7%86%E9%A2%91.mp4", width=800, height=400)

• 智能客服项目演示

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/%E6%99%BA%E8%83%BD%E5%AE%A2%E6%9C%8D%E6%A1%88%E4%BE%8B%E8%A7%86%E9%A2%91.mp4", width=800, height=400)

• Dify项目演示

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2f1b47f42c65fd59e8d3a83e6cb9f13b_raw.mp4", width=800, height=400)

• LangChain&LangGraph搭建Multi-Agnet

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/%E5%8F%AF%E8%A7%86%E5%8C%96%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90Multi-Agent%E6%95%88%E6%9E%9C%E6%BC%94%E7%A4%BA%E6%95%88%E6%9E%9C.mp4", width=800, height=400)

此外，若是对大模型底层原理感兴趣，也欢迎报名由我和菜菜老师共同主讲的《2025大模型原理与实战课程》(秋招冲刺班)

大模型秋季班上新特惠进行时，直播间享五折特价+全套SVIP新班特定福利，合购还有更多优惠哦~详细信息扫码添加助教，回复“大模型”，即可领取课程大纲&查看课程详情👇

《大模型Agent开发实战》（体验课）

Part 1. LangChain v1.0 最新版本快速入门

  本期公开课，我将带着大家从零开始学习LangChain 开发框架，并从零到一实现一个具备企业应用落地的多模态本地知识库问答系统。

• LangChain 已成为国内大模型求职市场的敲门砖

  在开始今天的LangChain技术分享之前，我先为大家展示一组数据。根据我们团队对北京、上海、广州、深圳等13个核心城市对大模型技术岗位招聘数据分析，有一个非常有趣的现象：

• 技术栈分布：Python语言出现在90%的岗位需求中，这不是偶然
• 框架要求：在明确提及开源框架的岗位中，LangChain以近乎90%以上的出现频率高居榜首
• 薪资水平：掌握LangChain的开发者平均薪资比普通大模型开发者高出15-25%

  同时也深刻地感受到了一个事实：LangChain已经从一个开源框架，变成了国内企业大模型应用开发的"必修课"。

  虽然langchain 存在非常大的争议，很多人认为不好用，过渡封装等问题，但真实的招聘数据背后反映的是市场对LangChain技能的渴求，是企业对这项技术价值的认可！

LangChain相关岗位企业类型分布

企业类型	占比	典型企业	技术要求特点
互联网大厂	38.6%	字节跳动、腾讯、阿里、美团	注重规模化部署，商业化思维
科技公司	44.2%	AI独角兽、中小科技公司	快速迭代，技术创新能力
AI独角兽	8.6%	商汤、旷视、第四范式等	深度技术理解，算法优化
传统企业转型	8.6%	银行、制造业、零售等	业务结合，稳定可靠

  从这个表格中，可以发现一个重要趋势：不仅仅是AI公司在招LangChain开发者，传统企业也在大量需求这类人才。这说明LangChain已经从"实验室技术"变成了"生产力工具"。

  此外，除了外部的数据资料，官方权威背书的权威客户案例。作为技术选型的关键参考，我们不能只看招聘数据，更要看真正的企业实践。全球知名企业的生产级应用如：金融科技巨头Klarna，拥有8500万活跃用户，日处理250万笔交易。他们使用LangGraph和LangSmith构建的AI助手，已进行250万次对话，相当于700名全职员工的工作量。2023年11月，LangChain宣布加入Microsoft for Startups Pegasus计划，深度集成Azure OpenAI服务、Azure AI搜索等微软生态。提供企业级部署选项，满足数据安全需求

LangChain官方客户案例概览

企业名称	行业领域	应用场景	核心成果
Klarna	金融科技	AI客服助手	700人工作量，80%效率提升
Ally Financial	银行	PII屏蔽系统	合规保障，85%免编辑
Rakuten	电商	智能助理	业务流程优化
Replit	开发工具	代码生成	开发效率提升
Elastic	企业软件	对话检索	知识管理优化

https://langchain.ac.cn/customers

1. LangChain的优势是什么？

  企业为什么选择LangChain？它究竟能做什么？初学者可能都会有这样的疑问：既然LangChain如此重要，那么它到底解决了什么问题？为什么企业都在用它？接下来让我从技术架构师的角度，为大家深入剖析LangChain的核心价值。

  在我看来，LangChain最大的价值不是它自己能做什么，而是它能让各种技术组件无缝连接，协同工作。我喜欢把它比作"乐高积木的连接器"：

• 模型接入：支持OpenAI、DeepSeek、百度文心、阿里通义等主流大模型
• 数据连接：整合向量数据库、传统数据库、文档系统等数据源
• 工具集成：连接搜索引擎、API接口、计算器等外部工具
• 部署运维：提供监控、调试、评估等全生命周期支持

• 五大核心能力深度解析

• 能力一：智能代理（Agent）开发

  LangChain最受欢迎的功能 - 智能代理。传统的AI应用只是"问答机器人"，而LangChain的Agent能够主动思考、制定计划、调用工具、解决复杂问题。

  想象一下这样的场景：用户问"帮我分析一下苹果公司最近的股价走势，并给出投资建议"。传统模型可能只能给出一般性回答，而LangChain Agent会：

1. 分析问题：需要股价数据 + 财务分析
2. 调用工具：访问股票API获取实时数据
3. 数据处理：计算技术指标，分析趋势
4. 综合判断：结合多方信息给出建议

  一个完整的Agent系统包含四个核心模块：

  这四个模块分别是：记忆（Memory）、规划（Planner）、工具（Tools）和反思（Reflection）。它们共同构成了Agent的"大脑"和"手脚"。

图片来源：https://lilianweng.github.io/posts/2023-06-23-agent/ ， 强烈建议大家通篇阅读。

  这套智能代理架构是指自主代理的结构化设计，自主代理是能够独立感知环境、做出决策并采取行动以实现特定目标的系统或实体。该架构描述了代理的各个组件如何交互以促进智能行为。该架构包含四个关键组件：

• 规划（Planning）：该组件将代理置于动态环境中，使其能够根据其目标和收集的信息制定策略并规划未来的行动。
• 记忆（Memory）：该组件使智能体能够回忆过去的行为、经历和结果，这对于学习和适应至关重要。
• 行动（Action）：该组件将智能体的决策转化为具体的行动，执行计划的任务以达到预期的结果。
• 工具（Tools）：拥有一名仅拥有LLM的代理人就像使用一台没有任何额外设备的计算机一样。工具让代理能够使用互联网、获取特殊知识或与擅长特定事物的几种不同的人工智能模型一起工作，从而使代理变得更加有用。

  这就是Agent的强大之处！它不是简单的对话，而是具备推理、规划、执行能力的智能系统。

• 能力二：检索增强生成（RAG）

  根据我的实践经验，企业最头疼的问题是什么？大模型的"幻觉"问题。LangChain的RAG技术完美解决了这个痛点：

1. 知识库构建：将企业文档、手册、政策等转化为向量数据库
2. 智能检索：根据用户问题，精准找到相关知识片段
3. 增强生成：结合检索到的真实信息生成准确答案

  而LangChain中有非常庞大且完善的RAG工具库，可以满足企业级应用需求。

• 能力三：链式处理（Chain）

  复杂的业务逻辑怎么办？LangChain的Chain机制让我们可以将复杂任务拆解为多个步骤，串联执行：

FENCE0

  每一个步骤都可以使用不同的模型、不同的策略，这种模块化设计大大提高了系统的可控性和可维护性。

• 能力四：记忆机制（Memory）

  如何让AI记住用户的偏好和历史对话？LangChain提供了多种记忆类型：

LangChain记忆机制对比

记忆类型	适用场景	优势	局限性
缓冲记忆	短期对话	简单直接，响应快	容易超出上下文限制
摘要记忆	长期对话	节省token，保持关键信息	可能丢失细节
向量记忆	企业级应用	语义检索，海量存储	实现复杂度较高

• 能力五：工具生态系统

  这是我认为LangChain最具商业价值的特性。它不是一个封闭系统，而是一个开放的工具平台：

1. 预置工具：搜索引擎、计算器、天气查询、股票信息等
2. API集成：企业内部系统、第三方服务等
3. 自定义工具：根据业务需求开发专属工具
4. 工具链组合：多个工具协同解决复杂问题

2. 如何短时高效掌握LangChian？

  初学者都会比较迷茫，LangChain这么强大，到底应该怎么学？我讲解了三个版本的LangChain系列课程，发现很多同学在学习LangChain时走了弯路。今天也分享一条科学、高效、实用的学习路径。首先在开始学习之前，我需要纠正大家的几个误区：

• 错误认知：LangChain是一个大模型

• 正确理解：LangChain是大模型的"编排工具"

• 错误认知：学会LangChain就能开发所有AI应用

• 正确理解：LangChain是工程框架，需要结合业务逻辑

• 错误认知：LangChain很复杂，需要很深的AI背景

• 正确理解：LangChain注重工程实践，Python基础就能上手

  这里推荐大家一个四阶段学习法：

• 第一阶段：基础认知（1~3天）

  在这个阶段，重点去理解LangChain的设计理念和基本概念，比如LangChain的架构设计思想，它的核心组件概览：LLM、Prompt、Chain、Agent。然后去搭建开发环境，运行第一个LangChain程序，体验不同大模型的接入方式。这个阶段重点是"体感"，不要纠结于细节。先让代码跑起来，建立成就感！

https://python.langchain.com/docs/how_to/

• 第二阶段：组件掌握（1周）

  在这个阶段，重点去理解LangChain的一些核心组件的应用，比如提示工程：PromptTemplate的设计和优化，链式操作：SimpleSequentialChain、LLMChain等，记忆系统：不同Memory类型的选择和使用，数据接入：文档加载、文本分割、向量化。并且能够开始去搭建一些简单的问答系统、带记忆的聊天机器人、基础的RAG知识库。

https://python.langchain.com/docs/how_to/#qa-with-rag

第二阶段学习重点

组件类型	重要程度	学习顺序	实践建议
PromptTemplate	⭐⭐⭐⭐⭐	1	多练习不同场景的提示设计
LLMChain	⭐⭐⭐⭐	2	理解链式思维的设计模式
Memory	⭐⭐⭐⭐	3	对比不同记忆类型的效果
Document Loaders	⭐⭐⭐	4	尝试加载各种格式的文档

• 第三阶段：尝试做一些高级应用（持续）

  这个阶段的关键是理解Agent的思维模式。Agent不是简单的if-else逻辑，而是基于语言模型的"推理-行动-观察"循环。

  LangChain 中Agents模块的整体架构设计。如下所示：

  在Agents的内部结构。每个Agent组件一般会由语言模型 + 提示 + 输出解析器构成，它会作为Agents的大脑去处理用户的输入。Agent能够处理的输入主要来源于三个方面：input代表用户的原始输入，Model Response指的是模型对某一个子任务的响应输出，而History则能携带上下文的信息。其输出部分，则链接到实际的工具库，需要调用哪些工具，将由经过Agent模块后拆分的子任务来决定。

  而我们知道，大模型调用外部函数会分为两个过程：识别工具和实际执行。在Message -> Agent -> Toolkits 这个流程中，负责的是将子任务拆解，然后根据这些子任务在工具库中找到相应的工具，提取工具名称及所需参数，这个过程可以视作一种“静态”的执行流程。而将这些决策转化为实际行动的工作，则会交给AgentExecutor。

  所以综上需要理解的是：在LangChain的Agents实际架构中，Agent的角色是接收输入并决定采取的操作，但它本身并不直接执行这些操作。这一任务是由AgentExecutor来完成的。将Agent（决策大脑）与AgentExecutor（执行操作的Runtime）结合使用，才构成了完整的Agents（智能体），其中AgentExecutor负责调用代理并执行指定的工具，以此来实现整个智能体的功能。

  当然，在这种模式下，AgentExecutor的内部已经自动处理好了关于我们工具调用的所有逻辑，其中包含串行和并行工具调用的两种常用模式。

  所以这个阶段的侧重点就是理解Agent的工作机制，能够自定义工具的开发和集成，并且掌握RAG的索引、检索优化，以及向量数据库的选型。

• 第四阶段：生产实战（持续）

  开始了解和尝试部署和优化生产级LangChain应用，这包括LangChain自家生态的LangGraph、LangSmith、Langfuse等，以及通过A2A协议去和其他的Agent工作流做集成交互。

  所以，如果你能摆脱以下误区，那么你就能快速掌握LangChain，并且具备极强的工程能力。

• 误区一：追求完美，不敢动手

• 解决方案：先跑通基础示例，再逐步优化

• 误区二：只看不练，理论脱离实际

• 解决方案：每学一个概念，就写一个小demo

• 误区三：贪多求快，基础不扎实

• 解决方案：按照学习路径循序渐进，不要跳跃式学习

• 误区四：忽视调试技能，遇到问题就放弃

• 解决方案：学会使用LangSmith等调试工具，培养问题分析能力

3. LangChain v1.0 快速入门

  LangChain 可以称的上是大模型自2022年底爆火以来第一个真正意义上的大模型开发框架，大模型本质上无法直接解决实际的问题，仅仅是一个能够分析、推理和生成文本的黑盒。我们一直都在探索如何把大模型的强大能力与实际应用场景结合起来，而LangChain 的出现，其本质的作用就是让大模型开发变得简单起来。它将大模型的能力封装成一个个的组件，使开发者可以像搭积木一样，组合出自己的大模型应用。

  LangChain的首个版本开源自2022年10月,从一个开源 Python/TS 框架逐渐发展，形成包括“链”和“代理”等核心组件，现在已走向企业级阶段，发展成了LangChain AI，其拥有目前Agent技术领域最大的开源生态，衍生出了多个开源项目框架，各自都在大模型的技术领域承担着不同的开发任务角色。 其官方Github地址为：https://github.com/langchain-ai

  这里我们可以梳理出在LangChain AI中最受关注的项目发展态势，如下图所示：

  其中最活跃的项目当属langchain，排在前二的分别是langChain的Python版本和JavaScript版本。作为LangChain AI发展的基石，langchain主要用来支持构建大模型应用的一切，包括链式编排、检索增强生成 (RAG)、嵌入、文档处理、对话系统、代码分析等。而随着业务需求的越来越复杂，LangChain AI也推出了langgraph，作为一个基于图结构的 Agent 编排框架，可构建有状态、多步骤、多 Agent 的工作流，从而进一步扩展了LangChain AI的适用范围。而至于local‑deep‑researcher和opengpts，则完全是给开发者提供了基于LangChain定制开发出的特定热门应用，也一定程度上能印证LangChain AI的生态繁荣和可实现应用场景的广度。

LangChain AI 热门开源项目

项目	技术栈	核心用途
langchain	Python/TS	构建 LLM 应用基础组件
langchainjs	JS/TS	前端/Node 环境中构造 LLM 应用
langgraph	Python	用图编排复杂 agent 流程
local‑deep‑researcher	Python	自动化、多轮本地 Web 研究工具
opengpts	Python + Go + 前端	可定制化 GPT 平台，支持 RAG 和 agent 开发

  因此这里大家可以感受到，langChain AI生态的学习，其实最最核心的就是LangChain这个项目。今天我们要深入探讨 LangChain 1.0 这个重磅更新。LangChain v1.0 的 Alpha 版本于 2025 年 9 月 2 日正式发布 。官方计划在 10 月底发布正式版，以进一步整合用户反馈并完善功能

  我们将从两个维度来全面解析：核心改动与优势及多模态知识库解决方案展开讲解。相信通过今天的学习，大家不仅能理解 LangChain 1.0 的设计理念，更能掌握构建企业级多模态应用的完整方法论。

https://docs.langchain.com/oss/python/langchain/overview

  LangChain 1.0 的发布标志着框架进入了全新的发展阶段。与 0.x 版本相比，1.0 版本的设计目标非常明确：让框架变得更加稳定、简洁，并强化在企业级场景中的可维护性和可观察性。

  我们来逐一分析这些重要改动，看看它们如何影响我们的开发实践。

• 核心改动一：消息模型采用标准化内容块

  在 0.x 版本中，支持把多模态内容按各厂商原生格式放到 content（例如 list of dicts，OpenAI/Anthropic 的格式），只是没有统一的标准类型,这在多模态应用场景下使用很不方便。1.0 版本引入了全新的 content_blocks 属性，这是一个革命性的改进。

  具体来看，新的消息对象增加了 .content_blocks 属性，用于以结构化方式传递文本、图片、文件等内容。标准化内容块有 text 类型（代码与工具函数都以 type: "text" 处理），并提供数据类块来承载（ image / audio / file（支持 URL / base64 / id 等来源））。覆盖多模态（图片、PDF、音频等）数据源。

Content Block 类型对比

Block类型	数据格式	应用场景	编码要求
text	纯文本字符串	文本对话、指令传递	无需编码
image	base64或URL	图像理解、视觉问答	base64编码
file	文件内容+元数据	文档分析、表格处理	结构化封装

  以下代码展示了如何在 LangChain 1.0 中构建多模态消息：

# ! pip install --pre -U langchain

! pip show langchain

# ! pip install -U langchain-openai

! pip install python-dotenv

import os
# LangChain 1.0 统一模型初始化
from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage

from dotenv import load_dotenv
load_dotenv(override=True)

def get_chat_model(model_name: str = "gpt-4o"):
    try:
        # 使用新的统一初始化接口
        model = init_chat_model(
            f"openai:{model_name}",          # 统一的模型标识符
            api_key=os.getenv("OPENAI_API_KEY"),          # API密钥
            base_url="https://api.openai.com/v1",  # 自定义API端点
            temperature=0.7,                 # 温度参数
            max_tokens=2048,                 # 最大令牌数
        )
        return model
    except Exception as e:
        print(f"模型初始化失败: {e}")
        return None

# 演示模型初始化
model = get_chat_model()
print("LangChain 1.0 模型初始化成功")
print(f"模型类型: {type(model)}")

• 处理多模态-图像消息

  先来测试本地图像识别，代码如下：

# LangChain 1.0 多模态消息构建示例 
from langchain_core.messages import HumanMessage 
import base64 

# 1. 读取并编码图像 
def encode_image(image_path): 
    """将图像文件编码为base64格式""" 
    with open(image_path, "rb") as image_file:
         return base64.b64encode(image_file.read()).decode('utf-8') 
    
# 2. 构建包含文本和图像的多模态消息 
image_data = encode_image("./rag.png") 

message = HumanMessage(
     content=[
           { 
                "type": "text", "text": "请分析这张图片中的技术架构图，并解释各个组件之间的关系。" 
            }, 
           { 
                "type": "image_url", 
                "image_url": {
                    "url": f"data:image/jpeg;base64,{image_data}"
                }
            }
        ]
    )

response = model.invoke([message]) 

print("模型回复：", response.content)

  这里需要说明的一个点是：很多同学都会疑惑：content_blocks 到底在哪里起作用？为什么上面的代码还要用传统的 image_url 格式？

  content_blocks 是 LangChain 1.0 的核心设计之一，它的作用是在 LangChain 层面统一不同模型厂商的多模态输入格式。

• OpenAI 使用：{"type": "image_url", "image_url": {...}}
• Anthropic 使用：{"type": "image", "source": {...}}
• Google 使用：{"type": "inline_data", "inline_data": {...}}

  每家都有自己的格式标准，开发者需要为不同的模型写不同的代码，非常麻烦。所以LangChain 新版本content_blocks 提供了统一的标准化接口，开发者只需要学会一套格式，LangChain 会自动转换成各个厂商的格式。只是现在还在测试阶段未完成完全兼容。

LangChain 1.0 Alpha 版本问题汇总

问题类型	官方文档	实际情况	解决方案
图像格式	"type": "image"	不支持，报错	用 "type": "image_url"
content_blocks	完全支持	部分支持或不稳定	降级使用传统格式
模型适配	统一接口	各厂商还是要用原生格式	手动适配不同厂商
稳定性	生产可用	明确说不建议生产使用	等正式版或用 0.x

# 在线图片处理 - 简单示例
from langchain_core.messages import HumanMessage

# 方式1：直接使用在线图片URL（最简单）
online_image_url = "https://dashscope.oss-cn-beijing.aliyuncs.com/images/dog_and_girl.jpeg"

message = HumanMessage(
    content=[
        {
            "type": "text", 
            "text": "请分析这张在线图片"
        },
        {
            "type": "image_url",
            "image_url": {"url": online_image_url}  # 直接传URL，不需要下载
        }
    ]
)

response = model.invoke([message])
print("模型回复：", response.content)

在线图片处理方式对比

处理方式	适用场景	优势	劣势	推荐度
直接URL	公开可访问的图片	速度快，省带宽，减少延迟	需要图片长期可访问	⭐⭐⭐⭐⭐
下载编码	需要认证或特殊处理	适用性强，可添加认证	增加下载时间和流量	⭐⭐⭐
混合策略	企业级应用	兼顾效率和可靠性	代码复杂度稍高	⭐⭐⭐⭐

  不过核心要点：在线图片处理要在性能、可靠性和成本之间找到平衡。直接URL是最优选择，下载编码是可靠备用。

• 核心改动二：全新的 Agent 框架构建在 LangGraph 上

  在 0.x 版本中，构建复杂的 Agent 往往需要编写大量的循环逻辑和状态管理代码。1.0 版本彻底重构了 Agent 架构，基于 LangGraph 提供了更强大和灵活的解决方案。LangGraph 采用图结构组织 Agent 的执行流程，每个节点可以是模型调用、工具执行或判断逻辑。这种设计带来了以下核心优势：

• 可持久化执行：支持长时间运行的任务，即使中断也能恢复
• 并发处理：多个节点可以并行执行，提高效率
• 容错机制：内置错误处理和重试机制
• 可视化调试：图结构让执行流程一目了然

  1.0 版本提出了统一的 Agent 抽象，通过 create_agent 函数即可构建功能完整的 Agent。create_agent() 是基于论文 《ReAct：语言模型中的协同推理和行动》 提供了可用于生产的 ReAct（推理 + 行动）代理实现。

https://arxiv.org/pdf/2210.03629

! pip install --pre U langchain_community ddgs wikipedia

# LangChain 1.0 Agent 构建示例
from langchain.agents import create_agent
from langchain_community.tools import DuckDuckGoSearchRun, WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper
from langchain_openai import ChatOpenAI

# 1. 准备工具集
search_tool = DuckDuckGoSearchRun()
# wikipedia = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())

tools = [search_tool]

model = get_chat_model()

# 3. 创建基于LangGraph的Agent
agent = create_agent(
    model=model,
    tools=tools,
)

# 4. 使用Agent处理复杂查询
def run_research_query(query):
    """运行研究查询"""
    print(f"开始研究: {query}")
    
    # Agent会自动进行推理、工具调用和结果整合
    result = agent.invoke({"messages": [{"role": "user", "content": query}]})
    
    print(f"研究结果:\n{result.content}")
    return result

# 示例查询
query = "LangChain 1.0与LangGraph的关系是什么？请提供最新信息。"
research_result = run_research_query(query)

research_result

from langchain_core.messages import AIMessage, ToolMessage
msgs = research_result["messages"]

# 1) 收集所有工具调用
tool_calls = []
for m in msgs:
    if isinstance(m, AIMessage) and m.tool_calls:
        for tc in m.tool_calls:
            # LangChain 统一把工具调用放在 AIMessage.tool_calls
            tool_calls.append({"id": tc["id"], "name": tc["name"], "args": tc["args"]})

# 2) 收集工具结果（ToolMessage，content 里是结果；tool_call_id 与调用 id 对应）
tool_results = []
for m in msgs:
    if isinstance(m, ToolMessage):
        tool_results.append({
            "id": m.tool_call_id,  # 用这个与上面的调用 id 对上
            "name": getattr(m, "name", None),
            "content": m.content,
            "artifact": getattr(m, "artifact", None),  # 若工具返回结构化数据，可放这
        })

# 3) 关联“调用 → 结果”
by_id = {r["id"]: r for r in tool_results}
paired = [
    {"tool": c["name"], "args": c["args"], "result": (by_id.get(c["id"]) or {}).get("content")}
    for c in tool_calls
]

import json
print(json.dumps(paired, ensure_ascii=False, indent=2))

  通过上面的示例，我们可以看到 create_agent 大大简化了 Agent 的构建过程。Agent 会自动进行推理循环，调用合适的工具，直到完成任务，开发者无需编写复杂的状态管理逻辑。

  此外，1.0 版本还引入了强大的 middleware 机制，可以在模型调用的不同阶段插入自定义逻辑

• before_model：模型调用前的预处理
• modify_model_request：动态修改模型请求参数
• after_model：模型调用后的后处理

  这为实现细粒度控制提供了可能，比如动态调整提示词、实现自定义缓存、添加安全过滤等。

  LangChain 1.0 的核心改动其实是更加兼容了LangGraph的设计理念，以及进一步降低各个模型和服务的兼容问题，做到更好的大一统服务环境处理，该举动也必将在Agent开发市场中占有越来越高的地位。