LangChain v1 迁移指南 - LangChain中文版文档

本迁移指南概述了 LangChain v1 中的主要变更。要了解更多关于 v1 新功能的信息，请参阅介绍文章。升级方法：

npm install langchain@latest @langchain/core@latest

pnpm install langchain@latest @langchain/core@latest

yarn add langchain@latest @langchain/core@latest

bun add langchain@latest @langchain/core@latest

`createAgent`

在 v1 中，react agent 预构建功能现在位于 langchain 包中。下表概述了功能变更：

部分	变更内容
导入路径	包从 `@langchain/langgraph/prebuilts` 移至 `langchain`
提示词	参数重命名为 `systemPrompt`，动态提示词使用中间件
模型前钩子	替换为带有 `beforeModel` 方法的中间件
模型后钩子	替换为带有 `afterModel` 方法的中间件
自定义状态	在中间件中定义，仅支持 zod 对象
模型	通过中间件动态选择，不支持预绑定模型
工具	工具错误处理移至带有 `wrapToolCall` 的中间件
结构化输出	移除了提示式输出，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	使用 `context` 属性替代 `config.configurable`
命名空间	精简为专注于智能体构建块，遗留代码移至 `@langchain/classic`

导入路径

react agent 预构建的导入路径已从 @langchain/langgraph/prebuilts 更改为 langchain。函数名称也从 createReactAgent 更改为 createAgent：

import { createReactAgent } from "@langchain/langgraph/prebuilts";
import { createAgent } from "langchain";

提示词

静态提示词重命名

prompt 参数已重命名为 systemPrompt：

import { createAgent } from "langchain";

agent = createAgent({
  model,
  tools,
  systemPrompt: "你是一个乐于助人的助手。",
});

import { createReactAgent } from "@langchain/langgraph/prebuilts";

const agent = createReactAgent({
  model,
  tools,
  prompt: "你是一个乐于助人的助手。",
});

`SystemMessage`

如果在系统提示词中使用 SystemMessage 对象，现在直接使用其字符串内容：

import { SystemMessage, createAgent } from "langchain";

const agent = createAgent({
  model,
  tools,
  systemPrompt: "你是一个乐于助人的助手。",
});

import { createReactAgent } from "@langchain/langgraph/prebuilts";

const agent = createReactAgent({
  model,
  tools,
  prompt: new SystemMessage(content: "你是一个乐于助人的助手。"),
});

动态提示词

动态提示词是一种核心的上下文工程模式——它们根据当前对话状态调整你告诉模型的内容。为此，请使用 dynamicSystemPromptMiddleware：

import { createAgent, dynamicSystemPromptMiddleware } from "langchain";
import * as z from "zod";

const contextSchema = z.object({
  userRole: z.enum(["expert", "beginner"]).default("beginner"),
});

const userRolePrompt = dynamicSystemPromptMiddleware<z.infer<typeof contextSchema>>( 
    (_state, runtime) => {
        const userRole = runtime.context.userRole;
        const basePrompt = "你是一个乐于助人的助手。";

        if (userRole === "expert") {
            return `${basePrompt} 提供详细的技术性回答。`;
        } else if (userRole === "beginner") {
            return `${basePrompt} 用简单的方式解释概念，避免使用术语。`;
        }
        return basePrompt;
    }
);

const agent = createAgent({
  model,
  tools,
  middleware: [userRolePrompt],
  contextSchema,
});

await agent.invoke(
  {
    messages: [new HumanMessage("解释异步编程")],
  },
  {
    context: {
      userRole: "expert",
    },
  }
);

import { createReactAgent } from "@langchain/langgraph/prebuilts";

const contextSchema = z.object({
  userRole: z.enum(["expert", "beginner"]),
});

const agent = createReactAgent({
  model,
  tools,
  prompt: (state) => {
    const userRole = state.context.userRole;
    const basePrompt = "你是一个乐于助人的助手。";

    if (userRole === "expert") {
      return `${basePrompt} 提供详细的技术性回答。`;
    } else if (userRole === "beginner") {
      return `${basePrompt} 用简单的方式解释概念，避免使用术语。`;
    }
    return basePrompt;
  },
  contextSchema,
});

// 通过 config.configurable 使用上下文
await agent.invoke(
  {
    messages: [new HumanMessage("解释异步编程")],
  },
  {
    config: {
      configurable: { userRole: "expert" },
    },
  }
);

模型前钩子

模型前钩子现在通过带有 beforeModel 方法的中间件实现。这种模式更具扩展性——你可以定义多个在模型调用前运行的中间件，并在不同智能体间复用它们。常见用例包括：

总结对话历史
修剪消息
输入护栏，如 PII 脱敏

v1 包含内置的总结中间件：

import { createAgent, summarizationMiddleware } from "langchain";

const agent = createAgent({
  model: "claude-sonnet-4-6",
  tools,
  middleware: [
    summarizationMiddleware({
      model: "claude-sonnet-4-6",
      trigger: { tokens: 1000 },
    }),
  ],
});

import { createReactAgent } from "@langchain/langgraph/prebuilts";

function customSummarization(state) {
  // 消息总结的自定义逻辑
}

const agent = createReactAgent({
  model: "claude-sonnet-4-6",
  tools,
  preModelHook: customSummarization,
});

模型后钩子

模型后钩子现在通过带有 afterModel 方法的中间件实现。这让你可以在模型响应后组合多个处理器。常见用例包括：

人工介入审批
输出护栏

v1 包含内置的人工介入中间件：

import { createAgent, humanInTheLoopMiddleware } from "langchain";

const agent = createAgent({
  model: "claude-sonnet-4-6",
  tools: [readEmail, sendEmail],
  middleware: [
    humanInTheLoopMiddleware({
      interruptOn: {
        sendEmail: { allowedDecisions: ["approve", "edit", "reject"] },
      },
    }),
  ],
});

import { createReactAgent } from "@langchain/langgraph/prebuilts";

function customHumanInTheLoopHook(state) {
  // 自定义审批逻辑
}

const agent = createReactAgent({
  model: "claude-sonnet-4-6",
  tools: [readEmail, sendEmail],
  postModelHook: customHumanInTheLoopHook,
});

自定义状态

自定义状态现在通过中间件的 stateSchema 属性定义。使用 Zod 声明在智能体运行过程中携带的额外状态字段。

import * as z from "zod";
import { createAgent, createMiddleware, tool } from "langchain";

const UserState = z.object({
  userName: z.string(),
});

const userState = createMiddleware({
  name: "UserState",
  stateSchema: UserState,
  beforeModel: (state) => {
    // 访问自定义状态属性
    const name = state.userName;
    // 可选地根据状态修改消息/系统提示词
    return;
  },
});

const greet = tool(
  async () => {
    return "你好！";
  },
  {
    name: "greet",
    description: "向用户问好",
    schema: z.object({}),
  }
);

const agent = createAgent({
  model: "claude-sonnet-4-6",
  tools: [greet],
  middleware: [userState],
});

await agent.invoke({
  messages: [{ role: "user", content: "嗨" }],
  userName: "Ada",
});

import { getCurrentTaskInput } from "@langchain/langgraph";
import { createReactAgent } from "@langchain/langgraph/prebuilts";
import * as z from "zod";

const UserState = z.object({
  userName: z.string(),
});

const greet = tool(
  async () => {
    const state = await getCurrentTaskInput();
    const userName = state.userName;
    return `你好 ${userName}！`;
  },
);

// 自定义状态通过智能体级别的状态模式提供或在钩子中临时访问
const agent = createReactAgent({
  model: "claude-sonnet-4-6",
  tools: [greet],
  stateSchema: UserState,
});

模型

动态模型选择现在通过中间件进行。使用 wrapModelCall 根据状态或运行时上下文切换模型（和工具）。在 createReactAgent 中，这是通过传递给 model 参数的函数完成的。此功能在 v1 中已移植到中间件接口。

动态模型选择

import { createAgent, createMiddleware } from "langchain";

const dynamicModel = createMiddleware({
  name: "DynamicModel",
  wrapModelCall: (request, handler) => {
    const messageCount = request.state.messages.length;
    const model = messageCount > 10 ? "openai:gpt-5" : "openai:gpt-5-nano";
    return handler({ ...request, model });
  },
});

const agent = createAgent({
  model: "gpt-5-nano",
  tools,
  middleware: [dynamicModel],
});

import { createReactAgent } from "@langchain/langgraph/prebuilts";

function selectModel(state) {
  return state.messages.length > 10 ? "openai:gpt-5" : "openai:gpt-5-nano";
}

const agent = createReactAgent({
  model: selectModel,
  tools,
});

预绑定模型

为了更好地支持结构化输出，createAgent 应接收一个普通模型（字符串或实例）和一个单独的 tools 列表。使用结构化输出时，避免传递预绑定工具的模型。

// 不再支持
// const modelWithTools = new ChatOpenAI({ model: "gpt-4.1-mini" }).bindTools([someTool]);
// const agent = createAgent({ model: modelWithTools, tools: [] });

// 改用
const agent = createAgent({ model: "gpt-4.1-mini", tools: [someTool] });

工具

createAgent 的 tools 参数接受：

使用 tool 创建的函数
LangChain 工具实例
表示内置提供者工具的对象

处理工具错误

现在可以通过实现 wrapToolCall 方法的中间件来配置工具错误的处理。

import { createAgent, createMiddleware, ToolMessage } from "langchain";

const handleToolErrors = createMiddleware({
  name: "HandleToolErrors",
  wrapToolCall: async (request, handler) => {
    try {
      return await handler(request);
    } catch (error) {
      // 仅处理由于无效输入（通过模式验证但在运行时失败，例如无效的 SQL 语法）导致的工具执行错误。
      // 不要处理：
      // - 网络故障（改用工具重试中间件）
      // - 错误的工具实现错误（应向上冒泡）
      // - 模式不匹配错误（框架已自动处理）
      //
      // 向模型返回自定义错误消息
      return new ToolMessage({
        content: `工具错误：请检查你的输入并重试。(${error})`,
        tool_call_id: request.toolCall.id!,
      });
    }
  },
});

const agent = createAgent({
  model: "claude-sonnet-4-6",
  tools: [checkWeather, searchWeb],
  middleware: [handleToolErrors],
});

import { createReactAgent, ToolNode } from "@langchain/langgraph/prebuilts";

const agent = createReactAgent({
  model: "claude-sonnet-4-6",
  tools: new ToolNode(
    [checkWeather, searchWeb],
    { handleToolErrors: true }
  ),
});

结构化输出

节点变更

结构化输出过去是在一个独立于主智能体的单独节点中生成的。现在不再如此。结构化输出在主循环中生成（无需额外的 LLM 调用），降低了成本和延迟。

工具和提供者策略

在 v1 中，有两种策略：

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

import { createAgent, toolStrategy } from "langchain";
import * as z from "zod";

const OutputSchema = z.object({
  summary: z.string(),
  sentiment: z.string(),
});

const agent = createAgent({
  model: "gpt-4.1-mini",
  tools,
  // 显式使用工具策略
  responseFormat: toolStrategy(OutputSchema),
});

import { createReactAgent } from "@langchain/langgraph/prebuilts";
import * as z from "zod";

const OutputSchema = z.object({
  summary: z.string(),
  sentiment: z.string(),
});

const agent = createReactAgent({
  model: "gpt-4.1-mini",
  tools,
  // 结构化输出主要通过工具调用驱动，选项较少
  responseFormat: OutputSchema,
});

移除了提示式输出

通过 responseFormat 中自定义指令的提示式输出已被移除，转而支持上述策略。

流式节点名称重命名

从智能体流式传输事件时，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

调用智能体时，通过 context 配置参数传递静态的、只读的配置。这取代了使用 config.configurable 的模式。

import { createAgent, HumanMessage } from "langchain";
import * as z from "zod";

const agent = createAgent({
  model: "gpt-4.1",
  tools,
  contextSchema: z.object({ userId: z.string(), sessionId: z.string() }),
});

const result = await agent.invoke(
  { messages: [new HumanMessage("你好")] },
  { context: { userId: "123", sessionId: "abc" } },
);

import { createReactAgent, HumanMessage } from "@langchain/langgraph/prebuilts";

const agent = createReactAgent({ model, tools });

// 通过 config.configurable 传递上下文
const result = await agent.invoke(
  { messages: [new HumanMessage("你好")] },
  {
    config: {
      configurable: { userId: "123", sessionId: "abc" },
    },
  }
);

旧的 config.configurable 模式仍然有效以保持向后兼容性，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.contentBlocks 访问它们，以获得跨提供者的一致、类型化视图。现有的 message.content 字段对于字符串或提供者原生结构保持不变。

变更内容

消息上新增 contentBlocks 属性用于规范化内容。
新增 TypeScript 类型 ContentBlock 用于强类型化。
通过 LC_OUTPUT_VERSION=v1 或 outputVersion: "v1" 可选地将标准块序列化到 content 中。

读取标准化内容

import { initChatModel } from "langchain";

const model = await initChatModel("gpt-5-nano");
const response = await model.invoke("解释 AI");

for (const block of response.contentBlocks) {
  if (block.type === "reasoning") {
    console.log(block.reasoning);
  } else if (block.type === "text") {
    console.log(block.text);
  }
}

// 提供者原生格式各不相同；你需要按提供者处理。
const response = await model.invoke("解释 AI");
for (const item of response.content as any[]) {
  if (item.type === "reasoning") {
    // OpenAI 风格的推理
  } else if (item.type === "thinking") {
    // Anthropic 风格的思考
  } else if (item.type === "text") {
    // 文本
  }
}

创建多模态消息

import { HumanMessage } from "langchain";

const message = new HumanMessage({
  contentBlocks: [
    { type: "text", text: "描述这张图片。" },
    { type: "image", url: "https://example.com/image.jpg" },
  ],
});
const res = await model.invoke([message]);

import { HumanMessage } from "langchain";

const message = new HumanMessage({
  // 提供者原生结构
  content: [
    { type: "text", text: "描述这张图片。" },
    { type: "image_url", image_url: { url: "https://example.com/image.jpg" } },
  ],
});
const res = await model.invoke([message]);

示例块类型

import { ContentBlock } from "langchain";

const textBlock: ContentBlock.Text = {
  type: "text",
  text: "Hello world",
};

const imageBlock: ContentBlock.Multimodal.Image = {
  type: "image",
  url: "https://example.com/image.png",
  mimeType: "image/png",
};

有关更多详细信息，请参阅内容块参考文档。

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

import { initChatModel } from "langchain";

const model = await initChatModel("gpt-5-nano", {
  outputVersion: "v1",
});

了解更多：消息和标准内容块。有关输入示例，请参阅多模态。

简化包

langchain 包的命名空间已精简，专注于智能体构建块。遗留功能已移至 @langchain/classic。新包仅公开最有用和最相关的功能。

导出

v1 包包括：

模块	可用内容	备注
智能体	`createAgent`, `AgentState`	核心智能体创建功能
消息	消息类型、内容块、`trimMessages`	从 `@langchain/core` 重新导出
工具	`tool`、工具类	从 `@langchain/core` 重新导出
聊天模型	`initChatModel`, `BaseChatModel`	统一的模型初始化

`@langchain/classic`

如果你使用遗留链、索引 API 或之前从 @langchain/community 重新导出的功能，请安装 @langchain/classic 并更新导入：

npm install @langchain/classic

pnpm install @langchain/classic

yarn add @langchain/classic

bun add @langchain/classic

// v1 (新)
import { ... } from "@langchain/classic";
import { ... } from "@langchain/classic/chains";

// v0 (旧)
import { ... } from "langchain";
import { ... } from "langchain/chains";

破坏性变更

放弃 Node 18 支持

所有 LangChain 包现在需要 Node.js 20 或更高版本。Node.js 18 已于 2025 年 3 月终止支持。

新的构建输出

所有 langchain 包的构建现在使用基于打包器的方法，而不是使用原始的 TypeScript 输出。如果你从 dist/ 目录导入文件（不推荐），则需要更新导入以使用新的模块系统。

遗留代码移至 `@langchain/classic`

标准接口和智能体焦点之外的遗留功能已移至 @langchain/classic 包。有关核心 langchain 包中可用内容以及移至 @langchain/classic 的内容的详细信息，请参阅简化包部分。

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。

查看已移除的弃用 API

以下弃用 API 已在 v1 中移除：

核心功能

TraceGroup - 改用 LangSmith 追踪
BaseDocumentLoader.loadAndSplit - 使用 .load() 后跟文本分割器
RemoteRunnable - 不再支持

提示词

BasePromptTemplate.serialize 和 .deserialize - 直接使用 JSON 序列化
ChatPromptTemplate.fromPromptMessages - 使用 ChatPromptTemplate.fromMessages

检索器

BaseRetrieverInterface.getRelevantDocuments - 改用 .invoke()

可运行对象

Runnable.bind - 使用 .bindTools() 或其他特定绑定方法
Runnable.map - 使用 .batch()
RunnableBatchOptions.maxConcurrency - 在配置对象中使用 maxConcurrency

聊天模型

BaseChatModel.predictMessages - 改用 .invoke()
BaseChatModel.predict - 改用 .invoke()
BaseChatModel.serialize - 直接使用 JSON 序列化
BaseChatModel.callPrompt - 改用 .invoke()
BaseChatModel.call - 改用 .invoke()

LLMs

BaseLLMParams.concurrency - 在配置对象中使用 maxConcurrency
BaseLLM.call - 改用 .invoke()
BaseLLM.predict - 改用 .invoke()
BaseLLM.predictMessages - 改用 .invoke()
BaseLLM.serialize - 直接使用 JSON 序列化

流式处理

createChatMessageChunkEncoderStream - 直接使用 .stream() 方法

追踪

BaseTracer.runMap - 使用 LangSmith 追踪 API
getTracingCallbackHandler - 使用 LangSmith 追踪
getTracingV2CallbackHandler - 使用 LangSmith 追踪
LangChainTracerV1 - 使用 LangSmith 追踪

内存和存储

BaseListChatMessageHistory.addAIChatMessage - 使用 .addMessage() 配合 AIMessage
BaseStoreInterface - 使用特定的存储实现

工具函数

getRuntimeEnvironmentSync - 使用异步的 getRuntimeEnvironment()

Edit this page on GitHub or file an issue.

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

​createAgent

​导入路径

​提示词

​静态提示词重命名

​SystemMessage

​动态提示词

​模型前钩子

​模型后钩子

​自定义状态

​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

​移除了提示式输出

​流式节点名称重命名

​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

​示例块类型

​序列化标准内容

​简化包

​导出

​@langchain/classic

​破坏性变更

​放弃 Node 18 支持

​新的构建输出

​遗留代码移至 @langchain/classic

​移除已弃用的 API

​核心功能

​提示词

​检索器

​可运行对象

​聊天模型

​LLMs

​流式处理

​追踪

​内存和存储

​工具函数

`createAgent`

导入路径

提示词

静态提示词重命名

`SystemMessage`

动态提示词

模型前钩子

模型后钩子

自定义状态

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

移除了提示式输出

流式节点名称重命名

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

示例块类型

序列化标准内容

简化包

导出

`@langchain/classic`

破坏性变更

放弃 Node 18 支持

新的构建输出

遗留代码移至 `@langchain/classic`

移除已弃用的 API

核心功能

提示词

检索器

可运行对象

聊天模型

LLMs

流式处理

追踪

内存和存储

工具函数