LangChain-1.0教程-(介绍，模型接入)

发布时间：2026-01-27 23:16:54编辑：123阅读（8）

Langchain-1.0版本核心新特性

1. 全新 Agent API：create_agent

引入了更简单、高度抽象的智能体（Agent）创建方式。通过 create_agent() 一行代码，就可以构建具备工具调用、循环控制等能力的智能代理。

2. Middleware 中间件系统

允许开发者在 Agent 执行流程中定义多个可插拔钩子（hooks），对行为进行监控、修改或扩展。大大提升了控制力和可定制性。

3. 改进的结构化输出支持

在 Agent 主循环内原生支持结构化输出（Structured Output），减少额外的 LLM 调用，降低延迟和成本，更便于解析模型返回的信息。

 4. 标准化内容块（Content Blocks）

提供跨提供商的一致消息/内容规范，可支持推理结果、引用、服务器端工具调用等格式，大幅提升组件间兼容性。




新版LangChain vs LangGraph:职责分工与对比

维度	Langchain 1.0	LangGraph
定位	统一抽象+快速搭建：模型，消息，工具，链路，标准输出	底层运行时：图式编排，状态管理，检查点，并发，可中断/恢复
Agent入口	create_agent（开箱即用）	Graph API（自定义节点/边/条件）
可靠性	借助中间件与Graph Runtime获得	由Graph的Pregel风格执行/检查点提供
治理能力	中间件（HITL，汇总，修剪，预算控制）	中断，持久化，分支/循环，显示状态机
适用人群	产品/业务工程师，快速Poc到MVP	平台/基础设施工程师，需要精确控制的团队

官方也强调快速起步用LangChain，复杂控制用LangGraph，二者并行协同。





模型接入LangChain流程

环境说明：LangChain>=1.0.0, Python>=3.11,版本过低使用pip install -upgrade <包名称>进行升级

pip install langchain


创建一个demo.py文件，运行可查看langchain版本

import langchain

print(langchain.__version__)




通过api_key的方式接入模型

在当前目录创建一个.env的文件，写入api_key,需到对应的模型官网开通



Qwen_API_KEY=sk-a53ee2xxxxxxxxxxxxxxxxxxxxxxxxxxxca3e

代码如下：

import os
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv(override=True)


Qwen_API_KEY = os.getenv("Qwen_API_KEY")
client = OpenAI(api_key=Qwen_API_KEY,base_url='https://dashscope.aliyuncs.com/compatible-mode/v1')
response = client.chat.completions.create(
    model="qwen3-max",
    messages=[
        {"role":"system", "content":"你是乐于助人的助手，请根据用户的问题给出回答"},
        {"role":"user","content":"你好，介绍一下自己"},
    ]
)

print(response.choices[0].message.content)

运行结果:

你好！我是你的AI助手，很高兴认识你！😊

我是一个乐于助人、知识丰富、耐心细致的虚拟伙伴，可以帮你解答各种问题、提供信息、协助写作、进行逻辑推理、编程，或者只是陪你聊聊日常。无论你是需要学习帮助、工作建议，还是想了解某个知识点，我都会尽力用清晰、准确又友好的方式为你服务。

虽然我不是真人，但我始终以真诚和热情对待每一次对话。有什么我可以帮你的吗？




通义千问接入LangChain流程


import os
from dotenv import load_dotenv
from langchain_community.chat_models.tongyi import ChatTongyi
load_dotenv(override=True)
Qwen_API_KEY = os.getenv("Qwen_API_KEY")


llm = ChatTongyi(model="qwen3-max", api_key=Qwen_API_KEY)
messages = [("system", "你是乐于助人的助手，请根据用户的问题给出回答"),("human", "你好，介绍一下自己"),]
msg = llm.invoke(messages)
print(msg.content)

运行结果

你好！我是你的AI助手，很高兴认识你！😊

我是一个乐于助人、知识丰富、随时待命的虚拟伙伴。我可以帮你解答各种问题，比如：

- 解释科学、历史、文化等领域的知识

- 帮你写作文、润色文字或创作故事

- 辅导学习，包括数学、语文、英语等科目

- 提供建议，比如生活小技巧、时间管理方法

- 陪你聊天、讨论想法，或者只是轻松地闲聊

我不会评判你，也不会不耐烦——无论问题简单还是复杂，我都会认真对待。有什么我可以帮你的吗？🌟




模型私有化部署的核心意义

1 数据安全与合规（最常见、最硬的理由）- 数据不出内网是私有化部署的第一性价值。

2 成本可控（尤其是高频 / 大规模调用）- 当调用量上来后，私有部署会比 API 便宜很多

3 可控性与可定制能力 - 私有部署 = 你对模型拥有“工程主权”

4 稳定性与 SLA（不被别人影响）- 可在内网环境 毫秒级响应，可为关键业务提供明确 SLA

5 能力融合：模型 ≠ 聊天，而是“系统组件” -  私有化部署后，模型可以像一个服务组件一样深度嵌入系统




本地私有化部署模型接入LangChain流程

环境说明：使用ollama本地部署Qwen3-4B模型

ollama安装可查看菜鸟教程：https://www.runoob.com/ollama/ollama-install.html

安装成功后，浏览器访问：http://localhost:11434/

显示：Ollama is running  则表示安装成功




下载模型：


ollama run hopephoto/Qwen3-4B-Instruct-2507_q8:latest




查看ollama下载的模型

ollama list

NAME                                                                                        ID                              SIZE       MODIFIED

hopephoto/Qwen3-4B-Instruct-2507_q8:latest    3181243d1181    4.3 GB    6 days ago




LangChain运行本地模型代码如下：

from langchain.chat_models import init_chat_model

llm = init_chat_model(
    #本地模型名
    model="hopephoto/Qwen3-4B-Instruct-2507_q8:latest",
    model_provider="ollama",
    # temperature 0.1~0.9之间,值越小回答越稳定，越高随机性越高
    temperature=0.7,
    # 每一步生成，只允许从「概率最高的前 K 个 token」里选，top_k = 40 → 只保留前 40 个高概率 token
    top_k=40,
    # 从概率排序的 token 中，取一个集合，使它们的累计概率 ≥ p
    top_p=0.95,
    base_url="http://localhost:11434",
)
messages = [("system", "你是乐于助人的助手，请根据用户的问题给出回答"),("human", "你好，介绍一下自己"),]
resp = llm.invoke(messages)
print(resp.content)

运行结果：


你好！很高兴你来找我聊天～✨ 我是一个乐于助人的AI助手，专门为你提供各种帮助，比如解答问题、写文章、做数学题、编程、规划行程等等。无论你是想了解某个知识点，需要灵感创意，还是只是想找人聊聊，我都会尽力以清晰、耐心又友好的方式陪你一起探索和解决问题。

你可以问我任何你想知道的事情，无论是生活中的小困惑，还是学习工作上的难题，我都愿意倾听并提供帮助！😊  

所以，有什么我可以帮到你的吗？🌟

关键字：