【收藏】LangChain和LangGraph 1.0发布：AI智能体开发新纪元，程序员必备

关注

原创最新推荐文章于 2026-02-28 12:43:33 发布 583 阅读 AI 写同款· GEO 优化 ›

LangChain 1.0 VS LangGraph 1.0：智能体的选择 LangChain与LangGraph框架对比摘要 LangChain和LangGraph是AI应用开发的两种主流框架，主要区别在于：设计理念：LangChain采用链式线性编排（LCEL），适合模块化简单流程；LangGraph基于状态机模型，支持循环图结构和持久化状态管理适用场景：LangChain更适合快速原型开发、简单工具调用和线性工作流；LangGraph擅长处理复杂多轮对话、循环逻辑和多智能体协作核心特性：LangGraph提供可视化执行轨迹、检查点恢复和分布式支持，适合生产环境；Lang 阅读详情

前言

开发者们，重磅消息！两大开源 AI 智能体框架 LangChain 与 LangGraph 同时迈入 1.0 时代，为生产级应用带来前所未有的稳定性与灵活性。

经过多年迭代与社区反馈，LangChain 团队正式发布 LangChain 1.0 与 LangGraph 1.0——这是这两大框架的首个主要版本，标志着 AI Agent 开发正式进入“工程化”阶段。同步上线的，还有全新设计的文档站点，首次将 Python 与 JavaScript 文档完全整合。

一、LangChain vs LangGraph：分工与定位

LangChain：构建 AI 智能体的最快方式。提供标准的工具调用架构、供应商无关设计和可插拔的中间件系统，让开发者高效构建通用 Agent。
LangGraph：一个底层运行时框架，专为需要长期运行、可控且高定制化的生产级智能体设计。

二者相辅相成——LangChain 智能体构建在 LangGraph 之上，因此你可以从快速原型出发，逐步升级到复杂的业务工作流，而无需重写逻辑。

二、LangChain 1.0：更快、更灵活、更精简

LangChain 一直是智能体开发的首选框架，凭借标准化接口与丰富的集成，帮助开发者快速构建不受供应商限制的 LLM 应用。但社区反馈指出：抽象层过厚、包结构臃肿、循环逻辑难以定制。LangChain 1.0 正是对此的全面回应。

❝

“我们在 Rippling 严重依赖 LangGraph 提供的持久化运行时，而 LangChain 1.0 新的预构建智能体与中间件系统让我们能以更高灵活性开发。我们已经在生产中使用。” —— Ankur Bhatt, Rippling AI 负责人

LangChain 1.0 的三大核心升级：

1️⃣ 全新的 `create_agent` 抽象

create_agent 是围绕核心智能体循环构建的新一代接口，让你能以极简方式快速上手。

运行逻辑：

模型接收请求
响应包括两种情况：

工具调用 → 执行 → 写入上下文
最终回答 → 返回结果

循环执行直至任务完成

智能体循环示意图

from langchain.agents import create_agentweather_agent = create_agent(    model="openai:gpt-5",    tools=[get_weather],    system_prompt="Help the user by fetching the weather in their city.",)result = weather_agent.invoke({"role": "user", "what's the weather in SF?"})

2️⃣ Middleware：中间件系统登场

多数智能体框架无法在核心循环中进行定制，而 LangChain 1.0 通过**中间件（Middleware）**实现了可插拔控制逻辑。

内置中间件包括：

Human-in-the-loop（人在回路）：在关键步骤暂停执行，让人类进行审批或修改；
Summarization（摘要）：自动压缩历史对话，防止上下文溢出；
PII Redaction（隐私擦除）：在内容传递前自动脱敏敏感信息。

开发者也可以自定义中间件，灵活插入智能体循环的各个阶段。

中间件钩子示意图

3️⃣ 标准化内容块与结构化输出

LangChain 1.0 将所有模型输出统一为 .content_blocks，实现跨供应商一致格式，并支持：

推理轨迹（reasoning trace）
引用（citations）与工具调用
类型化复杂响应结构

同时，结构化输出生成也被整合进主循环，消除额外的 LLM 调用，降低延迟与成本。

4️⃣ 包结构全面精简

LangChain 1.0 聚焦核心能力，旧版功能迁移至 langchain-classic，以保持向后兼容。

主要变化：

create_agent 替代 create_react_agent（后者已弃用）
停止支持 Python 3.9，要求 3.10+
模块层次更加清晰轻量

包结构简化示意图

安装与迁移：

# Pythonuv pip install --upgrade langchainuv pip install langchain-classic# JavaScriptnpm install @langchain/langchain@latestnpm install @langchain/langchain-classic

❝

🔗 迁移指南（Python） | 迁移指南（JavaScript）

三、LangGraph 1.0：为生产级智能体而生

随着 AI 从实验室走向企业级落地，智能体开发亟需持久化、可观测性与人工监督机制。 LangGraph 1.0 正是针对这些痛点推出的稳定版运行时框架。

三大核心能力：

持久化状态（Durable State）：智能体可在中断后恢复执行，无需重新启动任务；
内置持久化（Persistence）：无需额外数据库逻辑即可保存与恢复上下文；
人在回路（Human-in-the-loop）：原生支持人工审查、修改与批准。

经过一年多的打磨与在 Uber、LinkedIn、Klarna 等企业的广泛实测，LangGraph 1.0 已成为生产级智能体的首选运行时框架。

安装方式：

# Pythonuv pip install --upgrade langgraph# JavaScriptnpm install @langchain/langgraph@latest

四、如何选择：LangChain or LangGraph？

需求场景	推荐框架	特点
快速构建标准智能体	LangChain 1.0	高层抽象 + 中间件定制
复杂业务流程控制	LangGraph 1.0	图执行模型 + 持久状态
长周期任务 / 人工审核	LangGraph	原生人在回路机制
高性能混合工作流	两者结合	LangChain 构建于 LangGraph 之上，可平滑切换

五、全新文档与社区资源

新版 docs.langchain.com 实现 Python 与 JavaScript 的统一体验，提供：

并行示例与共享概念指南
改进导航与可搜索 API
深入教程与智能体架构实践

❝

“这不仅是版本升级，更是 LangChain 对开源社区稳定性承诺的兑现。”

六、结语：稳定时代的开启

LangChain 与 LangGraph 1.0 的到来，标志着 AI 智能体开发从混沌走向秩序——从“原型玩具”迈入“生产级框架”。截至目前，两者已被 Uber、JP Morgan、Blackrock、Cisco 等企业采用，每月下载量突破 9000 万次。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。