LangChain v1 迁移指南 - Docs by LangChain

本指南概述了 LangChain v1 与之前版本之间的主要变化。

简化的包

在 v1 中，langchain 包命名空间已大幅精简，专注于智能体的核心构建模块。精简后的包使得发现和使用核心功能变得更加容易。

命名空间

模块	可用内容	备注
`langchain.agents`	`create_agent`, `AgentState`	核心智能体创建功能
`langchain.messages`	消息类型, 内容块, `trim_messages`	从 `langchain-core` 重新导出
`langchain.tools`	`@tool`, `BaseTool`, 注入辅助工具	从 `langchain-core` 重新导出
`langchain.chat_models`	`init_chat_model`, `BaseChatModel`	统一的模型初始化
`langchain.embeddings`	`init_embeddings`, `Embeddings`	嵌入模型

`langchain-classic`

如果您之前使用了 langchain 包中的以下任何功能，您需要安装 langchain-classic 并更新您的导入：

旧版链（LLMChain、ConversationChain 等）
检索器（例如 MultiQueryRetriever 或之前 langchain.retrievers 模块中的任何内容）
索引 API
Hub 模块（用于以编程方式管理提示）
嵌入模块（例如 CacheBackedEmbeddings 和社区嵌入）
langchain-community 重新导出
其他已弃用的功能

# 链
from langchain_classic.chains import LLMChain

# 检索器
from langchain_classic.retrievers import ...

# 索引
from langchain_classic.indexes import ...

# Hub
from langchain_classic import hub

# 链
from langchain_classic.chains import LLMChain

# 检索器
from langchain.retrievers import ...

# 索引
from langchain.indexes import ...

# Hub
from langchain import hub

安装方式：

pip install langchain-classic

uv add langchain-classic

迁移到 `create_agent`

在 v1.0 之前，我们建议使用 langgraph.prebuilt.create_react_agent 来构建智能体。现在，我们建议您使用 langchain.agents.create_agent 来构建智能体。下表概述了从 create_react_agent 到 create_agent 的功能变化：

部分	简而言之 - 变化内容
导入路径	包从 `langgraph.prebuilt` 移至 `langchain.agents`
提示	参数重命名为 `system_prompt`，动态提示使用中间件
模型前钩子	被具有 `before_model` 方法的中间件取代
模型后钩子	被具有 `after_model` 方法的中间件取代
自定义状态	仅支持 `TypedDict`，可通过 `state_schema` 或中间件定义
模型	通过中间件动态选择，不支持预绑定模型
工具	工具错误处理移至具有 `wrap_tool_call` 的中间件
结构化输出	移除了提示输出，使用 `ToolStrategy`/`ProviderStrategy`
流式节点名称重命名	节点名称从 `"agent"` 更改为 `"model"`
运行时上下文	通过 `context` 参数进行依赖注入，而非 `config["configurable"]`
命名空间	精简以专注于智能体构建模块，旧版代码移至 `langchain-classic`

导入路径

智能体预构建的导入路径已从 langgraph.prebuilt 更改为 langchain.agents。函数名称已从 create_react_agent 更改为 create_agent：

from langgraph.prebuilt import create_react_agent 
from langchain.agents import create_agent 

更多信息，请参阅智能体。

提示

静态提示重命名

prompt 参数已重命名为 system_prompt：

from langchain.agents import create_agent

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather],
    system_prompt="You are a helpful assistant"
)

from langgraph.prebuilt import create_react_agent

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather],
    prompt="You are a helpful assistant"
)

`SystemMessage` 转为字符串

如果在系统提示中使用 SystemMessage 对象，请提取字符串内容：

from langchain.agents import create_agent

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather],
    system_prompt="You are a helpful assistant"
)

from langchain.messages import SystemMessage
from langgraph.prebuilt import create_react_agent

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather],
    prompt=SystemMessage(content="You are a helpful assistant")
)

动态提示

动态提示是一种核心上下文工程模式——它们根据当前对话状态调整您告诉模型的内容。为此，请使用 @dynamic_prompt 装饰器：

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.agents.middleware import dynamic_prompt, ModelRequest
from langgraph.runtime import Runtime


@dataclass
class Context:
    user_role: str = "user"

@dynamic_prompt
def dynamic_prompt(request: ModelRequest) -> str:
    user_role = request.runtime.context.user_role
    base_prompt = "You are a helpful assistant."

    if user_role == "expert":
        prompt = (
            f"{base_prompt} Provide detailed technical responses."
        )
    elif user_role == "beginner":
        prompt = (
            f"{base_prompt} Explain concepts simply and avoid jargon."
        )
    else:
        prompt = base_prompt

    return prompt  

agent = create_agent(
    model="gpt-5.4",
    tools=tools,
    middleware=[dynamic_prompt],
    context_schema=Context
)

# 使用上下文
agent.invoke(
    {"messages": [{"role": "user", "content": "Explain async programming"}]},
    context=Context(user_role="expert")
)

from dataclasses import dataclass

from langgraph.prebuilt import create_react_agent, AgentState
from langgraph.runtime import get_runtime

@dataclass
class Context:
    user_role: str

def dynamic_prompt(state: AgentState) -> str:
    runtime = get_runtime(Context)
    user_role = runtime.context.user_role
    base_prompt = "You are a helpful assistant."

    if user_role == "expert":
        return f"{base_prompt} Provide detailed technical responses."
    elif user_role == "beginner":
        return f"{base_prompt} Explain concepts simply and avoid jargon."
    return base_prompt

agent = create_react_agent(
    model="gpt-5.4",
    tools=tools,
    prompt=dynamic_prompt,
    context_schema=Context
)

# 使用上下文
agent.invoke(
    {"messages": [{"role": "user", "content": "Explain async programming"}]},
    context=Context(user_role="expert")
)

模型前钩子

模型前钩子现在通过具有 before_model 方法的中间件实现。这种新模式更具扩展性——您可以定义多个中间件在调用模型之前运行，在不同智能体之间重用常见模式。常见用例包括：

总结对话历史
裁剪消息
输入防护栏，如 PII 脱敏

v1 现在内置了摘要中间件作为选项：

from langchain.agents import create_agent
from langchain.agents.middleware import SummarizationMiddleware

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=tools,
    middleware=[
        SummarizationMiddleware(
            model="claude-sonnet-4-6",
            trigger={"tokens": 1000}
        )
    ]
)

from langgraph.prebuilt import create_react_agent, AgentState

def custom_summarization_function(state: AgentState):
    """消息摘要的自定义逻辑。"""
    ...

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=tools,
    pre_model_hook=custom_summarization_function
)

模型后钩子

模型后钩子现在通过具有 after_model 方法的中间件实现。这种新模式更具扩展性——您可以定义多个中间件在调用模型之后运行，在不同智能体之间重用常见模式。常见用例包括：

人机协作
输出防护栏

v1 内置了用于工具调用的人机协作审批中间件：

from langchain.agents import create_agent
from langchain.agents.middleware import HumanInTheLoopMiddleware

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[read_email, send_email],
    middleware=[
        HumanInTheLoopMiddleware(
            interrupt_on={
                "send_email": {
                    "description": "Please review this email before sending",
                    "allowed_decisions": ["approve", "reject"]
                }
            }
        )
    ]
)

from langgraph.prebuilt import create_react_agent
from langgraph.prebuilt import AgentState

def custom_human_in_the_loop_hook(state: AgentState):
    """人机协作审批的自定义逻辑。"""
    ...

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=[read_email, send_email],
    post_model_hook=custom_human_in_the_loop_hook
)

自定义状态

自定义状态通过附加字段扩展默认智能体状态。您可以通过两种方式定义自定义状态：

通过 create_agent 上的 state_schema - 最适合工具中使用的状态
通过中间件 - 最适合由特定中间件钩子和附加到该中间件的工具管理的状态

通过中间件定义自定义状态优于通过 create_agent 上的 state_schema 定义，因为它允许您将状态扩展在概念上限定在相关的中间件和工具范围内。state_schema 仍然在 create_agent 上支持以保持向后兼容性。

通过 `state_schema` 定义状态

当您的自定义状态需要被工具访问时，使用 state_schema 参数：

from langchain.tools import tool, ToolRuntime
from langchain.agents import create_agent, AgentState  


# 定义扩展 AgentState 的自定义状态
class CustomState(AgentState):
    user_name: str

@tool
def greet(
    runtime: ToolRuntime[None, CustomState]
) -> str:
    """用于按名称问候用户。"""
    user_name = runtime.state.get("user_name", "Unknown")
    return f"Hello {user_name}!"

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[greet],
    state_schema=CustomState  
)

from typing import Annotated
from langgraph.prebuilt import InjectedState, create_react_agent
from langgraph.prebuilt.chat_agent_executor import AgentState

class CustomState(AgentState):
    user_name: str

def greet(
    state: Annotated[CustomState, InjectedState]
) -> str:
    """用于按名称问候用户。"""
    user_name = state["user_name"]
    return f"Hello {user_name}!"

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=[greet],
    state_schema=CustomState
)

通过中间件定义状态

中间件也可以通过设置 state_schema 属性来定义自定义状态。这有助于将状态扩展在概念上限定在相关的中间件和工具范围内。

from langchain.agents.middleware import AgentState, AgentMiddleware
from typing_extensions import NotRequired
from typing import Any

class CustomState(AgentState):
    model_call_count: NotRequired[int]

class CallCounterMiddleware(AgentMiddleware[CustomState]):
    state_schema = CustomState  

    def before_model(self, state: CustomState, runtime) -> dict[str, Any] | None:
        count = state.get("model_call_count", 0)
        if count > 10:
            return {"jump_to": "end"}
        return None

    def after_model(self, state: CustomState, runtime) -> dict[str, Any] | None:
        return {"model_call_count": state.get("model_call_count", 0) + 1}

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[...],
    middleware=[CallCounterMiddleware()]
)

有关通过中间件定义自定义状态的更多详细信息，请参阅中间件文档。

状态类型限制

create_agent 仅支持 TypedDict 作为状态模式。不再支持 Pydantic 模型和数据类。

from langchain.agents import AgentState, create_agent

# AgentState 是一个 TypedDict
class CustomAgentState(AgentState):
    user_id: str

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=tools,
    state_schema=CustomAgentState  
)

from typing_extensions import Annotated

from pydantic import BaseModel
from langgraph.graph import StateGraph
from langgraph.graph.messages import add_messages
from langchain.messages import AnyMessage


class AgentState(BaseModel):
    messages: Annotated[list[AnyMessage], add_messages]
    user_id: str

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=tools,
    state_schema=AgentState
)

只需继承 langchain.agents.AgentState 而不是 BaseModel 或使用 dataclass 装饰器。如果需要执行验证，请在中间件钩子中处理。

模型

动态模型选择允许您根据运行时上下文（例如任务复杂性、成本约束或用户偏好）选择不同的模型。langgraph-prebuilt v0.6 中发布的 create_react_agent 支持通过传递给 model 参数的可调用对象进行动态模型和工具选择。此功能已移植到 v1 的中间件接口中。

动态模型选择

from langchain.agents import create_agent
from langchain.agents.middleware import (
    AgentMiddleware, ModelRequest
)
from langchain.agents.middleware.types import ModelResponse
from langchain_openai import ChatOpenAI
from typing import Callable

basic_model = ChatOpenAI(model="gpt-5-nano")
advanced_model = ChatOpenAI(model="gpt-5.4")

class DynamicModelMiddleware(AgentMiddleware):

    def wrap_model_call(self, request: ModelRequest, handler: Callable[[ModelRequest], ModelResponse]) -> ModelResponse:
        if len(request.state.messages) > self.messages_threshold:
            model = advanced_model
        else:
            model = basic_model
        return handler(request.override(model=model))

    def __init__(self, messages_threshold: int) -> None:
        self.messages_threshold = messages_threshold

agent = create_agent(
    model=basic_model,
    tools=tools,
    middleware=[DynamicModelMiddleware(messages_threshold=10)]
)

from langgraph.prebuilt import create_react_agent, AgentState
from langchain_openai import ChatOpenAI

basic_model = ChatOpenAI(model="gpt-5-nano")
advanced_model = ChatOpenAI(model="gpt-5.4")

def select_model(state: AgentState) -> BaseChatModel:
    # 对于较长的对话使用更高级的模型
    if len(state.messages) > 10:
        return advanced_model
    return basic_model

agent = create_react_agent(
    model=select_model,
    tools=tools,
)

预绑定模型

为了更好地支持结构化输出，create_agent 不再接受预绑定工具或配置的模型：

# 不再支持
model_with_tools = ChatOpenAI().bind_tools([some_tool])
agent = create_agent(model_with_tools, tools=[])

# 改为使用
agent = create_agent("gpt-5.4-mini", tools=[some_tool])

如果不使用结构化输出，动态模型函数可以返回预绑定模型。

工具

create_agent 的 tools 参数接受以下列表：

LangChain BaseTool 实例（使用 @tool 装饰的函数）
具有适当类型提示和文档字符串的可调用对象（函数）
表示内置提供商工具的 dict

该参数将不再接受 ToolNode 实例。

from langchain.agents import create_agent

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather, search_web]
)

from langgraph.prebuilt import create_react_agent, ToolNode


agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=ToolNode([check_weather, search_web])
)

处理工具错误

您现在可以通过实现 wrap_tool_call 方法的中间件来配置工具错误处理。

from langchain.agents import create_agent
from langchain.agents.middleware import wrap_tool_call
from langchain.messages import ToolMessage


@wrap_tool_call
def handle_tool_errors(request, handler):
    """使用自定义消息处理工具执行错误。"""
    try:
        return handler(request)
    except Exception as e:
        # 仅处理由于无效输入导致的工具执行错误，
        # 这些输入通过了模式验证但在运行时失败（例如，无效的 SQL 语法）。
        # 不要处理：
        # - 网络故障（改用工具重试中间件）
        # - 不正确的工具实现错误（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 ToolMessage(
            content=f"Tool error: Please check your input and try again. ({str(e)})",
            tool_call_id=request.tool_call["id"]
        )

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[check_weather, search_web],
    middleware=[handle_tool_errors]
)

from langgraph.prebuilt import create_react_agent, ToolNode
from langchain.messages import ToolMessage


def handle_tool_error(error: Exception) -> str:
    """自定义错误处理函数。"""
    return f"Tool error: Please check your input and try again. ({str(error)})"

agent = create_react_agent(
    model="claude-sonnet-4-6",
    tools=ToolNode(
        [check_weather, search_web],
        handle_tool_errors=handle_tool_error  
    )
)

结构化输出

节点变化

结构化输出以前在与主智能体不同的节点中生成。现在情况已非如此。我们在主循环中生成结构化输出，从而降低成本和延迟。

工具和提供商策略

在 v1 中，有两种新的结构化输出策略：

ToolStrategy 使用人工工具调用来生成结构化输出
ProviderStrategy 使用提供商原生的结构化输出生成

from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy, ProviderStrategy
from pydantic import BaseModel


class OutputSchema(BaseModel):
    summary: str
    sentiment: str

# 使用 ToolStrategy
agent = create_agent(
    model="gpt-5.4-mini",
    tools=tools,
    # 显式使用工具策略
    response_format=ToolStrategy(OutputSchema)
)

from langgraph.prebuilt import create_react_agent
from pydantic import BaseModel

class OutputSchema(BaseModel):
    summary: str
    sentiment: str

agent = create_react_agent(
    model="gpt-5.4-mini",
    tools=tools,
    # 默认使用工具策略，没有提供商策略选项
    response_format=OutputSchema  
)

# 或者

agent = create_react_agent(
    model="gpt-5.4-mini",
    tools=tools,
    # 使用自定义提示指示模型生成输出模式
    response_format=("please generate ...", OutputSchema)
)

移除提示输出

提示输出不再通过 response_format 参数支持。与人工工具调用和提供商原生结构化输出等策略相比，提示输出尚未证明特别可靠。

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

当您调用智能体时，通常希望传递两种类型的数据：

在对话过程中变化的动态状态（例如消息历史记录）
在对话过程中不变的静态上下文（例如用户元数据）

在 v1 中，通过将 context 参数设置为 invoke 和 stream 来支持静态上下文。

from dataclasses import dataclass

from langchain.agents import create_agent


@dataclass
class Context:
    user_id: str
    session_id: str

agent = create_agent(
    model=model,
    tools=tools,
    context_schema=Context  
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "Hello"}]},
    context=Context(user_id="123", session_id="abc")
)

from langgraph.prebuilt import create_react_agent


agent = create_react_agent(model, tools)

# 通过可配置项传递上下文
result = agent.invoke(
    {"messages": [{"role": "user", "content": "Hello"}]},
    config={
        "configurable": {
            "user_id": "123",
            "session_id": "abc"
        }
    }
)

旧的 config["configurable"] 模式仍然可以向后兼容，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，消息获得了与提供商无关的标准内容块。通过 message.content_blocks 访问它们，以获得跨提供商的一致、类型化的视图。现有的 message.content 字段对于字符串或提供商原生结构保持不变。

变化内容

消息上新增 content_blocks 属性，用于规范化内容
标准化块形状，记录在消息中
可选地通过 LC_OUTPUT_VERSION=v1 或 output_version="v1" 将标准块序列化到 content 中

读取标准化内容

from langchain.chat_models import init_chat_model

model = init_chat_model("gpt-5-nano")
response = model.invoke("Explain AI")

for block in response.content_blocks:
    if block["type"] == "reasoning":
        print(block.get("reasoning"))
    elif block["type"] == "text":
        print(block.get("text"))

# 提供商原生格式各不相同；您需要按提供商处理
response = model.invoke("Explain AI")
for item in response.content:
    if item.get("type") == "reasoning":
        ...  # OpenAI 风格的推理
    elif item.get("type") == "thinking":
        ...  # Anthropic 风格的思考
    elif item.get("type") == "text":
        ...  # 文本

创建多模态消息

from langchain.messages import HumanMessage

message = HumanMessage(content_blocks=[
    {"type": "text", "text": "Describe this image."},
    {"type": "image", "url": "https://example.com/image.jpg"},
])
res = model.invoke([message])

from langchain.messages import HumanMessage

message = HumanMessage(content=[
    # 提供商原生结构
    {"type": "text", "text": "Describe this image."},
    {"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}},
])
res = model.invoke([message])

示例块形状

# 文本块
text_block = {
    "type": "text",
    "text": "Hello world",
}

# 图像块
image_block = {
    "type": "image",
    "url": "https://example.com/image.png",
    "mime_type": "image/png",
}

更多详细信息，请参阅内容块参考。

序列化标准内容

默认情况下，标准内容块不会序列化到 content 属性中。如果您需要在 content 属性中访问标准内容块（例如，向客户端发送消息时），您可以选择将其序列化到 content 中。

export LC_OUTPUT_VERSION=v1

from langchain.chat_models import init_chat_model

model = init_chat_model(
    "gpt-5-nano",
    output_version="v1",
)

了解更多：消息、标准内容块和多模态。

简化的包

在 v1 中，langchain 包命名空间已大幅精简，专注于智能体的核心构建模块。精简后的包使得发现和使用核心功能变得更加容易。

命名空间

模块	可用内容	备注
`langchain.agents`	`create_agent`, `AgentState`	核心智能体创建功能
`langchain.messages`	消息类型, 内容块, `trim_messages`	从 `langchain-core` 重新导出
`langchain.tools`	`@tool`, `BaseTool`, 注入辅助工具	从 `langchain-core` 重新导出
`langchain.chat_models`	`init_chat_model`, `BaseChatModel`	统一的模型初始化
`langchain.embeddings`	`init_embeddings`, `Embeddings`	嵌入模型

`langchain-classic`

如果您之前使用了 langchain 包中的以下任何功能，您需要安装 langchain-classic 并更新您的导入：

旧版链（LLMChain、ConversationChain 等）
检索器（例如 MultiQueryRetriever 或之前 langchain.retrievers 模块中的任何内容）
索引 API
Hub 模块（用于以编程方式管理提示）
嵌入模块（例如 CacheBackedEmbeddings 和社区嵌入）
langchain-community 重新导出
其他已弃用的功能

# 链
from langchain_classic.chains import LLMChain

# 检索器
from langchain_classic.retrievers import ...

# 索引
from langchain_classic.indexes import ...

# Hub
from langchain_classic import hub

# 链
from langchain_classic.chains import LLMChain

# 检索器
from langchain.retrievers import ...

# 索引
from langchain.indexes import ...

# Hub
from langchain import hub

安装：

uv pip install langchain-classic

破坏性变更

放弃 Python 3.9 支持

所有 LangChain 包现在需要 Python 3.10 或更高版本。Python 3.9 将于 2025 年 10 月停止支持。

更新聊天模型的返回类型

聊天模型调用的返回类型签名已从 BaseMessage 修正为 AIMessage。实现 bind_tools 的自定义聊天模型应更新其返回签名：

def bind_tools(
        ...
    ) -> Runnable[LanguageModelInput, AIMessage]:

def bind_tools(
        ...
    ) -> Runnable[LanguageModelInput, BaseMessage]:

OpenAI 响应 API 的默认消息格式

与 Responses API 交互时，langchain-openai 现在默认将响应项存储在消息 content 中。要恢复之前的行为，请将 LC_OUTPUT_VERSION 环境变量设置为 v0，或在实例化 ChatOpenAI 时指定 output_version="v0"。

# 使用 output_version 标志强制执行之前的行为
model = ChatOpenAI(model="gpt-5.4-mini", output_version="v0")

`langchain-anthropic` 中的默认 `max_tokens`

langchain-anthropic 中的 max_tokens 参数现在根据所选模型默认为更高的值，而不是之前的默认值 1024。如果您依赖旧的默认值，请显式设置 max_tokens=1024。

旧版代码移至 `langchain-classic`

标准接口和智能体焦点之外的现有功能已移至 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，请参阅简化的命名空间部分。

移除已弃用的 API

已经弃用并计划在 1.0 中删除的方法、函数和其他对象已被删除。请查看之前版本的弃用通知以获取替代 API。

text 属性

在消息对象上使用 .text() 方法应去掉括号，因为它现在是一个属性：

# 属性访问
text = response.text

# 已弃用的方法调用
text = response.text()

现有的使用模式（即 .text()）将继续有效，但现在会发出警告。方法形式将在 v2 中移除。

从 `AIMessage` 中移除 `example` 参数

example 参数已从 AIMessage 对象中移除。我们建议根据需要迁移到使用 additional_kwargs 传递额外元数据。

次要变更

AIMessageChunk 对象现在包含一个 chunk_position 属性，位置为 'last' 以指示流中的最后一个块。这允许更清晰地处理流式消息。如果块不是最后一个，chunk_position 将为 None。
LanguageModelOutputVar 现在类型为 AIMessage 而不是 BaseMessage。
合并消息块（AIMessageChunk.add）的逻辑已更新，对合并块的最终 id 具有更复杂的选择处理。它优先考虑提供商分配的 ID 而不是 LangChain 生成的 ID。
我们现在默认使用 utf-8 编码打开文件。
标准测试现在使用多模态内容块。

归档文档

旧文档已归档以供参考：

连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。

在 GitHub 上编辑此页面或提交问题。

​简化的包

​命名空间

​langchain-classic

​迁移到 create_agent

​导入路径

​提示

​静态提示重命名

​SystemMessage 转为字符串

​动态提示

​模型前钩子

​模型后钩子

​自定义状态

​通过 state_schema 定义状态

​通过中间件定义状态

​状态类型限制

​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

​节点变化

​工具和提供商策略

​移除提示输出

​流式节点名称重命名

​运行时上下文

​标准内容

​变化内容

​读取标准化内容

​创建多模态消息

​示例块形状

​序列化标准内容

​简化的包

​命名空间

​langchain-classic

​破坏性变更

​放弃 Python 3.9 支持

​更新聊天模型的返回类型

​OpenAI 响应 API 的默认消息格式

​langchain-anthropic 中的默认 max_tokens

​旧版代码移至 langchain-classic

​移除已弃用的 API

​text 属性

​从 AIMessage 中移除 example 参数

​次要变更

​归档文档

简化的包

命名空间

`langchain-classic`

迁移到 `create_agent`

导入路径

提示

静态提示重命名

`SystemMessage` 转为字符串

动态提示

模型前钩子

模型后钩子

自定义状态

通过 `state_schema` 定义状态

通过中间件定义状态

状态类型限制

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

节点变化

工具和提供商策略

移除提示输出

流式节点名称重命名

运行时上下文

标准内容

变化内容

读取标准化内容

创建多模态消息

示例块形状

序列化标准内容

简化的包

命名空间

`langchain-classic`

破坏性变更

放弃 Python 3.9 支持

更新聊天模型的返回类型

OpenAI 响应 API 的默认消息格式

`langchain-anthropic` 中的默认 `max_tokens`

旧版代码移至 `langchain-classic`

移除已弃用的 API

text 属性

从 `AIMessage` 中移除 `example` 参数

次要变更

归档文档