企业官网建设流程全解析

本节是 LangChain 1.0 实战系列的导学篇，重点不是堆 API，而是先建立一张完整地图：LangChain 1.0 为什么重构、核心抽象发生了什么变化，以及后续八节课如何串成一条可落地的 Agent 开发路径。

1. LangChain 1.0 解决什么问题

LangChain 的目标是给大模型应用提供统一的工程抽象，使模型、Prompt、工具、记忆、检索与工作流能够组合，而不是把所有逻辑写在一段 Prompt 或一个函数中。

在旧版本中，开发者常见的痛点包括：

• Chain、Agent、Executor 等概念较多，入口不统一；
• 不同模型厂商的消息、工具调用格式存在差异；
• Agent 的中间过程不容易观测、暂停或恢复；
• 日志、缓存、重试、限流等能力容易侵入业务代码；
• Notebook 原型容易完成，但迁移到生产环境成本较高。

LangChain 1.0 的思路是：上层提供简洁统一的 Agent API，底层交给 LangGraph 执行，以 Middleware 承载横切能力。

2. 1.0 的关键变化

需要特别理解的是：LangChain 1.0 并没有抛弃 LangGraph。create_agent()创建出的 Agent，本质上仍然是一个基于 LangGraph 的可执行图。

3. Agent 的基本运行链路

用户消息 ↓ 模型判断是否需要工具 ├─ 不需要 → 直接生成答案 └─ 需要工具 → 生成工具名和参数 ↓ 执行工具 ↓ ToolMessage 返回模型 ↓ 继续推理或结束

因此，一个 Agent 不只是“调用一次大模型”，而是一个包含状态、分支和循环的执行系统。

4. 本系列学习路线

4.1 入门与基础

完成环境安装、模型初始化和第一个 Agent，掌握invoke()、stream()与消息结构。

4.2 Model 与 Prompt

学习模型参数、System/Human Message、Prompt 模板、批量与异步调用，以及 Pydantic 结构化输出。

4.3 Agent 与 Tool

使用@tool定义工具，理解 Tool Schema、工具选择和 ReAct 循环。

4.4 Agent 记忆

通过thread_id与 Checkpointer 保存短期记忆，并讨论长期记忆、上下文裁剪和持久化。

4.5 RAG

完成文档加载、切分、Embedding、向量检索和基于私有知识的问答链路。

4.6 Middleware

统一加入日志、重试、缓存、调用限额、工具筛选、自动摘要和人工审核。

4.7 LangGraph 进阶

通过 State、Node、Edge 和条件路由实现可循环、可暂停、可恢复的复杂工作流。

4.8 生产环境

把 Agent 封装为 API，补齐异步并发、流式输出、鉴权、健康检查和 LangSmith 追踪。

5. 开发环境建议

建议使用 Python 3.10 及以上版本，并在独立虚拟环境中安装依赖：

python-mvenv .venvsource.venv/bin/activate pipinstall-Ulangchain langgraph langchain-openai pipinstall-Ulangchain-community langchain-text-splitters

通过 OpenAI 兼容接口接入第三方模型时，通常需要准备：

exportOPENAI_API_KEY="your-api-key"exportOPENAI_BASE_URL="https://your-provider.example.com/v1"

密钥不要写入源码、Notebook 输出或 Git 仓库。生产环境应使用环境变量或 Secret Manager。

6. 学习时要抓住的主线

1. 统一接口：更换模型供应商时，业务逻辑尽量不变；
2. 状态驱动：消息、工具结果和业务字段都属于 State；
3. 工具扩展：模型负责决策，工具负责执行确定性操作；
4. 可控执行：通过 Graph、Middleware 和 Checkpointer 控制流程；
5. 生产可用：从一开始考虑异常、成本、观测和数据安全。

7. 本节小结

LangChain 1.0 的核心变化可以浓缩为一句话：用统一的 Agent API 降低开发门槛，用 LangGraph 和 Middleware 提供生产级控制力。

视频：BV1xwVr6FEh4，P33，时长 08:42。