LangChain 1.0智能体核心组件全解析：从架构到实战

在人工智能飞速发展的今天，单纯的语言模型已经无法满足复杂任务的需求。就像一个聪明的大脑如果没有手脚，也难以完成实际工作。LangChain 1.0的智能体（Agent）正是为了解决这一问题，将语言模型与工具、中间件、记忆等组件深度融合，打造出能够自主推理、迭代求解的智能系统。本文将从核心组件、技术架构、实战应用三个维度，全面解析LangChain 1.0智能体的技术精髓，帮助开发者快速掌握智能体的构建与优化方法。

一、智能体的核心架构：五大组件协同工作

LangChain 1.0智能体的核心优势在于模块化设计，通过五大核心组件的灵活组合，实现从简单问答到复杂任务处理的全场景覆盖。这五大组件如同智能体的"大脑、手脚、语言、扩展能力和记忆系统"，各司其职又协同工作。

（一）模型：智能体的推理大脑

模型是智能体的核心推理引擎，负责理解用户需求、规划任务流程、选择合适工具。LangChain 1.0支持静态与动态两种模型选择方式，满足不同场景的需求。

静态模型是最常用的配置方式，在创建智能体时一次性指定，整个执行过程中保持不变。例如使用阿里云通义千问模型构建的基础配置：

basic_model=ChatOpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",model="qwen-plus",api_key=os.getenv("DASHSCOPE_API_KEY"),temperature=1.0,timeout=60,max_tokens=1024,max_retries=2)

这种方式配置简单、性能稳定，适合需求明确的场景。

动态模型则更具灵活性，能够根据运行时的上下文信息动态选择合适的模型。比如根据用户的VIP等级选择基础模型或高级模型，实现成本与性能的平衡：

@wrap_model_calldefdynamic_select_model(request:ModelRequest,handle)->ModelResponse:ifrequest.runtime.context["vip"]==1:print("使用基础模型")model=basic_modelelse:print("使用高级模型")model=advance_model request.model=modelreturnhandle(request)

动态模型选择在SaaS服务中尤为实用，既能满足普通用户的基础需求，又能为付费用户提供更优质的服务。

模型的关键调用方法包括invoke（同步调用）、stream（流式输出）和batch（批量处理）。流式输出在用户交互场景中非常重要，通过实时返回token，能够显著提升用户体验。例如查询天气时，流式输出可以逐步展示查询过程和结果，让用户感知系统的实时响应。

（二）工具：智能体的行动手脚

如果说模型是智能体的大脑，工具就是它的手脚，赋予智能体与外部系统交互的能力。LangChain 1.0的工具系统支持连续调用、并行调用、动态选择等高级功能，能够处理复杂的任务流程。

创建自定义工具非常简单，通过@tool装饰器即可快速定义。例如查询天气的工具：

@tool(name_or_callable="weather_search",description="查询天气")defweather_search(location:str,units:str="celsius",include_forecast:bool=False):temp=22ifunits=="celsius"else72result=f"当前{location}天气：{temp}摄氏度"ifinclude_forecast:result+="\n未来5天：晴"returnresult

工具的参数验证可以通过Pydantic实现，确保输入参数的合法性，避免运行时错误。例如为天气查询工具添加参数校验：

classWeatherInput(BaseModel):location:str=Field(description="城市名称或坐标")units:Literal["celsius","fahrenheit"]=Field(default="celsius",description="温度单位")include_forecast:bool=Field(default=False,description="是否包含5天预报")@tool(name_or_callable="weather_search",description="查询天气",args_schema=WeatherInput)defweather_search(location:str,units:str="celsius",include_forecast:bool=False):# 实现逻辑不变

工具还可以通过ToolRuntime访问运行时上下文信息，包括状态数据、用户配置、存储信息等。这一特性使得工具能够根据上下文动态调整行为，例如在天气查询工具中记录用户的查询历史：

@tool(name_or_callable="weather_search",description="查询天气")defweather_search(runtime:ToolRuntime,location:str="北京",units:str="celsius"):# 获取用户IDuser_id=runtime.context.user_id# 记录查询日志stream_writer=runtime.stream_writer stream_writer(f"用户{user_id}查询{location}天气")# 执行查询逻辑temp=22ifunits=="celsius"else72returnf"当前{location}天气：{temp}摄氏度"

（三）消息：智能体的沟通语言

消息是智能体与用户、工具之间沟通的桥梁，LangChain 1.0定义了标准化的消息格式，支持文本、图像等多模态内容。消息包含角色（Role）、内容（Content）和元数据（Metadata）三个核心属性，角色分为系统消息、用户消息、AI消息和工具消息四种类型。

系统消息用于配置智能体的行为模式，例如定义天气查询助手的系统消息：

system_message=SystemMessage(content="你是一个天气查询助手，需要根据用户输入的地点查询天气，回答简洁明了")

用户消息是用户的查询内容，AI消息是智能体的响应，工具消息则是工具调用的结果。这四种消息构成了智能体的对话上下文，支持复杂的多轮交互。

LangChain 1.0还引入了标准内容块（Content Blocks）特性，统一不同模型提供商的内容格式。例如使用DeepSeek模型的深度思考功能，会返回包含推理过程和最终结果的结构化内容块：

response=basic_model.invoke("深度思考下，如何才能实现AIGC？")# 输出包含reasoning和text两种类型的内容块

这种结构化的消息格式使得智能体能够更好地理解和处理复杂响应，提升任务执行的准确性。

（四）中间件：智能体的扩展能力

中间件是LangChain 1.0最具创新性的特性之一，它允许开发者在不修改核心逻辑的情况下，对智能体的行为进行扩展和定制。中间件可以看作是智能体的"插件系统"，支持在模型调用前后、工具执行前后插入自定义逻辑。

LangChain 1.0提供了丰富的内置中间件，覆盖常见的扩展场景：

1. HumanInTheLoopMiddleware：人机交互中间件，在执行敏感工具前需要人工审批。例如在查询用户隐私数据时，需要管理员批准：

agent=create_agent(model=base_model,tools=[get_weather,get_user_info],middleware=[HumanInTheLoopMiddleware(interrupt_on={"get_user_info":{"allowed_decisions":["approve","edit","reject"]},"get_weather":False,})],)

这种方式在企业级应用中非常重要，能够有效防范数据泄露风险。

2. ModelCallLimitMiddleware：模型调用限制中间件，避免系统异常导致的无限调用。例如限制每个用户最多调用3次模型：

middleware=[ModelCallLimitMiddleware(thread_limit=3,run_limit=2,exit_behavior="end")]

这一中间件能够有效控制API调用成本，防止恶意攻击。

3. PIIMiddleware：敏感数据检测中间件，用于过滤用户输入和工具输出中的敏感信息。例如屏蔽密码、token等敏感数据：

sensitive_patterns=[r'"[^"]*password[^"]*"\s*:\s*"[^"]*"',r'"[^"]*token[^"]*"\s*:\s*"[^"]*"']combined_pattern='|'.join(sensitive_patterns)middleware=[PIIMiddleware(pii_type="personal",strategy="mask",detector=combined_pattern,apply_to_input=True,apply_to_output=True)]

4. LLMToolEmulator：工具模拟中间件，当工具尚未开发完成或测试成本较高时，可以使用LLM模拟工具行为。例如在开发旅行规划智能体时，模拟机票查询工具：

middleware=[LLMToolEmulator(model=base_model,tools=[get_plane_ticket,get_hotel_info])]

这种方式能够加速开发流程，降低测试成本。

除了内置中间件，LangChain 1.0还支持自定义中间件。开发者可以通过装饰器或子类继承的方式，实现个性化的扩展逻辑。例如通过装饰器定义日志记录中间件：

@before_modeldeflog_middleware(state:AgentState,runtime:Runtime)->dict[str,Any]|None:print(f"模型调用时间：{datetime.now()}")print(f"当前消息数量：{len(state['messages'])}")returnNone

中间件的执行流程遵循特定的顺序：before_*钩子按顺序执行，after_*钩子反向执行，wrap_*钩子嵌套执行。这种设计确保了中间件之间的兼容性，支持复杂的扩展场景。

（五）短期记忆：智能体的记忆系统

短期记忆使智能体能够记住对话过程中的关键信息，支持多轮交互和上下文感知。LangChain 1.0通过AgentState对象管理短期记忆，包含对话历史、运行时参数等信息。

自定义State可以扩展记忆的存储内容，例如记录用户的偏好设置：

classCustomState(AgentState):user_preferences:dict# 存储用户偏好，如温度单位、语言等

记忆的保存方式分为内存存储（InMemorySaver）和数据库存储（PostgresSaver）。内存存储适用于开发测试场景，数据库存储则适用于生产环境，支持历史记录的持久化和多实例共享。

历史消息管理是短期记忆的核心功能，LangChain 1.0提供了消息裁剪（trim）、删除（delete）和摘要（summary）三种管理方式。消息裁剪用于控制上下文长度，避免超出模型的token限制：

@before_modeldefcustomer_trim_messages(state:AgentState,runtime:Runtime)->dict[str,Any]|None:messages=state["messages"]iflen(messages):returnNone# 保留最新5条消息recent_messages=trim_messages(messages,strategy="last",token_counter=len,max_tokens=5,)first_msg=messages[0]# 保留系统消息return{"messages":[RemoveMessage(id=REMOVE_ALL_MESSAGES),first_msg,*recent_messages]}

消息摘要则通过SummarizationMiddleware实现，当对话历史过长时，自动将历史消息汇总为摘要，节省上下文空间：

summary_prompt=""" 您是一位对话摘要助手，需要总结人类与助手之间的对话。 按照"城市：天气"格式输出，不知道的天气信息不要输出。 """middleware=[SummarizationMiddleware(model=base_model,max_tokens_before_summary=100,messages_to_keep=1,summary_prompt=summary_prompt,)]

这种方式既保证了上下文的完整性，又有效控制了token消耗。

二、核心组件的协同工作流程

理解了五大核心组件之后，我们来看它们如何协同工作完成一个完整的任务。以旅行规划智能体为例，其工作流程如下：

用户发起请求：用户输入"帮我制定一个去北京的旅行计划"，系统将其封装为用户消息。

模型推理：智能体的模型解析用户需求，识别出需要查询天气、机票、酒店和景点信息，生成工具调用计划。

工具选择：通过LLMToolSelectorMiddleware筛选出相关工具，包括get_weather、get_plane_ticket、get_hotel_info和get_scenic。

工具执行：智能体依次调用或并行调用所选工具，获取北京的天气情况、酒店推荐、景点信息等数据。对于尚未开发完成的机票查询工具，通过LLMToolEmulator模拟返回结果。

结果处理：模型接收工具返回的结构化数据，进行整理和自然语言转换。

记忆更新：将用户请求、工具调用结果、最终响应等信息存入短期记忆，支持后续的多轮交互。

响应输出：通过流式输出将旅行计划逐步返回给用户，提升交互体验。

在整个流程中，中间件发挥着重要的支撑作用：HumanInTheLoopMiddleware确保敏感操作需要人工审批，PIIMiddleware过滤用户输入中的敏感信息，ModelCallLimitMiddleware控制模型调用次数，SummarizationMiddleware管理对话历史。

三、实战场景：构建企业级天气查询智能体

为了帮助开发者更好地理解和应用LangChain 1.0的核心组件，下面将通过一个企业级天气查询智能体的实战案例，展示组件的具体使用方法。

（一）需求分析

企业级天气查询智能体需要满足以下需求：

1. 支持多城市天气查询，包括实时天气和5天预报。
2. 支持用户偏好设置，如温度单位、语言等。
3. 支持批量查询多个城市的天气。
4. 具备敏感数据过滤功能，防止用户输入恶意内容。
5. 具备模型调用限制，控制API成本。
6. 支持对话历史记录和多轮交互。

（二）技术选型

模型：使用阿里云通义千问qwen-plus作为基础模型，高级用户自动切换到qwen-max。
工具：天气查询工具（集成第三方天气API）、用户偏好管理工具。
中间件：PIIMiddleware（敏感数据过滤）、ModelCallLimitMiddleware（调用限制）、SummarizationMiddleware（历史摘要）、HumanInTheLoopMiddleware（敏感操作审批）。
记忆存储：生产环境使用PostgresSaver，开发环境使用InMemorySaver。

（三）代码实现

1. 模型配置

# 基础模型配置basic_model=ChatOpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",model="qwen-plus",api_key=os.getenv("DASHSCOPE_API_KEY"),temperature=0.3,# 降低随机性，保证结果准确性timeout=60,max_tokens=2048,max_retries=3)# 高级模型配置advance_model=ChatOpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",model="qwen-max",api_key=os.getenv("DASHSCOPE_API_KEY"),temperature=0.3,timeout=60,max_tokens=4096,max_retries=3)# 动态模型选择中间件@wrap_model_calldefdynamic_select_model(request:ModelRequest,handle)->ModelResponse:# 根据用户VIP等级选择模型vip_level=request.runtime.context.get("vip_level",1)ifvip_level>=2:request.model=advance_modelprint("使用高级模型qwen-max")else:request.model=basic_modelprint("使用基础模型qwen-plus")returnhandle(request)

2. 工具定义

# 天气查询工具输入验证classWeatherInput(BaseModel):location:str=Field(description="城市名称，多个城市用逗号分隔")units:Literal["celsius","fahrenheit"]=Field(default="celsius",description="温度单位")include_forecast:bool=Field(default=False,description="是否包含5天预报")# 天气查询工具@tool(name_or_callable="weather_search",description="查询天气，支持多城市批量查询",args_schema=WeatherInput)defweather_search(runtime:ToolRuntime,location:str,units:str="celsius",include_forecast:bool=False):# 获取用户IDuser_id=runtime.context.get("user_id","unknown")# 记录查询日志stream_writer=runtime.stream_writer stream_writer(f"用户{user_id}正在查询以下城市天气：{location}")# 分割多个城市cities=[city.strip()forcityinlocation.split(",")]results=[]forcityincities:# 调用第三方天气API（实际项目中替换为真实API调用）# 此处使用模拟数据temp=random.randint(15,30)ifunits=="celsius"elserandom.randint(59,86)weather="晴"ifrandom.random()>0.3else"多云"result=f"{city}：{weather}，{temp}°{units[0].upper()}"# 如果需要包含预报ifinclude_forecast:forecast="未来5天：晴、晴、多云、晴、阴"result+=f"\n{forecast}"results.append(result)# 写入查询历史到记忆runtime.state["weather_history"]=runtime.state.get("weather_history",[])+citiesreturn"\n\n".join(results)# 用户偏好设置工具@tool(name_or_callable="set_preference",description="设置用户偏好，如温度单位")defset_preference(runtime:ToolRuntime,units:str="celsius",language:str="zh"):# 更新用户偏好runtime.state["user_preferences"]={"units":units,"language":language}returnf"偏好设置成功：温度单位={units}，语言={language}"

3. 中间件配置

# 敏感数据检测中间件sensitive_patterns=[r'"[^"]*pwd[^"]*"\s*:\s*"[^"]*"',r'"[^"]*password[^"]*"\s*:\s*"[^"]*"',r'"[^"]*token[^"]*"\s*:\s*"[^"]*"',r'"[^"]*apiKey[^"]*"\s*:\s*"[^"]*"']combined_pattern='|'.join(sensitive_patterns)pii_middleware=PIIMiddleware(pii_type="personal",strategy="mask",detector=combined_pattern,apply_to_input=True,apply_to_output=True,apply_to_tool_results=True)# 模型调用限制中间件call_limit_middleware=ModelCallLimitMiddleware(thread_limit=10,# 每个用户最多10次调用run_limit=3,# 每次运行最多3次调用exit_behavior="end")# 对话摘要中间件summary_prompt=""" 您是天气查询对话摘要助手，需要总结用户与助手的对话内容。 格式要求： 1. 记录用户查询的城市和对应的天气情况 2. 记录用户的偏好设置 3. 语言简洁，不超过30字 """summary_middleware=SummarizationMiddleware(model=basic_model,max_tokens_before_summary=200,messages_to_keep=2,summary_prompt=summary_prompt,summary_prefix="对话摘要：")# 人机交互中间件（批量查询需要审批）hitl_middleware=HumanInTheLoopMiddleware(interrupt_on={"weather_search":lambdaargs:len(args.get("location","").split(","))>3,"set_preference":False},description_prefix="以下操作需要审批，请选择 approve/edit/reject")

4. 智能体创建与运行

# 自定义StateclassWeatherAgentState(AgentState):user_preferences:dict=Field(default_factory=dict)weather_history:list=Field(default_factory=list)# 数据库存储配置（生产环境）# db_uri = "postgresql://postgres:postgres@localhost:5432/weather_agent?sslmode=disable"# checkpointer = PostgresSaver.from_conn_string(db_uri)# checkpointer.setup()# 内存存储配置（开发环境）checkpointer=InMemorySaver()# 创建智能体agent=create_agent(model=basic_model,tools=[weather_search,set_preference],state_schema=WeatherAgentState,middleware=[dynamic_select_model,pii_middleware,call_limit_middleware,summary_middleware,hitl_middleware],checkpointer=checkpointer,system_prompt="你是一个专业的天气查询助手，能够查询多个城市的实时天气和5天预报，支持用户偏好设置。回答简洁明了，使用用户指定的语言和温度单位。")# 运行智能体defrun_agent(user_query:str,user_context:dict):config={"configurable":{"thread_id":user_context.get("user_id","default")}}result=agent.invoke(input={"messages":[{"role":"user","content":user_query}]},context=user_context,config=config)returnresult# 测试智能体if__name__=="__main__":# 普通用户查询user_context={"user_id":"user_001","vip_level":1}print("普通用户查询：")result=run_agent("查询北京、上海、广州的天气，包含5天预报",user_context)formsginresult["messages"]:ifmsg.role=="assistant":print(msg.content)# VIP用户查询print("\nVIP用户查询：")vip_context={"user_id":"user_002","vip_level":2}result=run_agent("设置温度单位为fahrenheit，然后查询深圳、杭州、成都、重庆的天气",vip_context)formsginresult["messages"]:ifmsg.role=="assistant":print(msg.content)

（四）功能测试与优化

1. 多城市批量查询：支持同时查询多个城市的天气，超过3个城市时触发人工审批。
2. 用户偏好记忆：用户设置温度单位后，后续查询自动使用该单位。
3. 敏感数据过滤：如果用户输入包含密码、token等敏感信息，会自动屏蔽。
4. 模型动态切换：VIP用户自动使用高级模型，支持更长的上下文和更精准的响应。
5. 对话历史管理：长时间对话时自动生成摘要，节省token消耗。

通过这个实战案例，我们可以看到LangChain 1.0智能体的强大灵活性和扩展性。开发者可以根据实际需求，灵活组合五大核心组件，构建出满足不同场景的智能体应用。

四、总结与展望

LangChain 1.0通过模型、工具、消息、中间件、短期记忆五大核心组件的模块化设计，为智能体开发提供了灵活强大的框架。开发者可以像搭积木一样，根据实际需求组合不同的组件，快速构建出从简单问答到复杂任务处理的智能体应用。

中间件作为LangChain 1.0的核心创新，极大地扩展了智能体的能力边界，支持动态模型选择、敏感数据过滤、人机交互等高级功能。短期记忆系统则使智能体具备了上下文感知能力，支持复杂的多轮交互。