不再搞Chain 设计的LangChain 1.0 ，如何结合Milvus打造生产级agent
最近，被广大开发者又爱又恨的LangChain ，迎来了重大改版：
专门为agent落地打造的LangChain 1.0版本终于来了！！！
简单来说，其改动主要在于：通过放弃早期的Chain 设计，引入标准化 ReAct 循环（推理→工具调用→观察→判断）和**Middleware 机制，**简化agent开发流程、统一标准。
那么改版的LangChain 怎么用，如何结合Milvus落地生产，本文将重点解读。
01
LangChain 为何改版？
Chain 设计不适用agent时代
过去，LangChain 0.x 版本的优点是能让开发者快速构建Agent 原型。但同时也存在三个核心问题：
1、僵化的 Chain 设计
预构建的 Chain（如SimpleSequentialChain、LLMChain）在标准场景下很方便，但一旦业务逻辑偏离模板，开发者就会陷入两难——要么被迫接受框架的全部设计，要么放弃框架直接操作原始 LLM 调用。
2、缺少生产级控制
- 上下文溢出：长对话导致 Token 超限，系统崩溃
- 敏感信息泄露：PII 数据（邮箱、身份证）直接发送给第三方模型
- 高风险操作：Agent 在无人工确认的情况下删除数据、发送邮件
这些问题在 Demo 阶段难以暴露，但上线后每一个都可能致命。
3、模型切换的重复工作
OpenAI、Anthropic、国产模型的接口差异（Reasoning 格式、Tool Calling 协议）迫使开发者在每次切换时重写适配代码。
而针对以上问题，LangChain 1.0选择放弃早期的Chain 设计，引入标准化 ReAct 循环（推理→工具调用→观察→判断，create_agent函数 10 行代码就能构建生产级 Agent）和Middleware 机制（注入 PII 检测、人工审批、自动重试）**，**简化agent开发流程、统一模型接入等标准。
02
LangChain 1.0 的核心设计 All-in ReAct Agent
LangChain 团队在分析大量生产环境的 Agent 后发现：绝大多数成功案例都收敛到了 ReAct 模式。
无论是多 Agent 协作的 Supervisor 架构，还是需要深度推理的复杂场景，核心循环都是：
推理 → 工具调用 → 观察结果 → 判断是否完成
既然绝大多数问题都能用 ReAct 解决，为什么不把这个模式做到极致？因此1.0的第一个核心改版就是引入标准化 ReAct 循环。
LangChain 1.0 的分层策略：
- 标准场景：用
create_agent一个函数搞定（标准 ReAct 循环） - 扩展场景：通过 Middleware 机制扩展（PII 检测、人工审批、自动重试）
- 复杂场景：用 LangGraph 精确控制（复杂状态机、多 Agent 编排）
这种渐进式设计让开发者可以从最简单的方案开始，按需增加复杂度。
1. create_agent 函数：简化的 Agent 构建接口
LangChain 1.0 的核心突破在于将 Agent 构建的复杂性压缩到一个函数中。create_agent不再要求开发者手动编排状态管理、错误处理和流式输出 —— 这些生产级能力现在由底层 LangGraph 运行时自动提供。
三个参数，一个运行时：
- 模型（
m``odel）：支持字符串标识符或实例化对象 - 工具（
tools）：赋予 Agent 执行能力的函数列表 - 系统提示（
system_prompt）：定义 Agent 的角色和行为准则
底层自动继承 LangGraph 的持久化状态、中断恢复和流式处理能力，将过去需要数百行代码实现的 Agent 循环浓缩为声明式 API。
from langchain.agents import create_agent agent = create_agent( model="openai:gpt-4o", tools=[get_weather, query_database], system_prompt="你是一个专业的客服助手,帮助用户查询天气和订单信息。" ) result = agent.invoke({ "messages": [{"role": "user", "content": "上海今天天气怎么样?"}] }) 在此基础上，通过内置中间件（Middleware）机制，开发者可以在不破坏核心循环的前提下注入人机协作审批、对话摘要压缩、PII 数据脱敏等生产级能力2. Middleware 机制：可组合的生产级能力层
Middleware 是 LangChain 1.0 从原型到生产的核心桥梁。它在 Agent 执行循环的战略节点暴露钩子函数，让开发者无需重写核心循环即可注入自定义逻辑 —— 这种设计类似于 Web 服务器中间件的对称处理模式。
中间件的执行流程：
Agent 的核心循环遵循“模型→工具→终止”的三步决策模式
以下是几个典型的生产级中间件示例：
（1）PII Detection：敏感信息检测与处理
from langchain.agents import create_agent from langchain.agents.middleware import PIIMiddleware agent = create_agent( model="openai:gpt-4o", tools=[...], middleware=[ # 脱敏邮箱地址 PIIMiddleware("email", strategy="redact", apply_to_input=True), # 掩码信用卡号（显示后4位） PIIMiddleware("credit_card", strategy="mask", apply_to_input=True), # 自定义正则检测API密钥,发现后阻断 PIIMiddleware( "api_key", detector=r"sk-[a-zA-Z0-9]{32}", strategy="block", # 检测到后抛出错误 ), ], )（2）Summarization：自动管理上下文长度
from langchain.agents import create_agent from langchain.agents.middleware import SummarizationMiddleware agent = create_agent( model="openai:gpt-4o", tools=[...], middleware=[ SummarizationMiddleware( model="openai:gpt-4o-mini", # 使用更便宜的模型总结 max_tokens_before_summary=4000, # 触发阈值 messages_to_keep=20 # 保留最近20条消息不总结 ) ], )（3）Tool Retry：工具调用失败自动重试
from langchain.agents import create_agent from langchain.agents.middleware import ToolRetryMiddleware agent = create_agent( model="openai:gpt-4o", tools=[search_tool, database_tool], middleware=[ ToolRetryMiddleware( max_retries=3, # 最多重试3次 backoff_factor=2.0, # 指数退避倍数 initial_delay=1.0, # 初始延迟1秒 max_delay=60.0, # 最大延迟60秒 jitter=True, # 添加随机抖动(±25%) ), ], )（4）自定义中间件：
除了官方提供的预构建中间件，开发者可以通过装饰器或类继承的方式创建自定义中间件。例如，记录模型调用日志：
from langchain.agents.middleware import before_model from langchain.agents.middleware import AgentState from langgraph.runtime import Runtime @before_model def log_before_model(state: AgentState, runtime: Runtime) -> dict | None: print(f"即将调用模型,当前消息数: {len(state['messages'])}") return None # 返回None表示继续正常流程 agent = create_agent( model="openai:gpt-4o", tools=[...], middleware=[log_before_model], )中间件机制将生产级能力（安全合规、错误处理、性能优化）从业务逻辑中解耦，让开发者可以像搭积木一样组合这些能力。
3. Structured Output:标准化的结构化输出机制
LangChain 1.0 引入了统一的结构化输出机制，解决了模型供应商之间输出格式不一致的问题。
核心问题：传统 Agent 开发中，不同模型供应商对结构化数据的支持方式各不相同。OpenAI 有 Native Structured Output API，而其他模型只能通过 Tool Calling 模拟，开发者需要针对不同供应商编写适配代码。
LangChain 的解决方案：通过create_agent的response_format参数，开发者只需定义一次数据 Schema，框架自动选择最优策略：
from langchain.agents import create_agent from pydantic import BaseModel, Field class WeatherReport(BaseModel): location: str = Field(description="城市名称") temperature: float = Field(description="温度(摄氏度)") condition: str = Field(description="天气状况") agent = create_agent( model="openai:gpt-4o", tools=[get_weather], response_format=WeatherReport # 直接传入Pydantic模型 ) result = agent.invoke({"role": "user", "content": "上海今天天气怎么样?"}) weather_data = result['structured_response'] # 获取结构化数据 print(f"{weather_data.location}: {weather_data.temperature}°C, {weather_data.condition}")两种实现策略：
（1）Provider Strategy：当模型原生支持结构化输出（如 OpenAI、Grok）时，LangChain 自动使用 API 级别的 schema enforcement，可靠性最高
（2）Tool Strategy：对于不支持原生结构化输出的模型，LangChain 将 Schema 转换为 Tool Calling，通过工具调用机制实现相同效果
开发者无需关心底层策略选择，框架根据模型能力自动适配。这种抽象让你可以在不同供应商之间自由切换，而业务代码保持不变。
4.向量数据库与 Agent 记忆系统的集成
生产级 Agent 的能力上限，往往不在推理引擎，而在记忆系统。LangChain 1.0 将向量数据库作为 Agent 的外部海马体，通过语义检索赋予 Agent 长期记忆能力，Milvus是其最重要的生态组成之一。
为什么选择 Milvus？
Milvus 是目前最成熟的开源向量数据库之一，专为 AI 应用的大规模向量检索而设计。它在 LangChain 生态中拥有原生集成，无需手动实现向量化、索引管理和相似度计算——langchain_milvus包已将其封装为标准的VectorStore接口。
Milvus 解决 Agent 的三个关键记忆问题
问题一：海量知识的快速检索
假设 Agent 需要处理成千上万份文档、历史对话、产品手册时，关键词搜索已经不够用。Milvus 通过向量相似度搜索，在毫秒级找到语义最相关的内容——即使用户换了说法。
from langchain.agents import create_agent from langchain_milvus import Milvus from langchain_openai import OpenAIEmbeddings # 初始化向量数据库作为知识库 vectorstore = Milvus( embedding=OpenAIEmbeddings(), collection_name="company_knowledge", connection_args={"uri": "http://localhost:19530"} # ) # 将检索器转为Tool供Agent使用 agent = create_agent( model="openai:gpt-4o", tools=[vectorstore.as_retriever().as_tool( name="knowledge_search", description="搜索公司知识库以回答专业问题" )], system_prompt="你可以从知识库中检索信息来回答问题。" )问题二：长期记忆的持久化
Middleware 的SummarizationMiddleware可以压缩对话历史，但那些被总结掉的细节去哪了？ Milvus 将每一轮对话、每一次工具调用的结果向量化存储，构建 Agent 的长期记忆。需要时，通过语义检索快速唤醒相关记忆。
记忆持久化模式：
from langchain_milvus import Milvus from langchain.agents import create_agent from langchain.agents.middleware import SummarizationMiddleware from langgraph.checkpoint.memory import InMemorySaver # 长期记忆存储(Milvus) long_term_memory = Milvus.from_documents( documents=[], # 初始为空,运行时动态写入 embedding=OpenAIEmbeddings(), connection_args={"uri": "./agent_memory.db"} ) # 短期记忆管理(LangGraph Checkpointer + Summarization) agent = create_agent( model="openai:gpt-4o", tools=[long_term_memory.as_retriever().as_tool( name="recall_memory", description="检索Agent的历史记忆和过往经验" )], checkpointer=InMemorySaver(), # 短期记忆 middleware=[ SummarizationMiddleware( model="openai:gpt-4o-mini", max_tokens_before_summary=4000 # 超过阈值时总结并存入Milvus ) ] )问题三：多模态内容的统一管理
现代 Agent 要处理文本、图片、音频、视频。Milvus 的多向量支持和动态 Schema23，让你在同一个系统中管理不同模态的向量，为多模态 Agent 提供统一的记忆底座。
元数据过滤检索：
# 按来源过滤检索(例如:只检索医疗报告) vectorstore.similarity_search( query="患者的血压指标是多少?", k=3, expr="source == 'medical_reports' AND modality == 'text'" # Milvus标量过滤 )有了 Milvus 提供的记忆底座，Agent 才能从健忘的执行器进化为具备经验积累的智能体。
03
LangChain 与 LangGraph 的技术定位与选型策略
LangChain 1.0以上升级，只是其构建生产级 Agent 的一环，但并不意味着LangChain 1.0永远是构建agent的最优解。
选择合适的开发框架，决定了你能多快将这些能力组合成可用的系统。
在实际开发中，LangChain 1.0 和 LangGraph 1.0 的关系经常被误解为二选一的竞争关系。实际上，它们是渐进式的技术栈：LangChain 专注于快速构建标准 Agent，LangGraph 提供底层编排能力用于复杂工作流。
以下是一个小的****技术定位对比
如果你是 Agent 新手或希望快速启动项目，从 LangChain 开始；如果你已经明确需要复杂编排、多 Agent 协作或长期流程，直接使用 LangGraph。两者可以在同一个项目中共存，根据具体场景选择合适的工具。
04
尾声
三年前，LangChain 还只是个调用 LLM 的轻量级包装器，现在，它已经变成了完整的生产级框架 。
在内部， LangChain 的 Middleware 解决安全合规问题，LangGraph 提供持久化执行和状态管理；在外部，是Milvus 等生态集成产品为其补上长期记忆短板。
如今，Agent 开发终于有了一套可靠的工具链。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括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免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
