---
id: ai.langchain.lcel-structured-agent
title: LangChain 1.x：模型和消息、LCEL、结构化输出、create_agent 和中间件
type: lesson
domain: ai
stack: [langchain]
tags: [LangChain, LCEL, init_chat_model, 结构化输出, create_agent, middleware, 重试, 备用模型]
level: intermediate
prerequisites: [ai.function-calling.tool-loop]
est_hours: 3
related: [ai.langgraph.state-graph, ai.langchain.scenario.ticket-triage, ai.langchain.interview]
week: [6, 11]
order: 1
---

# LangChain 1.x：模型和消息、LCEL、结构化输出、create_agent 和中间件

> LangChain 在 2025 年发布 1.0，API 和 0.x 有较大变化（例如 Agent 统一为 `create_agent`，基于 LangGraph 构建，并引入中间件）。网上大量教程是 0.x 写法（`AgentExecutor`、`initialize_agent`、`LLMChain`），不要照抄。本课基于 langchain 1.4 编写，以官方文档为准：https://docs.langchain.com/oss/python/langchain/overview

## 解释说明

### 核心组件

| 组件 | 说明 |
| --- | --- |
| 聊天模型 | 统一接口调用不同提供方：`init_chat_model("提供方:模型名")`；方法 `invoke` / `stream` / `batch` 及异步版本 |
| 消息 | `SystemMessage`、`HumanMessage`、`AIMessage`（可带 `tool_calls`）、`ToolMessage` |
| 提示词模板 | `ChatPromptTemplate.from_messages([...])`，用 `{变量}` 占位 |
| 输出解析器 | `StrOutputParser`、`PydanticOutputParser`；支持原生结构化输出的模型优先用 `model.with_structured_output(Schema)` |
| 工具 | `@tool` 装饰的函数，文档字符串就是工具描述 |
| Agent | `create_agent(model, tools, system_prompt=..., middleware=[...], response_format=...)` |

### LCEL（LangChain 表达式语言）

用 `|` 把组件串成链：`prompt | model | parser`。每个组件都是 Runnable，统一支持 `invoke` / `stream` / `batch` / 异步，并且可以加：

- `.with_retry(stop_after_attempt=3)`：失败重试；
- `.with_fallbacks([备用链])`：失败时切换到备用（例如另一个模型提供方）；
- `RunnableParallel`：并行执行多个分支。

### create_agent 和中间件

`create_agent` 实现了标准的工具调用循环（就是第 10 周手写的那个循环），返回一个 LangGraph 图，所以也支持检查点、流式、interrupt。1.x 的**中间件**可以在模型调用 / 工具调用前后插入逻辑，内置的有：调用次数限制、人工审批（HumanInTheLoop）、历史摘要（Summarization）、备用模型（ModelFallback）、PII 检测、工具重试等（名称和参数以官方文档为准）。

**什么时候用 LangChain，什么时候直接用 SDK？** 需要切换多个模型提供方、需要现成的检索 / 工具 / 中间件生态时用 LangChain；逻辑简单、追求最少依赖和完全可控时直接用厂商 SDK。面试时要能说出理由。

## 案例

工单分类服务：用 `PydanticOutputParser`（或 `with_structured_output`）输出 `{category, urgent}`；模型偶尔返回不合法格式，`with_retry` 重试一次；主模型提供方超时时 `with_fallbacks` 切换到备用提供方；批量历史工单用 `batch` 并发处理。

## 代码示例

完整可运行版本（假模型离线运行）：[examples/lc-basics/lc_basics.py](examples/lc-basics/lc_basics.py)。

```python
from langchain.agents import create_agent
from langchain.agents.middleware import ModelCallLimitMiddleware
from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool


class Triage(BaseModel):
    category: str = Field(pattern="^(refund|bug|question)$")
    urgent: bool


parser = PydanticOutputParser(pydantic_object=Triage)
prompt = ChatPromptTemplate.from_messages([
    ("system", "对工单分类。{format_instructions}"),
    ("human", "{ticket}"),
]).partial(format_instructions=parser.get_format_instructions())

chain = (prompt | model | parser).with_retry(stop_after_attempt=2).with_fallbacks([prompt | backup_model | parser])
print(chain.invoke({"ticket": "我要退款，很急"}))        # category='refund' urgent=True


@tool
def get_order_status(order_id: str) -> str:
    """查询订单的物流状态。order_id 形如 A1001。"""
    ...


agent = create_agent(model, tools=[get_order_status], system_prompt="你是售后客服。",
                     middleware=[ModelCallLimitMiddleware(run_limit=5)])
out = agent.invoke({"messages": [{"role": "user", "content": "A1001 到哪了"}]})
```

## 易错点

- 照抄 0.x 教程：`AgentExecutor`、`LLMChain` 等在 1.x 中已移到 `langchain-classic` 或不再推荐。
- 各模型提供方是独立的包（`langchain-openai`、`langchain-anthropic` 等），版本要和 `langchain-core` 匹配。
- 结构化输出只靠提示词约束，不做校验。
- `with_fallbacks` 的备用链输入输出格式和主链不一致。
- 工具的文档字符串写得太简单，模型不知道何时调用。
- 过度封装：简单的一次调用也套很多层链，调试困难。

## 面试常问

- LangChain 1.x 和 0.x 有什么变化？
- LCEL 是什么？有什么好处？
- 怎么保证结构化输出可靠？
- 什么时候不用 LangChain？