LangChain v1.0更新后，create_agent成为核心入口，可统一配置模型、工具和中间件。Tool作为AI的"手脚"，通过@tool装饰器定义，让AI能执行实际操作。Middleware则可在模型调用前后插入自定义逻辑，实现业务解耦。两者结合使用，可创建功能强大的AI助手，实现从简单问答到复杂任务的多种应用。
LangChain 是AI辅助工作的主流框架。最近它进行了大版本更新，语法变得更加优雅。准备用他做一个数据分析流程正好学习了一下，在这里把核心的几个变化进行总结。我们从create_agent类进行出发，介绍其几个核心功能：tool和Middleware。
create_agent
create_agent是 v1.0 的核心入口，一个函数搞定 Agent 创建：
from langchain.agents import create_agent agent = create_agent( model=llm, 模型 tools=[...], # 工具：让 AI 能做事 middleware=[...], # 中间件：事前/事后处理 system_prompt="...", # 系统提示词)result = agent.invoke({ "messages": [{"role": "user", "content": "你的问题"}]})核心组成：
┌─────────────────────────────────────────────────┐ │ create_agent │ ├─────────────────────────────────────────────────┤ │ model → 大语言模型 │ │ tools → 工具列表（让 AI 能做事） │ │ middleware → 中间件（事前检查/事后处理） │ └─────────────────────────────────────────────────┘下面分别介绍Tool和Middleware的用法。
Tool = Agent 的"手脚"，让 AI 能执行实际操作（查天气、调 API、操作数据库…），像不像热门词汇MCP
1.1 定义
from langchain.tools import tool @tool def get_weather(city: str) -> str: """获取城市天气""" ← docstring 决定 AI 何时调用 return f"{city}：晴天 25°C"三要素：
| 要素 | 说明 |
|---|---|
| 函数名 | 简洁明了，如get_weather |
| docstring | 最重要！AI 据此判断何时调用 |
| 参数类型 | 帮助 AI 正确传参 |
1.2 使用
agent = create_agent( model=llm, tools=[get_weather, calculate], 传入工具列表)1.3 完整示例
from langchain.agents import create_agent from langchain.tools import tool from langchain_community.chat_models import ChatTongyi @tool def get_weather(city: str) -> str: """获取城市天气""" weathers = {"北京": "晴天 25°C", "上海": "多云 28°C"} return weathers.get(city, f"{city}：暂无数据") @tool def calculate(expression: str) -> str: """计算数学表达式，如 1+2*3""" return f"结果是 {eval(expression)}" llm = ChatTongyi(model_name="qwen-plus") agent = create_agent( model=llm, tools=[get_weather, calculate], ) AI 会自动选择合适的工具result = agent.invoke({ "messages": [{"role": "user", "content": "北京天气怎么样？"}]})print(result["messages"][-1].content)二、Middleware 中间件
Middleware = 在模型调用前后插入自定义逻辑，这个可以大大优化逻辑，让业务逻辑和功能逻辑解耦，非常好用。langchain也不在使用链式语言，归功于中间件的建构。
2.1 定义
from langchain.agents.middleware import AgentMiddleware class MyMiddleware(AgentMiddleware): def before_model(self, state, runtime): """模型调用前""" return None 返回 None = 放行 def after_model(self, state, runtime): """模型返回后""" return None # 返回 None = 不修改结果关键点：
| 返回值 | 效果 |
|---|---|
None | 放行 / 不修改 |
{"jump_to": "end"} | 拦截，跳过模型调用 |
{"messages": [...]} | 修改消息内容 |
2.2 使用
agent = create_agent( model=llm, tools=[...], middleware=[MyMiddleware()], ← 直接加到列表)2.3 示例：脏话过滤
from langchain.agents import create_agent from langchain.agents.middleware import AgentMiddleware from langchain.messages import AIMessage from langchain_community.chat_models import ChatTongyi class BadWordFilter(AgentMiddleware): """脏话过滤中间件""" BAD_WORDS = ["傻瓜", "笨蛋", "垃圾"] def before_model(self, state, runtime): text = state["messages"][-1].content for word in self.BAD_WORDS: if word in text: 检测到脏话，拦截并返回提示 return { "messages": state["messages"] + [ AIMessage(content="请文明用语哦") ], "jump_to": "end" # 跳过模型，直接结束 } return None # 放行llm = ChatTongyi(model_name="qwen-plus")agent = create_agent( model=llm, tools=[], middleware=[BadWordFilter()],)# 测试result = agent.invoke({ "messages": [{"role": "user", "content": "你好"}]})print(result["messages"][-1].content) # 正常回复result = agent.invoke({ "messages": [{"role": "user", "content": "你这个傻瓜"}]})print(result["messages"][-1].content) # "请文明用语哦"三、调用方式
| 场景 | 写法 |
|---|---|
| 简单问答 | model.invoke("问题").content |
| 需要工具 | create_agent(tools=[...]) |
| 需要拦截/日志 | create_agent(middleware=[...]) |
简单问答：直接调用from langchain_community.chat_models import ChatTongyillm = ChatTongyi(model_name="qwen-plus")result = llm.invoke("什么是 Python？")print(result.content)这个句式真是舒服了，之前需要定义llm，定义调用函数，定义输出结构。：）
四、create_agent 参数
agent = create_agent( model=llm, 模型实例 tools=[...], # 工具列表 system_prompt="...", # 系统提示词 middleware=[...], # 中间件列表 memory=True, # 启用记忆 max_iterations=10, # 最大迭代次数（防止死循环）)| 参数 | 说明 | | ---------------- | ----------------------------------- | | `model` | 模型实例 | | `tools` | 工具列表，可为空 `[]` | | `system_prompt` | 设定 AI 角色/风格 | | `middleware` | 中间件列表，事前/事后处理 | | `memory` | 启用后配合 `thread_id` 实现多轮对话 | | `max_iterations` | 防止 AI 无限调用工具 |五、完整示例
""" 综合示例：Tool + Middleware + Agent """ from langchain.agents import create_agent from langchain.agents.middleware import AgentMiddleware from langchain.tools import tool from langchain.messages import AIMessage from langchain_community.chat_models import ChatTongyi ========== 1. 定义工具 ==========@tooldef get_weather(city: str) -> str: """获取城市天气""" weathers = {"北京": "晴天 25°C", "上海": "多云 28°C"} return weathers.get(city, f"{city}：暂无数据")@tooldef calculate(expression: str) -> str: """计算数学表达式""" return f"结果是 {eval(expression)}"# ========== 2. 定义中间件 ==========class BadWordFilter(AgentMiddleware): """脏话过滤""" def before_model(self, state, runtime): text = state["messages"][-1].content if any(w in text for w in ["傻瓜", "笨蛋"]): return { "messages": state["messages"] + [ AIMessage(content="请文明用语") ], "jump_to": "end" } return None# ========== 3. 创建 Agent ==========llm = ChatTongyi(model_name="qwen-plus")agent = create_agent( model=llm, tools=[get_weather, calculate], system_prompt="你是一个helpful助手，简洁回答", middleware=[BadWordFilter()], max_iterations=10,)# ========== 4. 使用 ==========# 查天气result = agent.invoke({ "messages": [{"role": "user", "content": "北京天气如何？"}]})print(result["messages"][-1].content)# 计算result = agent.invoke({ "messages": [{"role": "user", "content": "123 * 456 等于多少？"}]})print(result["messages"][-1].content)# 脏话测试（会被拦截）result = agent.invoke({ "messages": [{"role": "user", "content": "你这个傻瓜"}]})print(result["messages"][-1].content) # "请文明用语"最后做一个总结：TOOL可以引入外部操作函数，让AI去进行一些功能实现，Middleware则是大大简化了AI的业务流程。
我理解的Agent=LLM+MCP，大脑加上肢体，协调的工作。
┌─────────────────────────────────────────────────┐ │ Tool = 让 AI 能做事 │ │ Middleware = 在调用前后加逻辑 │ │ Agent = Tool + Middleware 的容器 │ └─────────────────────────────────────────────────┘AI时代，未来的就业机会在哪里？
答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。
掌握大模型技能，就是把握高薪未来。
那么，普通人如何抓住大模型风口？
AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。
因此，这里给大家整理了一份《2026最新大模型全套学习资源》，包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等，带你从零基础入门到精通，快速掌握大模型技术！
由于篇幅有限，有需要的小伙伴可以扫码获取！
1. 成长路线图&学习规划
要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。
2. 大模型经典PDF书籍
书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）
3. 大模型视频教程
对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。
4. 大模型项目实战
学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。
5. 大模型行业报告
行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
6. 大模型面试题
面试不仅是技术的较量，更需要充分的准备。
在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
为什么大家都在学AI大模型？
随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。
同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！
这些资料有用吗？
这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
大模型全套学习资料已整理打包，有需要的小伙伴可以
微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】
