v1의 새로운 기능

LangChain v1은 에이전트 구축을 위한 집중적이고 프로덕션 준비가 완료된 기반입니다. 세 가지 핵심 개선 사항을 중심으로 프레임워크를 간소화했습니다:

create_agent

LangChain에서 에이전트를 구축하는 새로운 표준으로, langgraph.prebuilt.create_react_agent를 대체합니다.

표준 content block

간소화된 namespace

langchain namespace는 에이전트를 위한 필수 구성 요소에 집중하도록 간소화되었으며, 레거시 기능은 langchain-classic으로 이동되었습니다.

업그레이드하려면,

pip install -U langchain

전체 변경 사항 목록은 마이그레이션 가이드를 참조하세요.

`create_agent`

create_agent는 LangChain 1.0에서 에이전트를 구축하는 표준 방법입니다. langgraph.prebuilt.create_react_agent보다 간단한 인터페이스를 제공하면서 middleware를 사용하여 더 큰 커스터마이징 가능성을 제공합니다.

from langchain.agents import create_agent


agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[search_web, analyze_data, send_email],
    system_prompt="You are a helpful research assistant."
)

result = agent.invoke({
    "messages": [
        {"role": "user", "content": "Research AI safety trends"}
    ]
})

내부적으로 create_agent는 기본 에이전트 루프를 기반으로 구축됩니다 — 모델을 호출하고, 실행할 도구를 선택하게 한 다음, 더 이상 도구를 호출하지 않을 때 완료됩니다:

자세한 내용은 Agents를 참조하세요.

Middleware

Middleware는 create_agent의 핵심 기능입니다. 매우 커스터마이징 가능한 진입점을 제공하여 구축할 수 있는 범위를 확장합니다. 훌륭한 에이전트는 context engineering이 필요합니다: 적절한 시간에 모델에 올바른 정보를 제공하는 것입니다. Middleware는 구성 가능한 추상화를 통해 동적 프롬프트, 대화 요약, 선택적 도구 액세스, 상태 관리 및 가드레일을 제어하는 데 도움을 줍니다.

사전 구축된 middleware

LangChain은 일반적인 패턴을 위한 몇 가지 사전 구축된 middleware를 제공합니다:

PIIMiddleware: 모델로 전송하기 전에 민감한 정보를 삭제합니다
SummarizationMiddleware: 대화 기록이 너무 길어지면 압축합니다
HumanInTheLoopMiddleware: 민감한 도구 호출에 대한 승인을 요구합니다

from langchain.agents import create_agent
from langchain.agents.middleware import (
    PIIMiddleware,
    SummarizationMiddleware,
    HumanInTheLoopMiddleware
)


agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[read_email, send_email],
    middleware=[
        PIIMiddleware(patterns=["email", "phone", "ssn"]),
        SummarizationMiddleware(
            model="anthropic:claude-sonnet-4-5",
            max_tokens_before_summary=500
        ),
        HumanInTheLoopMiddleware(
            interrupt_on={
                "send_email": {
                    "allowed_decisions": ["approve", "edit", "reject"]
                }
            }
        ),
    ]
)

커스텀 middleware

필요에 맞게 커스텀 middleware를 구축할 수도 있습니다. Middleware는 에이전트 실행의 각 단계에서 hook을 노출합니다:

AgentMiddleware 클래스의 서브클래스에서 다음 hook 중 하나를 구현하여 커스텀 middleware를 구축하세요:

Hook	실행 시점	사용 사례
`before_agent`	에이전트 호출 전	메모리 로드, 입력 검증
`before_model`	각 LLM 호출 전	프롬프트 업데이트, 메시지 트리밍
`wrap_model_call`	각 LLM 호출 전후	요청/응답 가로채기 및 수정
`wrap_tool_call`	각 도구 호출 전후	도구 실행 가로채기 및 수정
`after_model`	각 LLM 응답 후	출력 검증, 가드레일 적용
`after_agent`	에이전트 완료 후	결과 저장, 정리

커스텀 middleware 예제:

from dataclasses import dataclass
from typing import Callable

from langchain_openai import ChatOpenAI

from langchain.agents.middleware import (
    AgentMiddleware,
    ModelRequest
)
from langchain.agents.middleware.types import ModelResponse

@dataclass
class Context:
    user_expertise: str = "beginner"

class ExpertiseBasedToolMiddleware(AgentMiddleware):
    def wrap_model_call(
        self,
        request: ModelRequest,
        handler: Callable[[ModelRequest], ModelResponse]
    ) -> ModelResponse:
        user_level = request.runtime.context.user_expertise

        if user_level == "expert":
            # More powerful model
            model = ChatOpenAI(model="openai:gpt-5")
            tools = [advanced_search, data_analysis]
        else:
            # Less powerful model
            model = ChatOpenAI(model="openai:gpt-5-nano")
            tools = [simple_search, basic_calculator]

        request.model = model
        request.tools = tools
        return handler(request)

agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[
        simple_search,
        advanced_search,
        basic_calculator,
        data_analysis
    ],
    middleware=[ExpertiseBasedToolMiddleware()],
    context_schema=Context
)

자세한 내용은 전체 middleware 가이드를 참조하세요.

LangGraph 기반

create_agent는 LangGraph를 기반으로 구축되었기 때문에 다음을 통해 장기 실행 및 안정적인 에이전트에 대한 기본 지원을 자동으로 받을 수 있습니다:

Persistence

기본 제공 체크포인팅으로 세션 간에 대화가 자동으로 유지됩니다

Streaming

실시간으로 토큰, 도구 호출 및 추론 추적을 스트리밍합니다

Human-in-the-loop

민감한 작업 전에 사람의 승인을 위해 에이전트 실행을 일시 중지합니다

Time travel

대화를 임의의 시점으로 되돌리고 대체 경로와 프롬프트를 탐색합니다

이러한 기능을 사용하기 위해 LangGraph를 배울 필요가 없습니다—기본적으로 작동합니다.

Structured output

create_agent는 개선된 structured output 생성 기능을 제공합니다:

메인 루프 통합: Structured output이 이제 추가 LLM 호출을 요구하는 대신 메인 루프에서 생성됩니다
Structured output 전략: 모델은 도구 호출과 제공자 측 structured output 생성 중에서 선택할 수 있습니다
비용 절감: 추가 LLM 호출로 인한 추가 비용을 제거합니다

from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy
from pydantic import BaseModel


class Weather(BaseModel):
    temperature: float
    condition: str

def weather_tool(city: str) -> str:
    """Get the weather for a city."""
    return f"it's sunny and 70 degrees in {city}"

agent = create_agent(
    "openai:gpt-4o-mini",
    tools=[weather_tool],
    response_format=ToolStrategy(Weather)
)

result = agent.invoke({
    "messages": [{"role": "user", "content": "What's the weather in SF?"}]
})

print(repr(result["structured_response"]))
# results in `Weather(temperature=70.0, condition='sunny')`

오류 처리: ToolStrategy의 handle_errors 매개변수를 통해 오류 처리를 제어합니다:

파싱 오류: 모델이 원하는 구조와 일치하지 않는 데이터를 생성합니다
다중 도구 호출: 모델이 structured output 스키마에 대해 2개 이상의 도구 호출을 생성합니다

표준 content block

Content block 지원은 현재 다음 통합에서만 사용할 수 있습니다:

더 많은 제공자에 대한 content block 지원은 점진적으로 확대될 예정입니다.

새로운 content_blocks 속성은 제공자 간에 작동하는 메시지 콘텐츠에 대한 표준 표현을 도입합니다:

from langchain_anthropic import ChatAnthropic

model = ChatAnthropic(model="claude-sonnet-4-5")
response = model.invoke("What's the capital of France?")

# Unified access to content blocks
for block in response.content_blocks:
    if block["type"] == "reasoning":
        print(f"Model reasoning: {block['reasoning']}")
    elif block["type"] == "text":
        print(f"Response: {block['text']}")
    elif block["type"] == "tool_call":
        print(f"Tool call: {block['name']}({block['args']})")

이점

제공자 독립적: 제공자에 관계없이 동일한 API를 사용하여 추론 추적, 인용, 기본 제공 도구(웹 검색, 코드 인터프리터 등) 및 기타 기능에 액세스합니다
타입 안전: 모든 content block 타입에 대한 완전한 타입 힌트
하위 호환성: 표준 콘텐츠는 지연 로드될 수 있으므로 관련된 호환성 문제가 없습니다

자세한 내용은 content block에 대한 가이드를 참조하세요.

간소화된 패키지

LangChain v1은 langchain 패키지 namespace를 에이전트를 위한 필수 구성 요소에 집중하도록 간소화합니다. 개선된 namespace는 가장 유용하고 관련성 있는 기능을 노출합니다:

Namespace

모듈	사용 가능한 항목	참고 사항
`langchain.agents`	`create_agent`, `AgentState`	핵심 에이전트 생성 기능
`langchain.messages`	Message 타입, content block, `trim_messages`	@[`langchain-core`]에서 재내보내기
`langchain.tools`	`@tool`, `BaseTool`, injection helper	@[`langchain-core`]에서 재내보내기
`langchain.chat_models`	`init_chat_model`, `BaseChatModel`	통합 모델 초기화
`langchain.embeddings`	`Embeddings`, `init_embeddings`	Embedding 모델

이들 대부분은 편의를 위해 langchain-core에서 재내보내기되어 에이전트 구축을 위한 집중된 API 표면을 제공합니다.

# Agent building
from langchain.agents import create_agent

# Messages and content
from langchain.messages import AIMessage, HumanMessage

# Tools
from langchain.tools import tool

# Model initialization
from langchain.chat_models import init_chat_model
from langchain.embeddings import init_embeddings

`langchain-classic`

레거시 기능은 핵심 패키지를 간결하고 집중적으로 유지하기 위해 langchain-classic으로 이동되었습니다. langchain-classic에 포함된 항목:

레거시 chain 및 chain 구현
Retriever (예: MultiQueryRetriever 또는 이전 langchain.retrievers 모듈의 모든 항목)
Indexing API
Hub 모듈 (프로그래밍 방식으로 프롬프트 관리)
langchain-community export
기타 deprecated 기능

이러한 기능을 사용하는 경우 langchain-classic을 설치하세요:

pip install langchain-classic

그런 다음 import를 업데이트하세요:

from langchain import ...
from langchain_classic import ...

from langchain.chains import ...
from langchain_classic.chains import ...

from langchain.retrievers import ...
from langchain_classic.retrievers import ...

from langchain import hub  
from langchain_classic import hub  

마이그레이션 가이드

LangChain v1로 코드를 업데이트하는 데 도움이 필요하면 마이그레이션 가이드를 참조하세요.

이슈 보고

1.0에서 발견된 이슈는 'v1' label을 사용하여 GitHub에 보고해 주세요.

추가 리소스

LangChain 1.0

공지사항 읽기

Middleware 가이드

Middleware 심층 분석

Agents 문서

전체 에이전트 문서

Message Content

새로운 content block API

마이그레이션 가이드

LangChain v1로 마이그레이션하는 방법

GitHub

이슈 보고 또는 기여

참고

Versioning - 버전 번호 이해하기
Release policy - 상세한 릴리스 정책

Edit the source of this page on GitHub.

Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.

LangChain v1.0

Get started

Core components

Advanced usage

Use in production

create_agent

표준 content block

간소화된 namespace

`create_agent`

Middleware

사전 구축된 middleware

커스텀 middleware

LangGraph 기반

Persistence

Streaming

Human-in-the-loop

Time travel

Structured output

표준 content block

이점

간소화된 패키지

Namespace

`langchain-classic`

마이그레이션 가이드

이슈 보고

추가 리소스

LangChain 1.0

Middleware 가이드

Agents 문서

Message Content

마이그레이션 가이드

GitHub

참고

LangChain v1.0

Get started

Core components

Advanced usage

Use in production

create_agent

표준 content block

간소화된 namespace

​create_agent

​Middleware

​사전 구축된 middleware

​커스텀 middleware

​LangGraph 기반

Persistence

Streaming

Human-in-the-loop

Time travel

​Structured output

​표준 content block

​이점

​간소화된 패키지

​Namespace

​langchain-classic

​마이그레이션 가이드

​이슈 보고

​추가 리소스

LangChain 1.0

Middleware 가이드

Agents 문서

Message Content

마이그레이션 가이드

GitHub

​참고

`create_agent`

Middleware

사전 구축된 middleware

커스텀 middleware

LangGraph 기반

Structured output

표준 content block

이점

간소화된 패키지

Namespace

`langchain-classic`

마이그레이션 가이드

이슈 보고

추가 리소스

참고