截至 2025 年末，LangChain 在 GitHub 上的星标数已经超过 11 万，是全球 AI 应用层使用最广的开发框架。本周我们注意到，它把整个 1.x 版本的主线押在了 create_agent() 这一个函数上——这看起来是个技术细节，但反映的是行业对「AI 应用到底该怎么写」的认知转向。

这是什么

LangChain 本质上是一个「AI 应用拼装框架」，它的核心价值不是让模型更聪明，而是把模型、外部工具、私有数据和执行逻辑拼成一套完整应用。

在 1.x 版本中，LangChain 官方把主线收敛到一个公式：Agent = Model + Harness。Model（模型）负责思考和决策，Harness（外壳）负责管理 Prompt、工具、状态、中间件和执行循环。

用一个比喻：模型是大脑，Harness 是身体和工作制度。Harness 决定了 AI 能用什么工具、记不记得住事情、遇到敏感操作要不要人工审批、回答不合格怎么重来。

1.x 推出的 create_agent() 函数，就是官方给出的「最小可用 Harness」模板——开发者只需要填入模型、工具列表和中间件，就能跑起一个能调用外部系统的 AI 助手。

行业怎么看

支持的声音认为，LangChain 解决了真实痛点：不同模型厂商的 API 格式、工具调用方式都不一样，切换模型往往意味着重写一半业务代码；模型本身不能访问企业私有数据、不能查实时数据库、不能完成多步任务，而 Agent 循环（让模型自己决定是否调工具、调哪个、何时结束）正是补上这块短板的标准做法。

但我们也要看到反对意见。第一，LangChain 的抽象层增加了学习成本，对只用过 OpenAI API 的初学者而言，「调一个聊天接口」和「搭一套 Harness」之间隔着不小的概念鸿沟。第二，框架本身仍在快速迭代，1.x 与旧版本之间存在破坏性改动，企业把它用于生产环境时，对升级节奏要有心理准备。第三，行业里也有声音质疑：Agent 的实际效果常常被高估，多步工具调用带来的延迟、成本和错误率，在严肃业务里未必划算。

对普通人的影响

对企业 IT：过去一年，越来越多企业开始把「能不能用 LangChain 搭一个内部 AI 助手」作为评估 AI 能力的试金石。如果你的团队正在评估 AI 落地项目，理解 Agent 框架的基本逻辑会成为一项基础要求。

对个人职场：即使你不会写代码，理解「模型+外壳」这套思路也有助于判断供应商方案——当一家公司向你推销 AI 产品时，可以问一句：它的 Harness 部分是怎么处理记忆、权限和审计的？这往往比模型本身更关键。

对消费市场：LangChain 这类框架降低了 AI 应用的开发门槛，意味着未来几年会出现更多垂直场景的 AI 产品，比如面向律所、诊所、电商卖家的定制助手——价格会比通用聊天机器人贵，但比请一个真人便宜得多。