LangChain 1.0が2025年10月に正式リリースされました。
今回のアップデートは「単なるメジャーアップデート」ではなく、LangGraph統合によるアーキテクチャの再定義と、エージェント設計の完全リニューアルを特徴としています。

この記事では、

旧バージョンとの違い
新API create_agent の使い方
Middleware・Structured Outputのしくみ
Content Blocksによる観測可能性強化
をコード付きで解説します。

1. LangChain 1.0の全体像

新構成（Namespace再編）

LangChain v1ではモジュール構成が整理されました：

モジュール	機能	備考
`langchain.agents`	`create_agent`, `AgentState`	標準エージェント構築API
`langchain.messages`	`content_blocks` など	新メッセージ形式
`langchain.tools`	`@tool`, `BaseTool`	ツール登録を統一
`langchain.chat_models`	統一的モデル初期化	`init_chat_model()`
`langchain-classic`	旧Chain機能	段階的互換性維持

これにより、旧来のRAGやChainベースの構築もlangchain-classicを通じて継続利用できます。

2. `create_agent`：新しい基本構文

LangChain 1.0の核となるAPIは create_agent() です。
従来のinitialize_agent()を置き換え、LangGraphを内部的に利用して状態管理・ループ実行・エラー再送をネイティブにサポートします。

from langchain.agents import create_agent

agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[search_web, send_email],
    system_prompt="あなたは研究支援に特化したAIアシスタントです。"
)

result = agent.invoke({
    "messages": [{"role": "user", "content": "LangChain 1.0の特徴を紹介して"}]
})
print(result["output"])

LangGraphによる「ステップ実行」や「中断・再開」も、ユーザコードで特別対応が不要です。

3. Middleware：実行フローの横断制御

新しく追加されたMiddleware機構は、リクエスト前後の横断的制御レイヤーです。
これにより「監査ログ」「要約」「情報マスキング」といった機能を簡単に注入可能です。

from langchain.agents.middleware import PIIMiddleware, SummarizationMiddleware

agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=[read_email, send_email],
    middleware=[
        PIIMiddleware(patterns=["email", "電話番号"]),
        SummarizationMiddleware(max_tokens_before_summary=300)
    ]
)

複雑な業務アプリでも、ガバナンスを担保した形でLangChainを運用できます。

4. Structured Output：型安全な応答構築

従来の「文字列→JSONパース」処理に代わり、LangChain 1.0ではPydanticモデルへの直接マッピングが可能になりました。

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

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

def weather_tool(city: str):
    return f"{city}は晴れ、25℃です"

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

result = agent.invoke({"messages": [{"role": "user", "content": "東京の天気は？"}]})
print(result["structured_response"])

出力結果：

Weather(temperature=25, condition='晴れ')

この設計で出力の安定性・LLMコスト最適化・テスト容易性が大幅に向上します。

5. Content Blocks：マルチLLM時代の共通形式

LangChain 1.0では、OpenAI・Anthropic・Geminiなど各社の異なる出力構造を統一的に扱えるcontent_blocksが導入されています。

from langchain_anthropic import ChatAnthropic

model = ChatAnthropic(model="claude-sonnet-4-5")
res = model.invoke("フランスの首都は？")

for block in res.content_blocks:
    if block["type"] == "reasoning":
        print("推論:", block["reasoning"])
    elif block["type"] == "text":
        print("回答:", block["text"])

これにより、生成・推論・ツール呼び出しの可視化が容易になり、エンタープライズ開発での「監査・分析」が現実的になりました。

6. 実例：RAG × LangChain 1.0 (シンプル構成)

Qiita上でも複数の事例が報告されており、v1.0でも既存RAGをほぼ変更なしで動作可能です。[1]

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import Chroma
from langchain.embeddings import init_embeddings
from langchain.agents import create_agent
from langchain.tools import tool

@tool
def search_docs(query: str) -> str:
    return vector_store.similarity_search(query, k=3)

vector_store = Chroma.from_documents(
    TextLoader("./data/documents").load(),
    embedding=init_embeddings("openai:text-embedding-3-small")
)

agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=[search_docs]
)

agent.invoke({"messages": [{"role": "user", "content": "LangGraphとは何か？"}]})

実際、このコードでLangGraphを透過的に利用した耐久エージェント実行が可能です。

7. LangGraphとの統合：Durable Agentの実現

LangChain 1.0の裏側ではLangGraphが状態管理・再実行・永続化を担当します。
これにより、AutoGPTや長期チャットボットの開発が正式サポートされました。

LangGraphは「オーケストレーション層（低レベル）」、LangChainは「構築層（高レベル）」として明確に役割分担されています。

まとめ：LangChain 1.0は“実践フェーズ”へ

観点	旧バージョン	1.0以降
開発対象	チェーン／RAG中心	エージェント中心
内部実装	単一実行	LangGraphによる耐久実行
出力形式	テキスト中心	Structured Output + Content Blocks
安全性	手動制御	Middlewareで自動対応

LangChain 1.0は「プロトタイピング用フレームワーク」から「耐久エージェント基盤」へと進化しました。
AIアプリを本番運用するうえで、LangGraph × LangChainの組み合わせが今後の標準構成になると考えられます。