WEDO 行銷日報

LangChain 1.0：智能 Agent 開發協作應用

深入解析 LangChain 1.0 的核心技術、Claude Skills 動態工具過濾機制以及 Agentic GraphRAG 垂直領域應用，終結傳統編程的智能 Agent 實戰全解析。

2026-01-13

LangChain
智能 Agent
Middleware
Agentic GraphRAG
工具過載
RAG
AI

LangChain 1.0核心技術解析

Agent 開發進入新階段

LangChain 1.0 通過簡潔的 API，將複雜的圖狀工作流編排隱藏，為 Agent 開發帶來重大變革。架構的重構和 API 的統一，降低了開發門檻，讓開發者能更專注於 Agent 的核心功能。 Middleware 機制是 LangChain 1.0 的關鍵，它允許開發者在 Agent 運行的各個環節實時攔截並修改模型請求，實現高度的客製化和控制。

Middleware 實現動態過濾

Middleware 作為 LangChain 1.0 的核心技術，其關鍵性在於它在 Agent 運行的各個環節預設了 "鉤子"（Hooks），使開發者能實時攔截並修改模型請求，例如動態更換工具列表、壓縮上下文或切換推理模型。這種機制為解決 Agent 工具過載問題提供了有效的方案。

解決 Agent 工具過載難題

傳統智能體因加載過多工具而導致響應緩慢、模型幻覺等問題日益突出。Claude Skills 的動態工具過濾機制應運而生，旨在解決 Agent 因工具過載（Tool Explosion）導致的上下文爆炸、反應變慢、成本極高以及產生幻覺等痛點，提升 Agent 的效率和準確性。

雙層過濾架構提升效率

Claude Skills 採用兩層過濾架構：Loader 工具和 Skill 工具。Loader 工具作為輕量級的技能加載器，對模型始終可見，用於識別用戶意圖。Skill 工具則是實際的功能工具，初始狀態下隱藏，僅在對應技能被激活後才動態注入上下文，有效節省 Token 並提升精準度。

Agentic GraphRAG 落地應用

克服傳統 RAG 的局限

傳統向量檢索（Naive RAG）難以捕捉長文檔中的碎格化信息和複雜實體關係，容易在醫療、法律等專業領域出現錯誤。Agentic GraphRAG 通過結合 OCR 解析、Lextract 信息抽取、向量存儲與知識圖譜構建，有效解決了這些問題，提升了專業知識庫系統的準確性。

多重技術鏈路構建知識庫

Agentic GraphRAG 的技術鏈路包括 OCR 解析、Lextract 信息抽取（Google 開源）、向量存儲與知識圖譜構建。這些技術的結合使得 Agent 具備結構化檢索能力，能精準回溯原文位置（像素級溯源），並提供全局關聯視角。

混合檢索提升準確度

Agent 同時具備向量檢索、圖檢索與混合檢索三種工具，能根據問題複雜度自主選擇檢索路徑，從而更精準地回溯原文位置並提供全局關聯視角。這種混合檢索方式顯著提升了 Agent 在垂直領域的應用效果。

適用於醫療金融等領域

通過動態注入工具包與混合檢索技術，開發者能打造出更精準、可控且適用於醫療或金融等垂直領域的企業級智能體。Agentic GraphRAG 的應用為這些領域帶來了更高效、可靠的知識獲取和應用方式。

Agent 開發實戰步驟詳解

環境準備與模型配置

確保 Python 版本 $\ge$ 3.11，安裝 `langchain` (1.0.1+), `langchain-openai`, `chromadb` 等依賴。在本地創建 `.env` 文件，填入 `DEEPSEEK_API_KEY` 等必要的模型密鑰。若需使用 DeepSeek V3.2 推理模型，可透過來源提供的自定義類進行封裝。

定義 Claude Skills 工具體系

構建 Loader（技能加載器），使用 `Command(update={"skills_loader": "specific_skill"})` 語法，在 Loader 被觸發時更新全局狀態。構建具體 Skill 函數，按業務邏輯編寫 Python 函數（如數據分析、PDF 解析），並加上 `@tool` 裝飾器。建立映射關係，使用字典將技能名稱（Key）與具體工具列表（Value）關聯，供 Middleware 檢索。

Middleware 攔截邏輯實作

繼承 `AgentMiddleware`，自定義一個類（如 `SkillMiddleware`），重寫 `wrap_model` 方法。從 `ModelRequest` 中讀取當前狀態的 `skills_loader`。利用 `request.overwrite(tools=filtered_tools)` 方法，在模型生成回答前，動態替換當次調用的工具列表。

Agent 創建與運行測試

使用 `create_agent(model, tools, middleware=[skill_middleware], state_schema=StateSchema)` 初始化 Agent。注意：此處傳入的 `tools` 可以包含所有工具，因為 Middleware 會自動進行過濾。調用 `agent.invoke({"messages": [...]})` 啟動與測試，觀察日誌，確認 Agent 在不同問題下加載的工具數量是否隨意圖動態變化。

Agent 部署與進階應用

工業級流程部署與可視化

使用 LangGraph Studio 可視化 Agent 的架構圖，並實時查看運行到的節點與工具調用日誌。編寫 `langgraph.json` 配置，透過 `langgraph up` 啟動後端 API 服務。可集成 Agent Chat UI，提供更美觀的流式響應對話頁面，並支持人機協作（Human-in-the-loop）模式。

Agentic GraphRAG 進階應用

使用 `Marker` 或 `MinerU` 等 OCR 服務將複雜 PDF 轉為結構化 Markdown。利用 `Lextract` 從文本中自動提取實體與三元組關係。將圖譜查詢邏輯封裝成工具，讓 Agent 根據問題複雜度自主選擇檢索路徑。

OCR 技術解析 PDF 文件

使用 Marker 或 Mineru 等 OCR 服務將複雜 PDF 轉換為結構化 Markdown 格式，以便後續的資訊抽取和知識圖譜建立。OCR 技術的應用使得 Agent 能夠處理非結構化的 PDF 文檔，擴展了其應用範圍。

Lextract 實現關係抽取

利用 Google 開源的 Lextract 工具從文本中自動提取實體與三元組關係，構建知識圖譜。這種自動化的關係抽取技術大幅提升了知識庫構建的效率，使得 Agent 能夠更好地理解和利用文本中的資訊。

延伸閱讀與主題指南

這篇深度分析可以延伸到完整指南、趨勢觀點與 WEDO 案例，幫助讀者掌握同一主題的背景與做法。

AI 行銷自動化

AI 行銷自動化是把策略、內容、投放、追蹤與優化整理成可重複執行的流程；它不是單純省人，而是讓行銷決策更快、更一致、更可驗證。

AI 行銷自動化導入指南：流程、工具選型與人機分工 / AI 行銷自動化趨勢觀察
品牌策略

品牌策略的任務，是把企業能力翻譯成市場能理解、記得並願意選擇的理由。

品牌定位怎麼做？流程、範例與常見錯誤 / 品牌定位與市場信任觀察
內容行銷

內容行銷不是每天發文，而是把品牌經驗整理成能持續帶來搜尋、信任與轉換的資產。

內容行銷怎麼開始？策略、SEO×AIO 佈局與台灣案例 / 內容行銷與搜尋成長觀察