Die LangChain-Entwickler haben eine Reihe von Versionen bis zur Alpha 1.4.0a4 veröffentlicht. Der Schwerpunkt lag auf der Verbesserung der Agenten-Middleware, der Integration des Model Context Protocol (MCP) und der Erweiterung der unterstützten Modell-Provider.
MCP-Integration
Ein zentrales Thema der letzten Releases war die native Unterstützung des Model Context Protocol (MCP). Der neue langchain.mcp-Namespace und der MCPAdapter wurden eingeführt, um MCP-Tools direkt in LangChain-Agenten zu nutzen. Die Integration wurde iterativ verfeinert: So können nun ClientGroup-Objekte als Ziele verwendet werden, die MCP-Elicitation wird über LangGraph-Interrupts beantwortet, und die Kompatibilität mit FastMCP 4.0.x wurde sichergestellt. Zudem wurde die Handhabung verschiedener Protokoll-Epochen (mixed-era) getestet und die Tool-Metadaten unter einem eigenen mcp-Namespace gruppiert.
Middleware-Ökosystem
LangChain 1.x führte ein umfangreiches Middleware-System für Agenten ein. Zu den wichtigsten Ergänzungen zählen PIIMiddleware zur Schwärzung personenbezogener Daten, SummarizationMiddleware für automatische Kontextzusammenfassung, ToolCallLimitMiddleware und ModelCallLimitMiddleware zur Begrenzung von Aufrufen, HumanInTheLoopMiddleware für menschliche Freigaben sowie TodoListMiddleware für Planungsaufgaben. Weitere Middlewares wie ModelRetryMiddleware, ToolErrorMiddleware und ContextEditingMiddleware verbessern die Robustheit und Flexibilität. Alle Middlewares wurden kontinuierlich erweitert, z.B. um asynchrone Unterstützung, benutzerdefinierte Token-Zähler und verbesserte Fehlerbehandlung.
Provider und Modellunterstützung
Die Palette der unterstützten Modell-Provider wurde deutlich ausgebaut. Neu hinzugekommen sind unter anderem langchain-openrouter, langchain-meta und langchain-huggingface. Bestehende Integrationen für OpenAI, Anthropic, Fireworks, Google GenAI, Azure AI Foundry und Bedrock wurden verbessert. Beispielsweise unterstützt OpenAI jetzt explizites Prompt-Caching und serverseitige Kompaktierung, Anthropic bietet effort-Steuerung, und für Google Gemini 3 Modelle wurde die Nutzung von ProviderStrategy mit Tools ermöglicht. Zudem wurde init_chat_model um zahlreiche neue Provider erweitert, darunter Upstage, Baseten und LangSmith.
Weitere Verbesserungen und Fehlerbehebungen
Neben den großen Funktionsblöcken wurden viele Fehler behoben und die Leistung optimiert. Dazu gehören Korrekturen bei der Shell-Ausführung (Race Conditions), beim Token-Zählen, bei der Handhabung von strukturierten Ausgaben und bei der Kompatibilität mit verschiedenen Pydantic-Versionen. Die Initialisierungsgeschwindigkeit wurde um 15 % reduziert, und Python 3.14 wird nun unterstützt. Abhängigkeiten wurden aktualisiert, darunter FastMCP, LangGraph, LangSmith, Pydantic, und verschiedene Sicherheits-Patches (z.B. für Pygments).
