> ## Documentation Index
> Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
> Use this file to discover all available pages before exploring further.

# 预构建中间件

> 用于常见智能体用例的预构建中间件

LangChain 和 [Deep Agents](/oss/python/deepagents/overview) 提供了用于常见用例的预构建中间件。每个中间件都适用于生产环境，并可根据您的具体需求进行配置。

## 与提供商无关的中间件

以下中间件适用于任何 LLM 提供商：

| 中间件                             | 描述                              |
| ------------------------------- | ------------------------------- |
| [摘要](#summarization)            | 在接近令牌限制时自动总结对话历史。               |
| [人工介入](#human-in-the-loop)      | 暂停执行以等待人工批准工具调用。                |
| [模型调用限制](#model-call-limit)     | 限制模型调用次数以防止过高成本。                |
| [工具调用限制](#tool-call-limit)      | 通过限制调用次数来控制工具执行。                |
| [模型回退](#model-fallback)         | 当主模型失败时自动回退到替代模型。               |
| [PII 检测](#pii-detection)        | 检测和處理个人身份信息 (PII)。              |
| [待办事项列表](#to-do-list)           | 为智能体配备任务规划和跟踪能力。                |
| [LLM 工具选择器](#llm-tool-selector) | 在主模型调用之前使用 LLM 选择相关工具。          |
| [工具重试](#tool-retry)             | 使用指数退避自动重试失败的工具调用。              |
| [模型重试](#model-retry)            | 使用指数退避自动重试失败的模型调用。              |
| [LLM 工具模拟器](#llm-tool-emulator) | 出于测试目的使用 LLM 模拟工具执行。            |
| [上下文编辑](#context-editing)       | 通过修剪或清除工具使用来管理对话上下文。            |
| [Shell 工具](#shell-tool)         | 向智能体暴露持久的 shell 会话以执行命令。        |
| [文件搜索](#file-search)            | 提供基于文件系统的 Glob 和 Grep 搜索工具。     |
| [文件系统](#filesystem-middleware)  | 为智能体提供用于存储上下文和长期记忆的 filesystem。 |
| [子智能体](#subagent)               | 添加启动子智能体的能力。                    |

### 摘要

在接近令牌限制时自动总结对话历史，保留最近的消息同时压缩较旧的上下文。摘要功能适用于以下场景：

* 超过上下文窗口的长时间运行对话。
* 具有大量历史的多次对话。
* 需要保留完整对话上下文的应用程序。

**API 参考：** [`SummarizationMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/summarization/SummarizationMiddleware)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import SummarizationMiddleware

agent = create_agent(
    model="gpt-4.1",
    tools=[your_weather_tool, your_calculator_tool],
    middleware=[
        SummarizationMiddleware(
            model="gpt-4.1-mini",
            trigger=("tokens", 4000),
            keep=("messages", 20),
        ),
    ],
)
```

<Accordion title="配置选项">
  <Tip>
    `trigger` 和 `keep` 的 `fraction` 条件（如下所示）如果使用 `langchain>=1.1`，则依赖于聊天模型的 [profile 数据](/oss/python/langchain/models#model-profiles)。如果数据不可用，请使用其他条件或手动指定：

    ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
    from langchain.chat_models import init_chat_model

    custom_profile = {
        "max_input_tokens": 100_000,
        # ...
    }
    model = init_chat_model("gpt-4.1", profile=custom_profile)
    ```
  </Tip>

  <ParamField body="model" type="string | BaseChatModel" required>
    用于生成摘要的模型。可以是模型标识符字符串（例如 `'openai:gpt-4.1-mini'`）或 `BaseChatModel` 实例。有关更多信息，请参阅 [`init_chat_model`](https://reference.langchain.com/python/langchain/chat_models/base/init_chat_model)。
  </ParamField>

  <ParamField body="trigger" type="ContextSize | list[ContextSize] | None">
    触发摘要的条件。可以是：

    * 单个 [`ContextSize`](https://reference.langchain.com/python/langchain/agents/middleware/summarization/ContextSize) 元组（必须满足指定条件）
    * [`ContextSize`](https://reference.langchain.com/python/langchain/agents/middleware/summarization/ContextSize) 元组列表（必须满足任一条件 - OR 逻辑）

    条件应为以下内容之一：

    * `fraction` (float): 模型上下文大小的比例 (0-1)
    * `tokens` (int): 绝对令牌数量
    * `messages` (int): 消息数量

    必须指定至少一个条件。如果未提供，摘要将不会自动触发。

    有关更多信息，请参阅 [`ContextSize`](https://reference.langchain.com/python/langchain/agents/middleware/summarization/ContextSize) 的 API 参考。
  </ParamField>

  <ParamField body="keep" type="ContextSize" default="('messages', 20)">
    摘要后保留多少上下文。指定以下之一：

    * `fraction` (float): 要保留的模型上下文大小比例 (0-1)
    * `tokens` (int): 要保留的绝对令牌数量
    * `messages` (int): 要保留的最新消息数量

    有关更多信息，请参阅 [`ContextSize`](https://reference.langchain.com/python/langchain/agents/middleware/summarization/ContextSize) 的 API 参考。
  </ParamField>

  <ParamField body="token_counter" type="function">
    自定义令牌计数函数。默认为基于字符的计数。
  </ParamField>

  <ParamField body="summary_prompt" type="string">
    用于摘要的自定义提示模板。如果未指定，则使用内置模板。模板应包含 `{messages}` 占位符，对话历史将插入其中。
  </ParamField>

  <ParamField body="trim_tokens_to_summarize" type="number" default="4000">
    生成摘要时要包含的最大令牌数。在摘要之前将修剪消息以适应此限制。
  </ParamField>

  <ParamField body="summary_prefix" type="string" deprecated>
    **已弃用：** 使用 `summary_prompt` 提供完整提示。
  </ParamField>

  <ParamField body="max_tokens_before_summary" type="number" deprecated>
    **已弃用：** 改用 `trigger: ("tokens", value)`。触发摘要的令牌阈值。
  </ParamField>

  <ParamField body="messages_to_keep" type="number" deprecated>
    **已弃用：** 改用 `keep: ("messages", value)`。要保留的最新消息。
  </ParamField>
</Accordion>

<Accordion title="完整示例">
  摘要中间件监控消息令牌数量，并在达到阈值时自动总结旧消息。

  **触发条件** 控制何时运行摘要：

  * 单个条件对象（必须满足指定条件）
  * 条件数组（必须满足任一条件 - OR 逻辑）
  * 每个条件可以使用 `fraction`（模型上下文大小的比例）、`tokens`（绝对数量）或 `messages`（消息数量）

  **保留条件** 控制保留多少上下文（必须指定一个）：

  * `fraction` - 要保留的模型上下文大小比例
  * `tokens` - 要保留的绝对令牌数量
  * `messages` - 要保留的最新消息数量

  ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from langchain.agents import create_agent
  from langchain.agents.middleware import SummarizationMiddleware


  # 单个条件：如果令牌 >= 4000 则触发
  agent = create_agent(
      model="gpt-4.1",
      tools=[your_weather_tool, your_calculator_tool],
      middleware=[
          SummarizationMiddleware(
              model="gpt-4.1-mini",
              trigger=("tokens", 4000),
              keep=("messages", 20),
          ),
      ],
  )

  # 多个条件：如果令牌数量 >= 3000 或消息 >= 6 则触发
  agent2 = create_agent(
      model="gpt-4.1",
      tools=[your_weather_tool, your_calculator_tool],
      middleware=[
          SummarizationMiddleware(
              model="gpt-4.1-mini",
              trigger=[
                  ("tokens", 3000),
                  ("messages", 6),
              ],
              keep=("messages", 20),
          ),
      ],
  )

  # 使用分数限制
  agent3 = create_agent(
      model="gpt-4.1",
      tools=[your_weather_tool, your_calculator_tool],
      middleware=[
          SummarizationMiddleware(
              model="gpt-4.1-mini",
              trigger=("fraction", 0.8),
              keep=("fraction", 0.3),
          ),
      ],
  )
  ```
</Accordion>

### 人工介入

在执行工具调用之前，暂停智能体执行以获取人工批准、编辑或拒绝。[人工介入](/oss/python/langchain/human-in-the-loop) 适用于以下场景：

* 需要人工批准的高风险操作（例如数据库写入、金融交易）。
* 必须有人工监督的合规工作流。
* 人类反馈指导智能体的长时间运行对话。

**API 参考：** [`HumanInTheLoopMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/human_in_the_loop/HumanInTheLoopMiddleware)

<Warning>
  人工介入中间件需要 [检查点](/oss/python/langgraph/persistence#checkpoints) 来维持中断之间的状态。
</Warning>

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import HumanInTheLoopMiddleware
from langgraph.checkpoint.memory import InMemorySaver


def your_read_email_tool(email_id: str) -> str:
    """Mock function to read an email by its ID."""
    return f"Email content for ID: {email_id}"

def your_send_email_tool(recipient: str, subject: str, body: str) -> str:
    """Mock function to send an email."""
    return f"Email sent to {recipient} with subject '{subject}'"

agent = create_agent(
    model="gpt-4.1",
    tools=[your_read_email_tool, your_send_email_tool],
    checkpointer=InMemorySaver(),
    middleware=[
        HumanInTheLoopMiddleware(
            interrupt_on={
                "your_send_email_tool": {
                    "allowed_decisions": ["approve", "edit", "reject"],
                },
                "your_read_email_tool": False,
            }
        ),
    ],
)
```

<Tip>
  有关完整示例、配置选项和集成模式，请参阅 [人工介入文档](/oss/python/langchain/human-in-the-loop)。
</Tip>

<Callout icon="player-play" iconType="solid">
  观看此 [视频指南](https://www.youtube.com/watch?v=SpfT6-YAVPk)，演示人工介入中间件的行为。
</Callout>

### 模型调用限制

限制模型调用次数以防止无限循环或过高成本。模型调用限制适用于以下场景：

* 防止失控的智能体进行过多的 API 调用。
* 在生产部署中强制执行成本控制。
* 在特定调用预算内测试智能体行为。

**API 参考：** [`ModelCallLimitMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/model_call_limit/ModelCallLimitMiddleware)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import ModelCallLimitMiddleware
from langgraph.checkpoint.memory import InMemorySaver

agent = create_agent(
    model="gpt-4.1",
    checkpointer=InMemorySaver(),  # Required for thread limiting
    tools=[],
    middleware=[
        ModelCallLimitMiddleware(
            thread_limit=10,
            run_limit=5,
            exit_behavior="end",
        ),
    ],
)
```

<Callout icon="player-play" iconType="solid">
  观看此 [视频指南](https://www.youtube.com/watch?v=nJEER0uaNkE)，演示模型调用限制中间件的行为。
</Callout>

<Accordion title="配置选项">
  <ParamField body="thread_limit" type="number">
    线程中所有运行的最大模型调用数。默认为无限制。
  </ParamField>

  <ParamField body="run_limit" type="number">
    单次调用的最大模型调用数。默认为无限制。
  </ParamField>

  <ParamField body="exit_behavior" type="string" default="end">
    达到限制时的行为。选项：`'end'`（优雅终止）或 `'error'`（抛出异常）
  </ParamField>
</Accordion>

### 工具调用限制

通过限制工具调用次数来控制智能体执行，可以是全局所有工具或特定工具。工具调用限制适用于以下场景：

* 防止对昂贵的外部 API 进行过多调用。
* 限制网络搜索或数据库查询。
* 强制执行特定工具使用的速率限制。
* 防止失控的智能体循环。

**API 参考：** [`ToolCallLimitMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/tool_call_limit/ToolCallLimitMiddleware)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import ToolCallLimitMiddleware

agent = create_agent(
    model="gpt-4.1",
    tools=[search_tool, database_tool],
    middleware=[
        # Global limit
        ToolCallLimitMiddleware(thread_limit=20, run_limit=10),
        # Tool-specific limit
        ToolCallLimitMiddleware(
            tool_name="search",
            thread_limit=5,
            run_limit=3,
        ),
    ],
)
```

<Callout icon="player-play" iconType="solid">
  观看此 [视频指南](https://www.youtube.com/watch?v=6gYlaJJ8t0w)，演示工具调用限制中间件的行为。
</Callout>

<Accordion title="配置选项">
  <ParamField body="tool_name" type="string">
    要限制的具体工具名称。如果未提供，限制适用于 **所有工具全局**。
  </ParamField>

  <ParamField body="thread_limit" type="number">
    线程（对话）中所有运行的最大工具调用数。在与相同线程 ID 的多次调用之间持久存在。需要检查点来维护状态。`None` 表示无线程限制。
  </ParamField>

  <ParamField body="run_limit" type="number">
    单次调用（一次用户消息 → 响应周期）的最大工具调用数。每次新用户消息都会重置。`None` 表示无运行限制。

    **注意：** 必须指定 `thread_limit` 或 `run_limit` 之一。
  </ParamField>

  <ParamField body="exit_behavior" type="string" default="continue">
    达到限制时的行为：

    * `'continue'`（默认）- 用错误消息阻止超出的工具调用，让其他工具和模型继续。模型根据错误消息决定何时结束。
    * `'error'` - 抛出 `ToolCallLimitExceededError` 异常，立即停止执行
    * `'end'` - 立即停止执行，并为超出的工具调用发送 `ToolMessage` 和 AI 消息。仅在限制单个工具时有效；如果其他工具有挂起的调用，则抛出 `NotImplementedError`。
  </ParamField>
</Accordion>

<Accordion title="完整示例">
  指定限制：

  * **线程限制** - 对话中所有运行的最大调用数（需要检查点）
  * **运行限制** - 单次调用的最大调用数（每轮重置）

  退出行为：

  * `'continue'`（默认）- 用错误消息阻止超出的调用，智能体继续
  * `'error'` - 立即抛出异常
  * `'end'` - 使用 ToolMessage + AI 消息停止（仅限单工具场景）

  ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from langchain.agents import create_agent
  from langchain.agents.middleware import ToolCallLimitMiddleware


  global_limiter = ToolCallLimitMiddleware(thread_limit=20, run_limit=10)
  search_limiter = ToolCallLimitMiddleware(tool_name="search", thread_limit=5, run_limit=3)
  database_limiter = ToolCallLimitMiddleware(tool_name="query_database", thread_limit=10)
  strict_limiter = ToolCallLimitMiddleware(tool_name="scrape_webpage", run_limit=2, exit_behavior="error")

  agent = create_agent(
      model="gpt-4.1",
      tools=[search_tool, database_tool, scraper_tool],
      middleware=[global_limiter, search_limiter, database_limiter, strict_limiter],
  )
  ```
</Accordion>

### 模型回退

当主模型失败时自动回退到替代模型。模型回退适用于以下场景：

* 构建能够处理模型故障的弹性智能体。
* 通过回退到更便宜的模型进行成本优化。
* OpenAI、Anthropic 等提供商的冗余。

**API 参考：** [`ModelFallbackMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/model_fallback/ModelFallbackMiddleware)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import ModelFallbackMiddleware

agent = create_agent(
    model="gpt-4.1",
    tools=[],
    middleware=[
        ModelFallbackMiddleware(
            "gpt-4.1-mini",
            "claude-3-5-sonnet-20241022",
        ),
    ],
)
```

<Callout icon="player-play" iconType="solid">
  观看此 [视频指南](https://www.youtube.com/watch?v=8rCRO0DUeIM)，演示模型回退中间件的行为。
</Callout>

<Accordion title="配置选项">
  <ParamField body="first_model" type="string | BaseChatModel" required>
    主模型失败时要尝试的第一个回退模型。可以是模型标识符字符串（例如 `'openai:gpt-4.1-mini'`）或 `BaseChatModel` 实例。
  </ParamField>

  <ParamField body="*additional_models" type="string | BaseChatModel">
    如果之前的模型失败，要按顺序尝试的其他回退模型
  </ParamField>
</Accordion>

### PII 检测

使用可配置的策略检测和对话中的个人身份信息 (PII)。PII 检测适用于以下场景：

* 有合规要求的医疗和金融应用。
* 需要清理日志的客户代理。
* 任何处理敏感用户数据的应用程序。

**API 参考：** [`PIIMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/pii/PIIMiddleware)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import PIIMiddleware

agent = create_agent(
    model="gpt-4.1",
    tools=[],
    middleware=[
        PIIMiddleware("email", strategy="redact", apply_to_input=True),
        PIIMiddleware("credit_card", strategy="mask", apply_to_input=True),
    ],
)
```

#### 自定义 PII 类型

您可以通过提供 `detector` 参数来创建自定义 PII 类型。这允许您检测超出内置类型的特定于您用例的模式。

**三种创建自定义检测器的方法：**

1. **正则表达式模式字符串** - 简单的模式匹配

2. **自定义函数** - 带有验证的复杂检测逻辑

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import PIIMiddleware
import re


# Method 1: Regex pattern string
agent1 = create_agent(
    model="gpt-4.1",
    tools=[],
    middleware=[
        PIIMiddleware(
            "api_key",
            detector=r"sk-[a-zA-Z0-9]{32}",
            strategy="block",
        ),
    ],
)

# Method 2: Compiled regex pattern
agent2 = create_agent(
    model="gpt-4.1",
    tools=[],
    middleware=[
        PIIMiddleware(
            "phone_number",
            detector=re.compile(r"\+?\d{1,3}[\s.-]?\d{3,4}[\s.-]?\d{4}"),
            strategy="mask",
        ),
    ],
)

# Method 3: Custom detector function
def detect_ssn(content: str) -> list[dict[str, str | int]]:
    """Detect SSN with validation.

    Returns a list of dictionaries with 'text', 'start', and 'end' keys.
    """
    import re
    matches = []
    pattern = r"\d{3}-\d{2}-\d{4}"
    for match in re.finditer(pattern, content):
        ssn = match.group(0)
        # Validate: first 3 digits shouldn't be 000, 666, or 900-999
        first_three = int(ssn[:3])
        if first_three not in [0, 666] and not (900 <= first_three <= 999):
            matches.append({
                "text": ssn,
                "start": match.start(),
                "end": match.end(),
            })
    return matches

agent3 = create_agent(
    model="gpt-4.1",
    tools=[],
    middleware=[
        PIIMiddleware(
            "ssn",
            detector=detect_ssn,
            strategy="hash",
        ),
    ],
)
```

**自定义检测器函数签名：**

检测器函数必须接受一个字符串（内容）并返回匹配项：

返回包含 `text`、`start` 和 `end` 键的字典列表：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
def detector(content: str) -> list[dict[str, str | int]]:
    return [
        {"text": "matched_text", "start": 0, "end": 12},
        # ... more matches
    ]
```

<Tip>
  对于自定义检测器：

  * 对于简单模式使用正则表达式字符串
  * 当您需要标志时使用 RegExp 对象（例如，不区分大小写的匹配）
  * 当您需要模式匹配之外的验证逻辑时使用自定义函数
  * 自定义函数为您提供对检测逻辑的完全控制，并且可以实现复杂的验证规则
</Tip>

<Accordion title="配置选项">
  <ParamField body="pii_type" type="string" required>
    要检测的 PII 类型。可以是内置类型（`email`、`credit_card`、`ip`、`mac_address`、`url`）或自定义类型名称。
  </ParamField>

  <ParamField body="strategy" type="string" default="redact">
    如何处理检测到的 PII。选项：

    * `'block'` - 检测到时抛出异常
    * `'redact'` - 替换为 `[REDACTED_{PII_TYPE}]`
    * `'mask'` - 部分屏蔽（例如，`****-****-****-1234`）
    * `'hash'` - 替换为确定性哈希
  </ParamField>

  <ParamField body="detector" type="function | regex">
    自定义检测器函数或正则表达式模式。如果未提供，则使用该 PII 类型的内置检测器。
  </ParamField>

  <ParamField body="apply_to_input" type="boolean" default="True">
    在模型调用之前检查用户消息
  </ParamField>

  <ParamField body="apply_to_output" type="boolean" default="False">
    在模型调用之后检查 AI 消息
  </ParamField>

  <ParamField body="apply_to_tool_results" type="boolean" default="False">
    在执行之后检查工具结果消息
  </ParamField>
</Accordion>

### 待办事项列表

为智能体配备任务规划和跟踪能力，以处理复杂的多步骤任务。待办事项列表适用于以下场景：

* 需要跨多个工具协调的复杂多步骤任务。
* 进度可见性很重要的长时间运行操作。

<Note>
  此中间件会自动为智能体提供 `write_todos` 工具和系统提示，以引导有效的任务规划。
</Note>

**API 参考：** [`TodoListMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/todo/TodoListMiddleware)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import TodoListMiddleware

agent = create_agent(
    model="gpt-4.1",
    tools=[read_file, write_file, run_tests],
    middleware=[TodoListMiddleware()],
)
```

<Callout icon="player-play" iconType="solid">
  观看此 [视频指南](https://www.youtube.com/watch?v=yTWocbVKQxw)，演示待办事项列表中间件的行为。
</Callout>

<Accordion title="配置选项">
  <ParamField body="system_prompt" type="string">
    用于指导待办事项使用的自定义系统提示。如果未指定，则使用内置提示。
  </ParamField>

  <ParamField body="tool_description" type="string">
    `write_todos` 工具的自定义描述。如果未指定，则使用内置描述。
  </ParamField>
</Accordion>

### LLM 工具选择器

使用 LLM 在主模型调用之前智能选择相关工具。LLM 工具选择器适用于以下场景：

* 拥有许多工具（10+）且大多数与查询不相关的智能体。
* 通过过滤不相关工具减少令牌使用量。
* 提高模型专注度和准确性。

此中间件使用结构化输出来询问 LLM 哪些工具与当前查询最相关。结构化输出模式定义可用工具的名称和描述。模型提供商通常会在幕后将此结构化输出信息添加到系统提示中。

**API 参考：** [`LLMToolSelectorMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/tool_selection/LLMToolSelectorMiddleware)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import LLMToolSelectorMiddleware

agent = create_agent(
    model="gpt-4.1",
    tools=[tool1, tool2, tool3, tool4, tool5, ...],
    middleware=[
        LLMToolSelectorMiddleware(
            model="gpt-4.1-mini",
            max_tools=3,
            always_include=["search"],
        ),
    ],
)
```

<Accordion title="配置选项">
  <ParamField body="model" type="string | BaseChatModel">
    用于工具选择的模型。可以是模型标识符字符串（例如 `'openai:gpt-4.1-mini'`）或 `BaseChatModel` 实例。有关更多信息，请参阅 [`init_chat_model`](https://reference.langchain.com/python/langchain/chat_models/base/init_chat_model)。

    默认为智能体的主模型。
  </ParamField>

  <ParamField body="system_prompt" type="string">
    选择模型的说明。如果未指定，则使用内置提示。
  </ParamField>

  <ParamField body="max_tools" type="number">
    要选择的工具最大数量。如果模型选择了更多，则只使用前 max\_tools。如果未指定，则无限制。
  </ParamField>

  <ParamField body="always_include" type="list[string]">
    无论选择如何都要包含的工具名称。这些不计入 max\_tools 限制。
  </ParamField>
</Accordion>

### 工具重试

使用可配置指数退避自动重试失败的工具调用。工具重试适用于以下场景：

* 处理外部 API 调用的瞬态故障。
* 提高依赖网络的工具的可靠性。
* 构建能够优雅处理临时错误的弹性智能体。

**API 参考：** [`ToolRetryMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/tool_retry/ToolRetryMiddleware)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import ToolRetryMiddleware

agent = create_agent(
    model="gpt-4.1",
    tools=[search_tool, database_tool],
    middleware=[
        ToolRetryMiddleware(
            max_retries=3,
            backoff_factor=2.0,
            initial_delay=1.0,
        ),
    ],
)
```

<Accordion title="配置选项">
  <ParamField body="max_retries" type="number" default="2">
    初始调用后的最大重试次数（默认情况下共 3 次尝试）
  </ParamField>

  <ParamField body="tools" type="list[BaseTool | str]">
    可选的工具或工具名称列表，以应用重试逻辑。如果为 `None`，则适用于所有工具。
  </ParamField>

  <ParamField body="retry_on" type="tuple[type[Exception], ...] | callable" default="(Exception,)">
    要么是重试的异常类型元组，要么是接受异常并返回 `True` 是否应重试的可调用对象。
  </ParamField>

  <ParamField body="on_failure" type="string | callable" default="return_message">
    所有重试耗尽时的行为。选项：

    * `'return_message'` - 返回带有错误详情的 `ToolMessage`（允许 LLM 处理失败）
    * `'raise'` - 重新抛出异常（停止智能体执行）
    * 自定义可调用对象 - 函数接受异常并返回 `ToolMessage` 内容的字符串
  </ParamField>

  <ParamField body="backoff_factor" type="number" default="2.0">
    指数退避的乘数。每次重试等待 `initial_delay * (backoff_factor ** retry_number)` 秒。设置为 `0.0` 表示恒定延迟。
  </ParamField>

  <ParamField body="initial_delay" type="number" default="1.0">
    第一次重试前的初始延迟（秒）
  </ParamField>

  <ParamField body="max_delay" type="number" default="60.0">
    重试之间的最大延迟（秒）（限制指数退避增长）
  </ParamField>

  <ParamField body="jitter" type="boolean" default="true">
    是否添加随机抖动（`±25%`）以避免惊群效应
  </ParamField>
</Accordion>

<Accordion title="完整示例">
  中间件使用指数退避自动重试失败的工具调用。

  **关键配置：**

  * `max_retries` - 重试次数（默认：2）
  * `backoff_factor` - 指数退避乘数（默认：2.0）
  * `initial_delay` - 起始延迟（秒）（默认：1.0）
  * `max_delay` - 延迟增长上限（默认：60.0）
  * `jitter` - 添加随机变化（默认：True）

  **失败处理：**

  * `on_failure='return_message'` - 返回错误消息
  * `on_failure='raise'` - 重新抛出异常
  * 自定义函数 - 返回错误消息的函数

  ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from langchain.agents import create_agent
  from langchain.agents.middleware import ToolRetryMiddleware


  agent = create_agent(
      model="gpt-4.1",
      tools=[search_tool, database_tool, api_tool],
      middleware=[
          ToolRetryMiddleware(
              max_retries=3,
              backoff_factor=2.0,
              initial_delay=1.0,
              max_delay=60.0,
              jitter=True,
              tools=["api_tool"],
              retry_on=(ConnectionError, TimeoutError),
              on_failure="continue",
          ),
      ],
  )
  ```
</Accordion>

### 模型重试

使用可配置指数退避自动重试失败的模型调用。模型重试适用于以下场景：

* 处理模型 API 调用的瞬态故障。
* 提高依赖网络的模型请求的可靠性。
* 构建能够优雅处理临时模型错误的弹性智能体。

**API 参考：** [`ModelRetryMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/model_retry/ModelRetryMiddleware)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import ModelRetryMiddleware

agent = create_agent(
    model="gpt-4.1",
    tools=[search_tool, database_tool],
    middleware=[
        ModelRetryMiddleware(
            max_retries=3,
            backoff_factor=2.0,
            initial_delay=1.0,
        ),
    ],
)
```

<Accordion title="配置选项">
  <ParamField body="max_retries" type="number" default="2">
    初始调用后的最大重试次数（默认情况下共 3 次尝试）
  </ParamField>

  <ParamField body="retry_on" type="tuple[type[Exception], ...] | callable" default="(Exception,)">
    要么是重试的异常类型元组，要么是接受异常并返回 `True` 是否应重试的可调用对象。
  </ParamField>

  <ParamField body="on_failure" type="string | callable" default="continue">
    所有重试耗尽时的行为。选项：

    * `'continue'`（默认）- 返回带有错误详情的 `AIMessage`，允许智能体可能优雅地处理失败
    * `'error'` - 重新抛出异常（停止智能体执行）
    * 自定义可调用对象 - 函数接受异常并返回 `AIMessage` 内容的字符串
  </ParamField>

  <ParamField body="backoff_factor" type="number" default="2.0">
    指数退避的乘数。每次重试等待 `initial_delay * (backoff_factor ** retry_number)` 秒。设置为 `0.0` 表示恒定延迟。
  </ParamField>

  <ParamField body="initial_delay" type="number" default="1.0">
    第一次重试前的初始延迟（秒）
  </ParamField>

  <ParamField body="max_delay" type="number" default="60.0">
    重试之间的最大延迟（秒）（限制指数退避增长）
  </ParamField>

  <ParamField body="jitter" type="boolean" default="true">
    是否添加随机抖动（`±25%`）以避免惊群效应
  </ParamField>
</Accordion>

<Accordion title="完整示例">
  中间件使用指数退避自动重试失败的模型调用。

  ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from langchain.agents import create_agent
  from langchain.agents.middleware import ModelRetryMiddleware


  # Basic usage with default settings (2 retries, exponential backoff)
  agent = create_agent(
      model="gpt-4.1",
      tools=[search_tool],
      middleware=[ModelRetryMiddleware()],
  )

  # Custom exception filtering
  class TimeoutError(Exception):
      """Custom exception for timeout errors."""
      pass

  class ConnectionError(Exception):
      """Custom exception for connection errors."""
      pass

  # Retry specific exceptions only
  retry = ModelRetryMiddleware(
      max_retries=4,
      retry_on=(TimeoutError, ConnectionError),
      backoff_factor=1.5,
  )


  def should_retry(error: Exception) -> bool:
      # Only retry on rate limit errors
      if isinstance(error, TimeoutError):
          return True
      # Or check for specific HTTP status codes
      if hasattr(error, "status_code"):
          return error.status_code in (429, 503)
      return False

  retry_with_filter = ModelRetryMiddleware(
      max_retries=3,
      retry_on=should_retry,
  )

  # Return error message instead of raising
  retry_continue = ModelRetryMiddleware(
      max_retries=4,
      on_failure="continue",  # Return AIMessage with error instead of raising
  )

  # Custom error message formatting
  def format_error(error: Exception) -> str:
      return f"Model call failed: {error}. Please try again later."

  retry_with_formatter = ModelRetryMiddleware(
      max_retries=4,
      on_failure=format_error,
  )

  # Constant backoff (no exponential growth)
  constant_backoff = ModelRetryMiddleware(
      max_retries=5,
      backoff_factor=0.0,  # No exponential growth
      initial_delay=2.0,  # Always wait 2 seconds
  )

  # Raise exception on failure
  strict_retry = ModelRetryMiddleware(
      max_retries=2,
      on_failure="error",  # Re-raise exception instead of returning message
  )
  ```
</Accordion>

### LLM 工具模拟器

使用 LLM 模拟工具执行以进行测试目的，用 AI 生成的响应替换实际工具调用。LLM 工具模拟器适用于以下场景：

* 在不执行真实工具的情况下测试智能体行为。
* 在外部工具不可用或昂贵时开发智能体。
* 在实际实现工具之前原型化智能体工作流。

**API 参考：** [`LLMToolEmulator`](https://reference.langchain.com/python/langchain/agents/middleware/tool_emulator/LLMToolEmulator)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import LLMToolEmulator

agent = create_agent(
    model="gpt-4.1",
    tools=[get_weather, search_database, send_email],
    middleware=[
        LLMToolEmulator(),  # Emulate all tools
    ],
)
```

<Accordion title="配置选项">
  <ParamField body="tools" type="list[str | BaseTool]">
    要模拟的工具名称 (str) 或 BaseTool 实例列表。如果为 `None`（默认），则模拟 **所有** 工具。如果为空列表 `[]`，则不模拟任何工具。如果为包含工具名称/实例的数组，则仅模拟这些工具。
  </ParamField>

  <ParamField body="model" type="string | BaseChatModel">
    用于生成模拟工具响应的模型。可以是模型标识符字符串（例如 `'anthropic:claude-sonnet-4-6'`）或 `BaseChatModel` 实例。如果未指定，默认为智能体的模型。有关更多信息，请参阅 [`init_chat_model`](https://reference.langchain.com/python/langchain/chat_models/base/init_chat_model)。
  </ParamField>
</Accordion>

<Accordion title="完整示例">
  中间件使用 LLM 为工具调用生成合理的响应，而不是执行实际工具。

  ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from langchain.agents import create_agent
  from langchain.agents.middleware import LLMToolEmulator
  from langchain.tools import tool


  @tool
  def get_weather(location: str) -> str:
      """Get the current weather for a location."""
      return f"Weather in {location}"

  @tool
  def send_email(to: str, subject: str, body: str) -> str:
      """Send an email."""
      return "Email sent"


  # Emulate all tools (default behavior)
  agent = create_agent(
      model="gpt-4.1",
      tools=[get_weather, send_email],
      middleware=[LLMToolEmulator()],
  )

  # Emulate specific tools only
  agent2 = create_agent(
      model="gpt-4.1",
      tools=[get_weather, send_email],
      middleware=[LLMToolEmulator(tools=["get_weather"])],
  )

  # Use custom model for emulation
  agent4 = create_agent(
      model="gpt-4.1",
      tools=[get_weather, send_email],
      middleware=[LLMToolEmulator(model="claude-sonnet-4-6")],
  )
  ```
</Accordion>

### 上下文编辑

通过清除达到令牌限制时的旧工具调用输出（同时保留最近的结果）来管理对话上下文。这有助于在具有许多工具调用的长对话中保持上下文窗口可控。上下文编辑适用于以下场景：

* 具有许多工具调用且超过令牌限制的长对话
* 通过移除不再相关的旧工具输出来减少令牌成本
* 仅保留上下文中最近的 N 个工具结果

**API 参考：** [`ContextEditingMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/context_editing/ContextEditingMiddleware)，[`ClearToolUsesEdit`](https://reference.langchain.com/python/langchain/agents/middleware/context_editing/ClearToolUsesEdit)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import ContextEditingMiddleware, ClearToolUsesEdit

agent = create_agent(
    model="gpt-4.1",
    tools=[],
    middleware=[
        ContextEditingMiddleware(
            edits=[
                ClearToolUsesEdit(
                    trigger=100000,
                    keep=3,
                ),
            ],
        ),
    ],
)
```

<Accordion title="配置选项">
  <ParamField body="edits" type="list[ContextEdit]" default="[ClearToolUsesEdit()]">
    要应用的 [`ContextEdit`](https://reference.langchain.com/python/langchain/agents/middleware/context_editing/ContextEdit) 策略列表
  </ParamField>

  <ParamField body="token_count_method" type="string" default="approximate">
    令牌计数方法。选项：`'approximate'` 或 `'model'`
  </ParamField>

  **[`ClearToolUsesEdit`](https://reference.langchain.com/python/langchain/agents/middleware/context_editing/ClearToolUsesEdit) 选项：**

  <ParamField body="trigger" type="number" default="100000">
    触发编辑的令牌数量。当对话超过此令牌数量时，将清除旧的工具输出。
  </ParamField>

  <ParamField body="clear_at_least" type="number" default="0">
    编辑运行时至少要回收的令牌数量。如果设置为 0，则清除所需的一切。
  </ParamField>

  <ParamField body="keep" type="number" default="3">
    必须保留的最新工具结果数量。这些永远不会被清除。
  </ParamField>

  <ParamField body="clear_tool_inputs" type="boolean" default="False">
    是否清除 AI 消息上原始工具调用的参数。当为 `True` 时，工具调用参数替换为空对象。
  </ParamField>

  <ParamField body="exclude_tools" type="list[string]" default="()">
    要从清除中排除的工具名称列表。这些工具永远不会清除其输出。
  </ParamField>

  <ParamField body="placeholder" type="string" default="[cleared]">
    为清除的工具输出插入的占位符文本。这替换了原始工具消息内容。
  </ParamField>
</Accordion>

<Accordion title="完整示例">
  中间件在达到令牌限制时应用上下文编辑策略。最常见的策略是 `ClearToolUsesEdit`，它清除旧的工具结果同时保留最新的。

  **工作原理：**

  1. 监控对话中的令牌数量
  2. 达到阈值时，清除旧的工具输出
  3. 保留最近的 N 个工具结果
  4. 可选择保留工具调用参数以用于上下文

  ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from langchain.agents import create_agent
  from langchain.agents.middleware import ContextEditingMiddleware, ClearToolUsesEdit


  agent = create_agent(
      model="gpt-4.1",
      tools=[search_tool, your_calculator_tool, database_tool],
      middleware=[
          ContextEditingMiddleware(
              edits=[
                  ClearToolUsesEdit(
                      trigger=2000,
                      keep=3,
                      clear_tool_inputs=False,
                      exclude_tools=[],
                      placeholder="[cleared]",
                  ),
              ],
          ),
      ],
  )
  ```
</Accordion>

### Shell 工具

向智能体暴露持久的 shell 会话以执行命令。Shell 工具中间件适用于以下场景：

* 需要执行系统命令的智能体
* 开发和部署自动化任务
* 测试和验证工作流
* 文件系统操作和脚本执行

<Warning>
  **安全考虑**：使用适当的执行策略（`HostExecutionPolicy`、`DockerExecutionPolicy` 或 `CodexSandboxExecutionPolicy`）以匹配部署的安全要求。
</Warning>

<Note>
  **限制**：持久的 shell 会话目前不支持中断（人工介入）。我们预计将来会添加对此的支持。
</Note>

**API 参考：** [`ShellToolMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/shell_tool/ShellToolMiddleware)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import (
    ShellToolMiddleware,
    HostExecutionPolicy,
)

agent = create_agent(
    model="gpt-4.1",
    tools=[search_tool],
    middleware=[
        ShellToolMiddleware(
            workspace_root="/workspace",
            execution_policy=HostExecutionPolicy(),
        ),
    ],
)
```

<Accordion title="配置选项">
  <ParamField body="workspace_root" type="str | Path | None">
    shell 会话的基础目录。如果省略，则在智能体启动时创建临时目录，并在结束时删除。
  </ParamField>

  <ParamField body="startup_commands" type="tuple[str, ...] | list[str] | str | None">
    会话启动后顺序执行的可选命令
  </ParamField>

  <ParamField body="shutdown_commands" type="tuple[str, ...] | list[str] | str | None">
    会话关闭前执行的可选命令
  </ParamField>

  <ParamField body="execution_policy" type="BaseExecutionPolicy | None">
    控制超时、输出限制和资源配置的执行策略。选项：

    * `HostExecutionPolicy` - 完整的 host 访问（默认）；最适合智能体已经运行在容器或 VM 内的可信环境
    * `DockerExecutionPolicy` - 为每次智能体运行启动单独的 Docker 容器，提供更强的隔离
    * `CodexSandboxExecutionPolicy` - 重用 Codex CLI sandbox 以获得额外的 syscall/文件系统限制
  </ParamField>

  <ParamField body="redaction_rules" type="tuple[RedactionRule, ...] | list[RedactionRule] | None">
    可选的脱敏规则，用于在将命令输出返回给模型之前对其进行清理。

    <Warning>
      脱敏规则在运行后应用，在使用 `HostExecutionPolicy` 时不能防止机密或敏感数据的泄露。
    </Warning>
  </ParamField>

  <ParamField body="tool_description" type="str | None">
    注册 shell 工具描述的可选覆盖
  </ParamField>

  <ParamField body="shell_command" type="Sequence[str] | str | None">
    用于启动持久会话的可选 shell 可执行文件（字符串）或参数序列。默认为 `/bin/bash`。
  </ParamField>

  <ParamField body="env" type="Mapping[str, Any] | None">
    供应给 shell 会话的可选环境变量。值在执行命令前强制转换为字符串。
  </ParamField>
</Accordion>

<Accordion title="完整示例">
  中间件提供单个持久的 shell 会话，智能体可用于顺序执行命令。

  **执行策略：**

  * `HostExecutionPolicy`（默认）- 原生执行，具有完整的 host 访问权限
  * `DockerExecutionPolicy` - 隔离的 Docker 容器执行
  * `CodexSandboxExecutionPolicy` - 通过 Codex CLI 的沙箱执行

  ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from langchain.agents import create_agent
  from langchain.agents.middleware import (
      ShellToolMiddleware,
      HostExecutionPolicy,
      DockerExecutionPolicy,
      RedactionRule,
  )


  # Basic shell tool with host execution
  agent = create_agent(
      model="gpt-4.1",
      tools=[search_tool],
      middleware=[
          ShellToolMiddleware(
              workspace_root="/workspace",
              execution_policy=HostExecutionPolicy(),
          ),
      ],
  )

  # Docker isolation with startup commands
  agent_docker = create_agent(
      model="gpt-4.1",
      tools=[],
      middleware=[
          ShellToolMiddleware(
              workspace_root="/workspace",
              startup_commands=["pip install requests", "export PYTHONPATH=/workspace"],
              execution_policy=DockerExecutionPolicy(
                  image="python:3.11-slim",
                  command_timeout=60.0,
              ),
          ),
      ],
  )

  # With output redaction (applied post execution)
  agent_redacted = create_agent(
      model="gpt-4.1",
      tools=[],
      middleware=[
          ShellToolMiddleware(
              workspace_root="/workspace",
              redaction_rules=[
                  RedactionRule(pii_type="api_key", detector=r"sk-[a-zA-Z0-9]{32}"),
              ],
          ),
      ],
  )
  ```
</Accordion>

### 文件搜索

提供基于文件系统的 Glob 和 Grep 搜索工具。文件搜索中间件适用于以下场景：

* 代码探索和解析
* 按名称模式查找文件
* 使用正则表达式搜索代码内容
* 需要文件发现的大型代码库

**API 参考：** [`FilesystemFileSearchMiddleware`](https://reference.langchain.com/python/langchain/agents/middleware/file_search/FilesystemFileSearchMiddleware)

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from langchain.agents.middleware import FilesystemFileSearchMiddleware

agent = create_agent(
    model="gpt-4.1",
    tools=[],
    middleware=[
        FilesystemFileSearchMiddleware(
            root_path="/workspace",
            use_ripgrep=True,
        ),
    ],
)
```

<Accordion title="配置选项">
  <ParamField body="root_path" type="str" required>
    要搜索的根目录。所有文件操作都是相对于此路径的。
  </ParamField>

  <ParamField body="use_ripgrep" type="bool" default="True">
    是否使用 ripgrep 进行搜索。如果 ripgrep 不可用，则回退到 Python 正则表达式。
  </ParamField>

  <ParamField body="max_file_size_mb" type="int" default="10">
    要搜索的最大文件大小（MB）。大于此的文件将被跳过。
  </ParamField>
</Accordion>

<Accordion title="完整示例">
  中间件为智能体添加两个搜索工具：

  **Glob 工具** - 快速文件模式匹配：

  * 支持 `**/*.py`、`src/**/*.ts` 等模式
  * 返回按修改时间排序的匹配文件路径

  **Grep 工具** - 带正则表达式的內容搜索：

  * 支持完整的正则表达式语法
  * 使用 `include` 参数按文件模式过滤
  * 三种输出模式：`files_with_matches`、`content`、`count`

  ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from langchain.agents import create_agent
  from langchain.agents.middleware import FilesystemFileSearchMiddleware
  from langchain.messages import HumanMessage


  agent = create_agent(
      model="gpt-4.1",
      tools=[],
      middleware=[
          FilesystemFileSearchMiddleware(
              root_path="/workspace",
              use_ripgrep=True,
              max_file_size_mb=10,
          ),
      ],
  )

  # Agent can now use glob_search and grep_search tools
  result = agent.invoke({
      "messages": [HumanMessage("Find all Python files containing 'async def'")]
  })

  # The agent will use:
  # 1. glob_search(pattern="**/*.py") to find Python files
  # 2. grep_search(pattern="async def", include="*.py") to find async functions
  ```
</Accordion>

### 文件系统中间件

上下文工程是构建有效智能体的主要挑战之一。特别是当使用返回可变长度结果的工具（例如 `web_search` 和 RAG）时，因为长工具结果会迅速填满上下文窗口。

[Deep Agents](/oss/python/deepagents/overview) 中的 `FilesystemMiddleware` 提供了四个用于交互短期和长期记忆的工具：

* `ls`: 列出文件系统中的文件
* `read_file`: 读取整个文件或文件的特定行数
* `write_file`: 向文件系统写入新文件
* `edit_file`: 编辑文件系统中的现有文件

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from deepagents.middleware.filesystem import FilesystemMiddleware

# FilesystemMiddleware is included by default in create_deep_agent
# You can customize it if building a custom agent
agent = create_agent(
    model="claude-sonnet-4-6",
    middleware=[
        FilesystemMiddleware(
            backend=None,  # Optional: custom backend (defaults to StateBackend)
            system_prompt="Write to the filesystem when...",  # Optional custom addition to the system prompt
            custom_tool_descriptions={
                "ls": "Use the ls tool when...",
                "read_file": "Use the read_file tool to..."
            }  # Optional: Custom descriptions for filesystem tools
        ),
    ],
)
```

#### 短期与长期文件系统

默认情况下，这些工具写入图状态中的本地“文件系统”。要启用跨线程的持久存储，请配置 `CompositeBackend`，将特定路径（如 `/memories/`）路由到 `StoreBackend`。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from deepagents.middleware import FilesystemMiddleware
from deepagents.backends import CompositeBackend, StateBackend, StoreBackend
from langgraph.store.memory import InMemoryStore

store = InMemoryStore()

agent = create_agent(
    model="claude-sonnet-4-6",
    store=store,
    middleware=[
        FilesystemMiddleware(
            backend=lambda rt: CompositeBackend(
                default=StateBackend(rt),
                routes={"/memories/": StoreBackend(rt)}
            ),
            custom_tool_descriptions={
                "ls": "Use the ls tool when...",
                "read_file": "Use the read_file tool to..."
            }  # Optional: Custom descriptions for filesystem tools
        ),
    ],
)
```

当您为 `/memories/` 配置带有 `StoreBackend` 的 `CompositeBackend` 时，任何以 **/memories/** 开头的文件都将保存到持久存储中，并在不同线程之间生存。没有此前缀的文件保留在易失性状态存储中。

### 子智能体

将任务委托给子智能体可以隔离上下文，使主（主管）智能体的上下文窗口保持清洁，同时仍能深入处理任务。

[Deep Agents](/oss/python/deepagents/overview) 中的子智能体中间件允许您通过 `task` 工具提供子智能体。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.tools import tool
from langchain.agents import create_agent
from deepagents.middleware.subagents import SubAgentMiddleware


@tool
def get_weather(city: str) -> str:
    """Get the weather in a city."""
    return f"The weather in {city} is sunny."

agent = create_agent(
    model="claude-sonnet-4-6",
    middleware=[
        SubAgentMiddleware(
            default_model="claude-sonnet-4-6",
            default_tools=[],
            subagents=[
                {
                    "name": "weather",
                    "description": "This subagent can get weather in cities.",
                    "system_prompt": "Use the get_weather tool to get the weather in a city.",
                    "tools": [get_weather],
                    "model": "gpt-4.1",
                    "middleware": [],
                }
            ],
        )
    ],
)
```

子智能体由 **名称**、**描述**、**系统提示** 和 **工具** 定义。您还可以为子智能体提供自定义 **模型** 或额外的 **中间件**。这在您希望给予子智能体与主智能体共享的额外状态键时特别有用。

对于更复杂的用例，您也可以提供自己的预构建 LangGraph 图作为子智能体。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent
from deepagents.middleware.subagents import SubAgentMiddleware
from deepagents import CompiledSubAgent
from langgraph.graph import StateGraph

# Create a custom LangGraph graph
def create_weather_graph():
    workflow = StateGraph(...)
    # Build your custom graph
    return workflow.compile()

weather_graph = create_weather_graph()

# Wrap it in a CompiledSubAgent
weather_subagent = CompiledSubAgent(
    name="weather",
    description="This subagent can get weather in cities.",
    runnable=weather_graph
)

agent = create_agent(
    model="claude-sonnet-4-6",
    middleware=[
        SubAgentMiddleware(
            default_model="claude-sonnet-4-6",
            default_tools=[],
            subagents=[weather_subagent],
        )
    ],
)
```

除了任何用户定义的子智能体外，主智能体始终可以访问 `general-purpose` 子智能体。该子智能体具有与主智能体相同的指令和它有权访问的所有工具。`general-purpose` 子智能器的主要目的是上下文隔离——主智能体可以将复杂任务委托给此子智能器并获得简洁的答案，而不会因中间工具调用而产生膨胀。

## 特定于提供商的中间件

这些中间件针对特定的 LLM 提供商进行了优化。有关完整详细信息和示例，请参阅每个提供商的文档。

<Columns cols={2}>
  <Card title="Anthropic" href="/oss/python/integrations/middleware/anthropic" icon="https://mintcdn.com/hhh-8c10bf0c/1xJTbE4Z922F2hsr/images/providers/anthropic-icon.svg?fit=max&auto=format&n=1xJTbE4Z922F2hsr&q=85&s=394b9a25bcd8a1703065841ef7f0f791" arrow width="65" height="65" data-path="images/providers/anthropic-icon.svg">
    用于 Claude 模型的提示缓存、bash 工具、文本编辑器、内存和文件搜索中间件。
  </Card>

  <Card title="AWS" href="/oss/python/integrations/middleware/aws" icon="brand-aws" arrow>
    用于 Amazon Bedrock 模型的提示缓存中间件。
  </Card>

  <Card title="OpenAI" href="/oss/python/integrations/middleware/openai" icon="brand-openai" arrow>
    用于 OpenAI 模型的内容审核中间件。
  </Card>
</Columns>

***

<div className="source-links">
  <Callout icon="edit">
    [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\langchain\middleware\built-in.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
  </Callout>

  <Callout icon="terminal-2">
    [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.
  </Callout>
</div>