在 LangChain v1.3.4 中，Agent 通过一系列可插拔的中间件暴露了执行过程中的钩子函数。这样既可以在不改动主要代码的前提下对 Agent 的行为进行细粒度控制，也能把业务逻辑与模型调用解耦。对于想要快速迭代、调试和保障程序稳定性的开发者中间件几乎是必不可少的。话说回来，

从痛点一来看，难以追踪与调试 Agent 行为

传统的 Agent 调用链往往把所有逻辑堆叠在一起。导致：

• 无法单独观察某一步是否正常执行；
• 日志难以归类，信息冗余；
• 出现错误时难以定位到底是模型、工具还是业务层导致。

说到方法，使用中间件钩子拆分流程

每个中间件都提供了一组钩子。可在：

• 模型调用前后捕获输入/输出；
• 工具调用前后注入自定义校验或补偿；
• Agent 入口/出口做全局统计或日志。

内置中间件概览

LangChain 自带了多种功能比较全面的中间件，涵盖摘要、审核、限流、回退等常见场景。

• SummarizationMiddleware: 压缩历史上下文，避免 token 爆炸。
• HumanInTheLoopMiddleware: 暂停并等待人工审核或编辑。
• ModelCallLimit | ToolCallLimit: 限制模型/工具调用次数，防止滥用。
• ModelFallbackMiddleware: 主模型失败时自动切换备用模型。
• PiiDetectionMiddleware: 对敏感信息进行脱敏或加密。
• TodolistMiddleware: 在复杂任务前先生成待办计划，提高规划能力。
• LLMToolSelectorMiddleware: 当工具数量过多时用子模型挑选最相关的几个。
• {Tool|Model}RetryMiddleware: 基于指数退避实现重试策略，并可加入抖动防止并发冲突。说起来，
• {Tool|Model}EmulatorMiddleware: 当工具不完善时模拟返回结果。支持快速迭代，
• ContextEditingMiddleware,,,

SummarizationMiddleware 示例

from taglib import init_chat_model
import os
model = init_chat_model(
"openai:kimi-k2",base_url=os.getenv,profile={'max_input_tokens': 4000}
)
messages =
agent = create_agent(
model,middleware=,keep=。summary_prompt='用中文繁体消息内容
{messages}'
)
]
)
result = agent.invoke
for  in :
print)

HumanInTheLoopMiddleware 示例

# 导入必要组件...
@tooldef get_wear -> str:
"获取指定城市天气预报")
"{city} 是晴天 {'明天有雨' if is_forcast else '明天晴天'}"
# 创建带审核功能的 Agent...
{ 'configurable': { 'thread_id': ''} }
# 调用 Agent 并触发人机交互...
# 在被中断响应里可以看到 __interrupt__ 字段...
# 若需要继续执行，可通过 Command 回复来完成。#

PIIMiddleware 示例

至于注意。每个 Middleware 可以只实现一个钩子，也可以实现多个。实现方式既支持函数式装饰器，也支持继承自> 的类。函数最终会被包装成类实例执行。此处给出几种常见写法示例。说起来，

$@before_agentdef before_agent_middleware:print;return None$@after_agentdef after_agent_middleware:print;return None$@before_modeldef before_model_middleware:print;
return None$@after_modeldef after_model_middleware:print;return None$ agent=create_agent$ agent.invoke]}) $ # === before …

$@wrap_mod…def wrap_mod…request,，handler): rprint…result=handler…按理说，return result$ @wrap_tool_cal…def mod，request,…handler): rprint…result=handler…return result $ agent=create_ag…$ # ... 

$from langchain.agents.middleware import AgentMiddleWare$class CustomMiddleWare: def __init__:super.__init__;话说回来，@hook_config def before_ag…pass ，def wrap_mode.. pass $ agent=create_ag…])$ 

$class CustomMiddleWare:
def __init__:
super.__init__
...
def before_a…: print，return None
...
def wrap_..._call:
print;result = handler;return result
…，完整代码参考 GitHub 示例链接 ➡️ 点击查看 ↗️︎︎︎︎︎︎︎︎︎︎︎〉

### 小结



内置中间件 已覆盖大多数业务需求。从摘要到审计再到限流与回退，无需从基础开始实现。

自定义中间件 灵活性高，可根据具体业务场景编写最合适的钩子组合。

记住这方面，使用 “先进后出” 顺序。即先写好全局 Hook，再包裹细粒度逻辑，可让调试变得更直观、更易维护。其实，




如果你正在面临如下痛点。请立即考虑引入或
中间件这方面，

\t

\t对当前 Agent 行为缺乏可观测性；\t

\t频繁出现超 token 或速率限制错误；\t

\t需要将业务安全规则与模型交互紧密耦合；\t

\t想在复杂任务上让 Agent 自动生成计划并按步骤执行。<\/ul>
以上均可以通过合适配置或自定义 Middleware 尽快处理。祝你编码愉快 🚀，怎么说呢，---"





。