本页目录
Middleware / 中间件Note 87

第一章：生命周期钩子 `before_model` / `after_model`

这两个 hook 是最基础的 middleware 入口：beforemodel 在每次模型调用前执行，aftermodel 在模型返回后执行。它们适合做日志、限流标记、状态统计、轻量校验；不适合改写整个模型调用流程，那是 wrapmodelcall 的活。

全部笔记查看源文档

这两个 hook 是最基础的 middleware 入口：before_model 在每次模型调用前执行，after_model 在模型返回后执行。它们适合做日志、限流标记、状态统计、轻量校验；不适合改写整个模型调用流程，那是 wrap_model_call 的活。

最小代码

代码在 deepagent_src/middleware_teach/01_lifecycle_hooks.py。

from langchain.agents import create_agent
from langchain.agents.middleware import before_model, after_model
from langchain_core.language_models.fake_chat_models import FakeListChatModel

event_log = []

@before_model
def log_before_model(state, runtime):
    event_log.append(f"before_model:{len(state['messages'])}")
    return None

@after_model
def log_after_model(state, runtime):
    event_log.append(f"after_model:{state['messages'][-1].text}")
    return None

agent = create_agent(
    model=FakeListChatModel(responses=["MIDDLEWARE_OK"]),
    tools=[],
    middleware=[log_before_model, log_after_model],
)

这里故意不用 create_deep_agent。原因不是它不能挂 middleware，而是 Deep Agents 默认还会注入文件系统、subagent 等 middleware；第一章只看生命周期钩子，用最底层 create_agent 更干净。等到第四章再回到 Deep Agents 默认栈。

运行命令

uv run python -m deepagent_src.middleware_teach.01_lifecycle_hooks

预期现象

你会看到：

event_log: ['before_model:1', 'after_model:MIDDLEWARE_OK']
final: MIDDLEWARE_OK
middleware lifecycle hooks local check ok

这说明：

  1. 用户消息先进入 state。
  2. before_model 在真正模型调用前读取到当前消息数。
  3. 模型返回后，after_model 能直接看到新增的 AIMessage。

一个常见误区

很多人第一次写 middleware，会把 before_model 当成“提前返回答案”的地方。这是错的。before_model / after_model 是 node-style hook，返回值是状态更新 dict，不是模型响应对象。要包住模型调用、决定是否继续调用、改 model request 或短路返回，请用 wrap_model_call。

和 Deep Agents 的关系

官方文档里，Deep Agents 的默认主栈会先后注入 SkillsMiddleware、FilesystemMiddleware、SubAgentMiddleware、SummarizationMiddleware 等，再把你传入的 middleware= 合并进去。也就是说，Deep Agents 不是不用 LangChain middleware；它恰恰是靠这套 middleware 机制把“技能、文件系统、记忆、HITL”这些能力缝起来的。

相关资源

  • 查看示例代码：deepagent_src/middleware_teach/01_lifecycle_hooks.py 
    from __future__ import annotations

from typing import Any

from langchain.agents import create_agent
from langchain.agents.middleware import AgentState, after_model, before_model
from langchain_core.language_models.fake_chat_models import FakeListChatModel
from langgraph.runtime import Runtime

event_log: list[str] = []


@before_model(name="log_before_model")
def log_before_model(
    state: AgentState,
    runtime: Runtime[Any],
) -> dict[str, Any] | None:
    event_log.append(f"before_model:{len(state['messages'])}")
    return None


@after_model(name="log_after_model")
def log_after_model(
    state: AgentState,
    runtime: Runtime[Any],
) -> dict[str, Any] | None:
    event_log.append(f"after_model:{state['messages'][-1].text}")
    return None


def main() -> None:
    event_log.clear()
    agent = create_agent(
        model=FakeListChatModel(responses=["MIDDLEWARE_OK"]),
        tools=[],
        middleware=[log_before_model, log_after_model],
    )
    state = agent.invoke({"messages": [{"role": "user", "content": "hi"}]})
    final_text = state["messages"][-1].text

    print("event_log:", event_log)
    print("final:", final_text)

    assert event_log == [
        "before_model:1",
        "after_model:MIDDLEWARE_OK",
    ], event_log
    assert final_text == "MIDDLEWARE_OK", final_text
    print("middleware lifecycle hooks local check ok")


if __name__ == "__main__":
    main()