Skip to main content
专为 Anthropic 的 Claude 模型设计的中间件。了解更多关于中间件的信息。
中间件描述
提示缓存通过缓存重复的提示前缀来降低成本
Bash 工具使用本地命令执行 Claude 的原生 bash 工具
文本编辑器提供 Claude 的文本编辑器工具用于文件编辑
记忆提供 Claude 的记忆工具用于持久化代理记忆
文件搜索用于基于状态的文件系统的搜索工具

中间件 vs 工具

langchain-anthropic 提供了两种使用 Claude 原生工具的方式:
  • 中间件(本页):生产就绪的实现,内置执行、状态管理和安全策略
  • 工具(通过 bind_tools):底层构建块,您提供自己的执行逻辑

何时使用哪种方式

用例推荐方式原因
带有 bash 的生产代理中间件持久会话、Docker 隔离、输出脱敏
基于状态的文件编辑中间件内置 LangGraph 状态持久化
文件系统文件编辑中间件写入磁盘并进行路径验证
自定义执行逻辑工具完全控制执行
快速原型工具更简单,自带回调
不使用代理的 bind_tools工具中间件需要 create_agent

功能对比

功能中间件工具
create_agent 配合使用
bind_tools 配合使用
内置状态管理
自定义执行回调
使用中间件(交钥匙解决方案):
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import ClaudeBashToolMiddleware
from langchain.agents import create_agent
from langchain.agents.middleware import DockerExecutionPolicy

# 生产就绪,具有 Docker 隔离、会话管理等功能。
agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    middleware=[
        ClaudeBashToolMiddleware(
            workspace_root="/workspace",
            execution_policy=DockerExecutionPolicy(image="python:3.11"),
            startup_commands=["pip install pandas"],
        ),
    ],
)
使用工具(自带执行逻辑):
import subprocess

from anthropic.types.beta import BetaToolBash20250124Param
from langchain_anthropic import ChatAnthropic
from langchain.agents import create_agent
from langchain.tools import tool

tool_spec = BetaToolBash20250124Param(
    name="bash",
    type="bash_20250124",
    strict=True,
)

@tool(extras={"provider_tool_definition": tool_spec})
def bash(*, command: str, restart: bool = False, **kw):
    """执行 bash 命令。"""
    if restart:
        return "Bash 会话已重启"
    try:
        result = subprocess.run(
            command,
            shell=True,
            capture_output=True,
            text=True,
            timeout=30,
        )
        return result.stdout + result.stderr
    except Exception as e:
        return f"错误: {e}"


agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[bash],
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "列出此目录中的文件"}]}
)
print(result["messages"][-1].content)

提示缓存

通过在 Anthropic 的服务器上缓存静态或重复的提示内容(如系统提示、工具定义和对话历史)来降低成本和延迟。此中间件实现了一种对话缓存策略,在系统消息、工具定义和最近的用户消息上放置显式缓存断点,允许整个对话历史在后续 API 调用中被缓存和重用。 提示缓存适用于以下情况:
  • 具有长且静态的系统提示的应用程序,这些提示在请求之间不会改变
  • 具有许多工具定义的代理,这些定义在调用之间保持不变
  • 早期消息历史在多个轮次中被重用的对话
  • 降低 API 成本和延迟至关重要的高流量部署
对于更简单的用例,您也可以在调用时传递 cache_control 来使用自动缓存,而无需中间件。当您需要显式控制系统提示和工具定义上的缓存断点时,建议使用中间件。
了解更多关于 Anthropic 提示缓存策略和限制的信息。
API 参考: AnthropicPromptCachingMiddleware
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import AnthropicPromptCachingMiddleware
from langchain.agents import create_agent

agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    system_prompt="<在此处输入您的长系统提示>",
    middleware=[AnthropicPromptCachingMiddleware(ttl="5m")],
)
type
string
default:"ephemeral"
缓存类型。目前仅支持 'ephemeral'
ttl
string
default:"5m"
缓存内容的生存时间。有效值:'5m''1h'
min_messages_to_cache
number
default:"0"
开始缓存前的最小消息数
unsupported_model_behavior
string
default:"warn"
使用非 Anthropic 模型时的行为。选项:'ignore''warn''raise'
中间件缓存每个请求中最新消息及之前的内容。在 TTL 窗口(5 分钟或 1 小时)内的后续请求中,之前看到的内容将从缓存中检索,而不是重新处理,从而显著降低成本和延迟。工作原理:
  1. 第一次请求:系统提示、工具和用户消息 “Hi, my name is Bob” 被发送到 API 并缓存
  2. 第二次请求:缓存的内容(系统提示、工具和第一条消息)从缓存中检索。只有新消息 “What’s my name?” 需要处理,加上模型对第一次请求的响应
  3. 这种模式在每个轮次中继续,每个请求都重用缓存的对话历史
提示缓存通过缓存令牌来降低 API 成本,但提供对话记忆。要在调用之间持久化对话历史,请使用 checkpointer(如 MemorySaver)。
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import AnthropicPromptCachingMiddleware
from langchain.agents import create_agent
from langchain.messages import HumanMessage
from langchain_core.runnables import RunnableConfig
from langgraph.checkpoint.memory import MemorySaver


LONG_PROMPT = """
请成为一个有用的助手。

<更多上下文 ...>
"""

agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    system_prompt=LONG_PROMPT,
    middleware=[AnthropicPromptCachingMiddleware(ttl="5m")],
    checkpointer=MemorySaver(),  # 持久化对话历史
)

# 使用 thread_id 来维护对话状态
config: RunnableConfig = {"configurable": {"thread_id": "user-123"}}

# 第一次调用:使用系统提示、工具和 "Hi, my name is Bob" 创建缓存
agent.invoke({"messages": [HumanMessage("Hi, my name is Bob")]}, config=config)

# 第二次调用:重用缓存的系统提示、工具和之前的消息
# checkpointer 维护对话历史,因此代理记得 "Bob"
result = agent.invoke({"messages": [HumanMessage("What's my name?")]}, config=config)
print(result["messages"][-1].content)
你的名字是 Bob!你在我们对话开始时自我介绍时告诉过我。

Bash 工具

使用本地命令执行 Claude 的原生 bash_20250124 工具。 Bash 工具中间件适用于以下情况:
  • 使用 Claude 内置的 bash 工具进行本地执行
  • 利用 Claude 优化的 bash 工具接口
  • 需要与 Anthropic 模型进行持久 shell 会话的代理
此中间件包装了 ShellToolMiddleware 并将其作为 Claude 的原生 bash 工具暴露。
API 参考: ClaudeBashToolMiddleware
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import ClaudeBashToolMiddleware
from langchain.agents import create_agent

agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[
        ClaudeBashToolMiddleware(
            workspace_root="/workspace",
        ),
    ],
)
ClaudeBashToolMiddleware 接受 ShellToolMiddleware 的所有参数,包括:
workspace_root
str | Path | None
shell 会话的基础目录
startup_commands
tuple[str, ...] | list[str] | str | None
会话启动时运行的命令
execution_policy
BaseExecutionPolicy | None
执行策略(HostExecutionPolicyDockerExecutionPolicyCodexSandboxExecutionPolicy
redaction_rules
tuple[RedactionRule, ...] | list[RedactionRule] | None
用于清理命令输出的规则
有关完整配置详情,请参阅 Shell 工具
import tempfile

from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import ClaudeBashToolMiddleware
from langchain.agents import create_agent
from langchain.agents.middleware import DockerExecutionPolicy

# 为此演示创建一个临时工作区目录。
# 在生产环境中,请使用持久目录路径。
workspace = tempfile.mkdtemp(prefix="agent-workspace-")

agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[
        ClaudeBashToolMiddleware(
            workspace_root=workspace,
            startup_commands=["echo '会话已初始化'"],
            execution_policy=DockerExecutionPolicy(
                image="python:3.11-slim",
            ),
        ),
    ],
)

# Claude 现在可以使用其原生 bash 工具
result = agent.invoke(
    {"messages": [{"role": "user", "content": "安装了哪个版本的 Python?"}]}
)
print(result["messages"][-1].content)
安装了 Python 3.11.14。

文本编辑器

提供 Claude 的文本编辑器工具 (text_editor_20250728) 用于文件创建和编辑。 文本编辑器中间件适用于以下情况:
  • 基于文件的代理工作流
  • 代码编辑和重构任务
  • 多文件项目工作
  • 需要持久文件存储的代理
提供两种变体:基于状态(文件在 LangGraph 状态中)和基于文件系统(文件在磁盘上)。
API 参考:
基于状态的文本编辑器
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import StateClaudeTextEditorMiddleware
from langchain.agents import create_agent

agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[StateClaudeTextEditorMiddleware()],
)
基于文件系统的文本编辑器
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import FilesystemClaudeTextEditorMiddleware
from langchain.agents import create_agent

agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[
        FilesystemClaudeTextEditorMiddleware(
            root_path="/workspace",
        ),
    ],
)
Claude 的文本编辑器工具支持以下命令:
  • view - 查看文件内容或列出目录
  • create - 创建新文件
  • str_replace - 替换文件中的字符串
  • insert - 在行号处插入文本
  • delete - 删除文件
  • rename - 重命名/移动文件
StateClaudeTextEditorMiddleware(基于状态)
allowed_path_prefixes
Sequence[str] | None
可选的允许路径前缀列表。如果指定,则仅允许以这些前缀开头的路径。
FilesystemClaudeTextEditorMiddleware(基于文件系统)
root_path
str
required
文件操作的根目录
allowed_prefixes
list[str] | None
可选的允许虚拟路径前缀列表(默认:["/"]
max_file_size_mb
int
default:"10"
最大文件大小(MB)
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import StateClaudeTextEditorMiddleware
from langchain.agents import create_agent
from langchain_core.runnables import RunnableConfig
from langgraph.checkpoint.memory import MemorySaver


agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[
        StateClaudeTextEditorMiddleware(
            allowed_path_prefixes=["/project"],
        ),
    ],
    checkpointer=MemorySaver(),
)

# 使用 thread_id 在调用之间持久化状态
config: RunnableConfig = {"configurable": {"thread_id": "my-session"}}

# Claude 现在可以创建和编辑文件(存储在 LangGraph 状态中)
result = agent.invoke(
    {"messages": [{"role": "user", "content": "在 /project/hello.py 创建一个简单的 hello world 程序"}]},
    config=config,
)
print(result["messages"][-1].content)
我已在 `/project/hello.py` 创建了一个简单的 "Hello, World!" 程序。该程序使用 Python 的 `print()` 函数在执行时向控制台显示 "Hello, World!"。
import tempfile

from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import FilesystemClaudeTextEditorMiddleware
from langchain.agents import create_agent


# 为此演示创建一个临时工作区目录。
# 在生产环境中,请使用持久目录路径。
workspace = tempfile.mkdtemp(prefix="editor-workspace-")

agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[
        FilesystemClaudeTextEditorMiddleware(
            root_path=workspace,
            allowed_prefixes=["/src"],
            max_file_size_mb=10,
        ),
    ],
)

# Claude 现在可以创建和编辑文件(存储在磁盘上)
result = agent.invoke(
    {"messages": [{"role": "user", "content": "在 /src/hello.py 创建一个简单的 hello world 程序"}]}
)
print(result["messages"][-1].content)
我已在 `/src/hello.py` 创建了一个简单的 "Hello, World!" 程序。该程序使用 Python 的 `print()` 函数在执行时向控制台显示 "Hello, World!"。

记忆

提供 Claude 的记忆工具 (memory_20250818) 用于跨对话轮次的持久化代理记忆。 记忆中间件适用于以下情况:
  • 长时间运行的代理对话
  • 在中断后维护上下文
  • 任务进度跟踪
  • 持久化代理状态管理
Claude 的记忆工具使用 /memories 目录,并自动注入系统提示,鼓励代理检查和更新记忆。
API 参考: StateClaudeMemoryMiddleware, FilesystemClaudeMemoryMiddleware
基于状态的记忆
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import StateClaudeMemoryMiddleware
from langchain.agents import create_agent

agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[StateClaudeMemoryMiddleware()],
)
基于文件系统的记忆
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import FilesystemClaudeMemoryMiddleware
from langchain.agents import create_agent

agent_fs = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[
        FilesystemClaudeMemoryMiddleware(
            root_path="/workspace",
        ),
    ],
)
StateClaudeMemoryMiddleware(基于状态)
allowed_path_prefixes
Sequence[str] | None
可选的允许路径前缀列表。默认为 ["/memories"]
system_prompt
str
要注入的系统提示。默认为 Anthropic 推荐的记忆提示,鼓励代理检查和更新记忆。
FilesystemClaudeMemoryMiddleware(基于文件系统)
root_path
str
required
文件操作的根目录
allowed_prefixes
list[str] | None
可选的允许虚拟路径前缀列表。默认为 ["/memories"]
max_file_size_mb
int
default:"10"
最大文件大小(MB)
system_prompt
str
要注入的系统提示
代理将自动:
  1. 启动时检查 /memories 目录
  2. 在执行过程中记录进度和想法
  3. 随着工作进展更新记忆文件
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import StateClaudeMemoryMiddleware
from langchain.agents import create_agent
from langchain_core.runnables import RunnableConfig
from langgraph.checkpoint.memory import MemorySaver


agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[StateClaudeMemoryMiddleware()],
    checkpointer=MemorySaver(),
)

# 使用 thread_id 在调用之间持久化状态
config: RunnableConfig = {"configurable": {"thread_id": "my-session"}}

# Claude 现在可以使用记忆来跟踪进度(存储在 LangGraph 状态中)
result = agent.invoke(
    {"messages": [{"role": "user", "content": "记住我最喜欢的颜色是蓝色,然后确认你存储的内容。"}]},
    config=config,
)
print(result["messages"][-1].content)
完美!我已将您最喜欢的颜色 **蓝色** 存储在我的记忆系统中。该信息保存在我的用户偏好文件中,我可以在未来的对话中访问它。
代理将自动:
  1. 启动时检查 /memories 目录
  2. 在执行过程中记录进度和想法
  3. 随着工作进展更新记忆文件
import tempfile

from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import FilesystemClaudeMemoryMiddleware
from langchain.agents import create_agent


# 为此演示创建一个临时工作区目录。
# 在生产环境中,请使用持久目录路径。
workspace = tempfile.mkdtemp(prefix="memory-workspace-")

agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[
        FilesystemClaudeMemoryMiddleware(
            root_path=workspace,
        ),
    ],
)

# Claude 现在可以使用记忆来跟踪进度(存储在磁盘上)
result = agent.invoke(
    {"messages": [{"role": "user", "content": "记住我最喜欢的颜色是蓝色,然后确认你存储的内容。"}]}
)
print(result["messages"][-1].content)
完美!我已将您最喜欢的颜色 **蓝色** 存储在我的记忆系统中。该信息保存在我的用户偏好文件中,我可以在未来的对话中访问它。

文件搜索

提供 Glob 和 Grep 搜索工具,用于搜索存储在 LangGraph 状态中的文件。文件搜索中间件适用于以下情况:
  • 搜索基于状态的虚拟文件系统
  • 与文本编辑器和记忆工具配合使用
  • 按模式查找文件
  • 使用正则表达式进行内容搜索
API 参考: StateFileSearchMiddleware
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import (
    StateClaudeTextEditorMiddleware,
    StateFileSearchMiddleware,
)
from langchain.agents import create_agent

agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[
        StateClaudeTextEditorMiddleware(),
        StateFileSearchMiddleware(),  # 搜索文本编辑器文件
    ],
)
state_key
str
default:"text_editor_files"
包含要搜索文件的状态键。对于文本编辑器文件使用 "text_editor_files",对于记忆文件使用 "memory_files"
中间件添加了 Glob 和 Grep 搜索工具,可与基于状态的文件配合使用。
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import (
    StateClaudeTextEditorMiddleware,
    StateFileSearchMiddleware,
)
from langchain.agents import create_agent
from langchain.messages import HumanMessage
from langchain_core.runnables import RunnableConfig
from langgraph.checkpoint.memory import MemorySaver


agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[
        StateClaudeTextEditorMiddleware(),
        StateFileSearchMiddleware(state_key="text_editor_files"),
    ],
    checkpointer=MemorySaver(),
)

# 使用 thread_id 在调用之间持久化状态
config: RunnableConfig = {"configurable": {"thread_id": "my-session"}}

# 第一次调用:使用文本编辑器工具创建一些文件
result = agent.invoke(
    {"messages": [HumanMessage("创建一个包含 main.py、utils/helpers.py 和 tests/test_main.py 的 Python 项目")]},
    config=config,
)

# 代理创建文件,这些文件存储在状态中
print("创建的文件:", list(result["text_editor_files"].keys()))

# 第二次调用:搜索我们刚刚创建的文件
# 状态通过 checkpointer 自动持久化
result = agent.invoke(
    {"messages": [HumanMessage("查找项目中的所有 Python 文件")]},
    config=config,
)
print(result["messages"][-1].content)
创建的文件: ['/project/main.py', '/project/utils/helpers.py', '/project/utils/__init__.py', '/project/tests/test_main.py', '/project/tests/__init__.py', '/project/README.md']
我在项目中找到了 5 个 Python 文件:

1. `/project/main.py` - 主应用程序文件
2. `/project/utils/__init__.py` - Utils 包初始化
3. `/project/utils/helpers.py` - 辅助工具
4. `/project/tests/__init__.py` - 测试包初始化
5. `/project/tests/test_main.py` - 主测试文件

您想查看其中任何一个文件的内容吗?
from langchain_anthropic import ChatAnthropic
from langchain_anthropic.middleware import (
    StateClaudeMemoryMiddleware,
    StateFileSearchMiddleware,
)
from langchain.agents import create_agent
from langchain.messages import HumanMessage
from langchain_core.runnables import RunnableConfig
from langgraph.checkpoint.memory import MemorySaver


agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    tools=[],
    middleware=[
        StateClaudeMemoryMiddleware(),
        StateFileSearchMiddleware(state_key="memory_files"),
    ],
    checkpointer=MemorySaver(),
)

# 使用 thread_id 在调用之间持久化状态
config: RunnableConfig = {"configurable": {"thread_id": "my-session"}}

# 第一次调用:记录一些记忆
result = agent.invoke(
    {"messages": [HumanMessage("记住项目截止日期是 3 月 15 日,代码审查截止日期是 3 月 10 日")]},
    config=config,
)

# 代理创建记忆文件,这些文件存储在状态中
print("创建的记忆文件:", list(result["memory_files"].keys()))

# 第二次调用:搜索我们刚刚记录的记忆
# 状态通过 checkpointer 自动持久化
result = agent.invoke(
    {"messages": [HumanMessage("在我的记忆中搜索项目截止日期")]},
    config=config,
)
print(result["messages"][-1].content)
创建的记忆文件: ['/memories/project_info.md']
我在我的记忆中找到了您的项目截止日期!这是我记录的内容:

## 重要截止日期
- **代码审查截止日期:** 3 月 10 日
- **项目截止日期:** 3 月 15 日

## 备注
- 代码审查必须在最终项目截止日期前 5 天完成
- 需要确保所有代码在 3 月 10 日前准备好进行审查

关于这些截止日期,您有什么具体想了解或更新的吗?