这是一个叫advisor-middleware的开源项目是Anthropic的Advisor Strategy的开源实现，这个东西干了一件特别聪明的事：它把Anthropic公司的顾问策略完完整整复制到LangChain的DeepAgents框架里。
advisor-middleware完美复刻了 Anthropic 的 Advisor Strategy，可以直接插入 LangChain 的 DeepAgents。它的核心思路是把一个便宜、速度快的执行器（Haiku）和一个强大的顾问模型（Opus）搭配起来；执行器处理常规任务；顾问只在关键决策时介入，让整个流程既高效又经济。
- 策略Strategy将快速、低成本的执行器模型与功能强大的顾问模型相结合；
- 执行器负责端到端运行；
- Advisor顾问仅在关键决策时才征求意见。
三者结合的结果：以更低的成本实现更高的性能。
传统的子代理模式通常需要大规模的任务分解、频繁调用昂贵模型，还要维护复杂的工作池和调度逻辑。而 Advisor Strategy 只在必要时调用高成本模型，通过 max_uses 控制成本，简化流程同时提高可靠性。这种策略对于开发者而言，简直是“省钱又省心”的利器。
advisor-middleware解决什么问题？
传统 vs advisor-middleware：
- 传统子代理模式（大型协调器拆解任务）→使用advisor-middleware 顾问策略（小型执行器从头跑到尾）
- 传统每次都要调用昂贵模型 → advisor-middleware只在必要时才咨询昂贵模型
- 传统需要工作线程池+协调开销 → advisor-middleware零协调——只是一个工具调用
- 传统成本难以预测 → advisor-middleware用“最大调用次数”这个护栏来封顶顾问的支出
advisor-middleware就是让一个便宜、速度飞快的模型当跑腿执行器，再让一个超强、超贵的模型当军师顾问。跑腿小弟处理那些日常杂活，军师只在遇到重大决策时站出来说一句“你这么干会死，听我的”。这样整个流程既跑得飞快，又不会把钱包烧穿。
传统那种子代理模式特别坑。它动不动就把一个大任务拆成几十个小任务，每个小任务都要调用一次那种贵得离谱的模型。你还要维护一堆复杂的工作池和调度逻辑，写代码写到怀疑人生。顾问策略完全反过来：平时小弟干活，只有小弟搞不定或者需要跨文件逻辑推理的时候，军师才介入一次。通过一个叫max_uses的参数，你就能死死卡住军师的出场次数，成本控制得明明白白。对于开发者来说，这简直就是“少花钱多办事”的终极答案。
双模式运行原理：Native模式白嫖API，Fallback模式随意混搭任何模型
advisor-middleware支持两种运行模式，分别叫Native模式和Fallback模式。
Native模式专门为Anthropic家的执行器设计。它直接往Anthropic的server-side工具规范里注入调用信息，整个过程零额外轮询。什么意思呢？就是小弟跑腿的时候，系统根本不需要反复问“军师要不要看一眼”，没有任何多余开销。这就像你雇了一个快递员，他认识所有路，从来不用停下来看地图，效率高到离谱。
Fallback模式就更有意思了。它可以适配任何执行器和任何顾问模型的组合，不管你用OpenAI的GPT、Google的Gemini还是本地跑的小模型。Fallback模式通过直接LLM调用完成顾问咨询，也就是说军师和小弟不需要认识同一个老板，完全跨公司协作。
这种设计的好处太明显了：你手里有什么模型就能用什么模型，自由度极高。Native模式自动识别Anthropic执行器然后调用内部API，Fallback模式让你随便选顾问模型和上下文策略。无论你用哪种执行器，都能享受到军师级别的决策支持。
也就是说，这种设计的好处是，无论你使用哪种执行器，都能享受到顾问模型的决策支持。Native 模式自动识别 Anthropic 执行器并调用内部 API，而 Fallback 模式则允许开发者自由选择顾问模型和上下文策略，灵活性极高。
三步升级你的DeepAgent：安装到运行不超五分钟
安装这个中间件就一行命令。你打开终端，输入pip install advisor-middleware，回车，搞定。如果你想尝鲜最新源码，也可以执行pip install git加上那个GitHub地址。整个过程不会超过三十秒，比泡一碗方便面还快。
安装完之后配置超级简单。
你先从deepagents包导入create_deep_agent函数，再从advisor_middleware导入AdvisorMiddleware类。
然后创建一个中间件对象，参数里指定顾问模型为claude-opus-4-6。
接着调用create_deep_agent，把执行器模型设成anthropic:claude-sonnet-4-6，系统提示词写成“你是一个资深软件工程师”，再把backend和中间件列表传进去。
就这么三步，你的DeepAgent就升级完成了。Sonnet负责跑腿执行任务，Opus当军师提供咨询，中间件自动识别Anthropic并使用Native API，完全不需要你额外配置。如果你想跨提供商使用，稍微改一下AdvisorConfig就行。
成本控制配置：max_uses把军师出场次数锁得死死的
AdvisorConfig这个配置类给你提供了四个超实用的参数。
第一个是max_uses_per_turn，它限制每一轮任务中军师最多能被叫出来几次。
第二个是max_uses_per_session，它控制整个对话会话期间军师的总出场次数上限。
第三个是prefer_native，一个布尔值，问你是不是优先使用Native模式。
第四个是context，用来管理上下文，包括系统提示、工具结果和消息长度限制。
通过合理设置这些参数，你可以把顾问模型的调用成本控制得死死的，同时保证关键任务依然能得到最优指导。
举个例子，你设置每轮最多叫两次军师，整个会话最多叫十次，再把上下文消息数量限制在十条以内，并且不让工具结果混进上下文。这种配置不仅节省计算资源，还避免了上下文膨胀。军师每次看到的信息都精简又精准，给出的建议也就更高效。你不用担心军师被一堆废话干扰，也不用担心它胡乱消耗你的API额度。
实战效果验证：Haiku加Opus组合让测试通过率从11/12飙到12/12
我们做了一个真实的调试任务来验证这个中间件的效果。任务背景是一个由四个文件组成的异步任务队列系统，里面存在一个交互错误。我们先用Haiku模型单独执行，让这个小弟自己修。结果Haiku反复修改了好多次，依然没法彻底修复那个bug。每次改完跑测试，总是有一个用例过不去，小弟急得团团转但就是找不到问题根源。
然后我们把Opus顾问加进来。
神奇的事情发生了：军师只出来一次，看了一眼四个文件之间的关系，立刻指出问题出在信号量释放和circuit breaker的交互逻辑上。
Opus给出了精准的修复方案，小弟照着执行一次，所有bug全部修复。
测试通过率从原来的11/12直接提升到12/12，文件写入次数从7次降到3次，总耗时从210.7秒猛降到90.3秒。
这就是军师的价值：跨文件逻辑推理、识别每个丢弃连接的信号量释放、正确判断熔断器状态、优化任务重排策略。一次精准咨询，避免了小弟反复试错浪费时间和金钱。
内省与追踪：军师每句话你都能看到用了多少token
使用AdvisorMiddleware之后，你可以轻松追踪顾问模型的所有调用情况。代码里直接写print函数，加上mw.get_total_uses就能看到军师总共被叫了多少次。再写一个print加上mw.get_total_advisor_tokens，你就能知道军师消耗了多少token。这两个数字一出来，成本就清清楚楚。
你还可以遍历mw.get_events返回的所有事件。每个事件里包含轮次编号、采用的策略、顾问消耗的token数、军师看到的问题摘要、军师给出的建议摘要。把这些信息打印出来，你就能复盘每一次军师出场的全过程。
通过这些追踪指标，开发者能够量化顾问的真实贡献，发现哪些调用是必要的、哪些是浪费的，然后进一步优化调用策略。你可以大胆地把max_uses_per_turn从2降到1，或者把某些类型的任务直接从顾问流程里踢出去，省钱省到骨头里。
文件结构：七个文件各司其职，想改哪里改哪里
advisor_middleware的目录结构非常清晰。
advisor_middleware/ |
init.py负责暴露公共API，你只需要从这里导入AdvisorMiddleware和AdvisorConfig。
middleware.py是核心文件，里面实现了双模式的wrap_model_call，也就是拦截模型调用然后决定让小弟干还是让军师干。
config.py定义了两个数据类，AdvisorConfig和ContextCurationConfig，所有配置参数都在这。
state.py定义了AdvisorState和AdvisorEvent这两个TypedDict，用来规范状态和事件的数据结构。
prompts.py存放执行器和顾问的系统提示词，你可以随便改。
providers.py负责提供者检测，判断当前应该用Native模式还是Fallback模式调用。
最后还有一个py.typed文件，用来满足PEP 561的类型标记要求。
这种模块划分非常合理，方便你扩展和维护。如果你想改进顾问策略，直接改prompts.py或者providers.py。如果你想增加上下文管理功能，改config.py和state.py就行。如果你想调试执行器，看middleware.py就够了。任何一个开发者拿到这个代码库，都能在十分钟内搞清楚每一块是干嘛的，然后迅速上手修改。
总结
advisor-middleware 将执行器和顾问模型有机结合，实现低成本高效率的智能代理执行。Native 与 Fallback 双模式、灵活配置、清晰追踪和模块化架构，使其成为 DeepAgents 开发者的必备利器。无论是调试复杂系统还是跨文件任务优化，这个中间件都能显著提升性能。