摘要： TodoListMiddleware通过结构化任务管理提升Agent的主动规划能力。它将复杂目标分解为可执行任务列表，利用PlanningState状态跟踪任务进度，并注入系统提示词指导LLM规划。核心功能包括：提供write_todos工具进行全量任务更新；通过状态管理防止目标漂移；支持任务动态卸载以优化上下文窗口。该中间件尤其适合多步骤复杂任务，能增强任务可视化、调试效率和结构化委托能

Deep Agents框架通过FilesystemMiddleware实现了抽象文件系统，为AI代理提供标准化文件操作工具集（ls/read/write/edit等）。该设计具有三大创新：1) 支持多种后端存储的统一访问；2) 实现自动上下文卸载机制，通过阈值触发和引用替换防止上下文溢出；3) 提供精细化的工具描述，指导AI正确使用文件操作功能。这种存储与计算分离的架构，有效解决了大模型在处理复杂

在Deep Agents中FilesystemMiddleware（文件系统中间件）扮演着**外部存储器**和**上下文管理器**的双重角色，建立在一个利用`BackendProtocol`协议抽象的文件系统之上。具有如下定义的`BackendProtocol`定义了一套标准化的接口，使得Agent无需关心底层存储是本地磁盘、云端S3、数据库还是内存，都能以统一的方式进行文件操作。

Deep Agents是LangChain团队推出的开源Agent框架，专注于处理复杂、长期的多步骤任务。相比传统浅层Agent，它集成了任务规划、文件系统、子Agent生成等功能。文章对比了LangChain、LangGraph和Deep Agents的关系：LangChain提供核心开发模块，LangGraph负责运行时执行，Deep Agents则构建于二者之上。技术实现上，LangGrap

Skills模式将专业技能打包为可调用的模块，通过提示驱动实现专业化功能，支持渐进式加载和团队协作开发。核心特征包括提示驱动的专业化、按需加载技能、轻量级构建和引用感知。适用于需要多技能的单一Agent场景，如编码助手或知识库。实现时通过自定义工具加载Skill，利用中间件管理技能元数据和工具集，动态响应任务需求。示例展示了机票购买和酒店预订技能的创建与加载流程，体现Skills模式的灵活性和实用

在交接模式中，整个Agent被构建为一个**状态机**，当前的状态决定了可执行的操作，操作的执行又会导致状态的改变。该模式的一个典型实现方案为：利用工具更新一个持久存储的状态变量（例如`current_step`或`active_agent`），系统读取该变量来调整行为，包括应用不同的配置（系统提示、工具）或将请求路由到不同的Agent。这种模式既支持不同Agent之间的交接，也支持单个Agent

在路由架构中，路由步骤会对输入进行分类，并将其定向到专门的Agent，其主要特征包括：路由器将查询分解； 并行调用零个或多个专用Agent； 将结果综合成一个连贯的响应等

**大事化小、小事化了**是解决复杂问题的通用法则。对应一个复杂的任务，我们按照相应的法则对它进行分解和切割，得到一些规模较小的、相对独立的子任务。这些子任务可以独立实现，然后使用各种形式的**胶水**将它们粘合在一起。Agent的设计亦是如此，当推理任务过于复杂，我们也会将任务进行拆解成子任务，并利用独立的Agent来实现，这个系列介绍的四种模式就是粘合这些Agent的胶水。

MultiServerMCPClient通过Callbacks类型支持三种服务端到客户端的交互机制：进度报告（on_progress）、日志回传（on_logging_message）和信息征询（on_elicitation）。这些回调会被转换为MCP规范的标准格式。进度报告通过ProgressCallback协议实时显示任务进度，日志回传通过LoggingMessageCallback处理服务端

MultiServerMCPClient通过Callbacks类型支持三种服务端到客户端的交互机制：进度报告（on_progress）、日志回传（on_logging_message）和信息征询（on_elicitation）。这些回调会被转换为MCP规范的标准格式。进度报告通过ProgressCallback协议实时显示任务进度，日志回传通过LoggingMessageCallback处理服务端