上下文工程是构建动态系统的实践，这些系统以正确的格式提供正确的信息和工具，以便 AI 应用程序可以完成任务。上下文可以沿两个关键维度表征：
- 按可变性：
- 静态上下文：在执行期间不会更改的不可变数据（例如，用户元数据、数据库连接、工具）
- 动态上下文：随着应用程序运行而演变的可变数据（例如，对话历史、中间结果、工具调用观察）
- 按生命周期：
- 运行时上下文：范围限定为单次运行或调用的数据
- 跨对话上下文：跨多个对话或会话持久化的数据
运行时上下文指的是本地上下文：您的代码运行所需的数据和依赖项。它不指：
- LLM 上下文，即传递到 LLM 提示中的数据。
- “上下文窗口”，即可以传递给 LLM 的最大令牌数。
运行时上下文可用于优化 LLM 上下文。例如，您可以在运行时上下文中使用用户元数据
来获取用户偏好并将它们馈送到上下文窗口中。 | 上下文类型 | 描述 | 可变性 | 生命周期 | 访问方法 |
|---|
| 静态运行时上下文 | 启动时传递的用户元数据、工具、数据库连接 | 静态 | 单次运行 | invoke/stream 的 context 参数 |
| 动态运行时上下文（状态） | 在单次运行期间演变的可变数据 | 动态 | 单次运行 | LangGraph 状态对象 |
| 动态跨对话上下文（存储） | 跨对话共享的持久数据 | 动态 | 跨对话 | LangGraph 存储 |
静态运行时上下文
静态运行时上下文表示不可变数据，如用户元数据、工具和数据库连接，这些数据通过 invoke/stream 的 context 参数在运行开始时传递给应用程序。此数据在执行期间不会更改。
@dataclass
class ContextSchema:
user_name: str
graph.invoke(
{"messages": [{"role": "user", "content": "hi!"}]},
context={"user_name": "John Smith"}
)
Agent prompt
Workflow node
In a tool
from dataclasses import dataclass
from langchain.agents import create_agent
from langchain.agents.middleware import dynamic_prompt, ModelRequest
@dataclass
class ContextSchema:
user_name: str
@dynamic_prompt
def personalized_prompt(request: ModelRequest) -> str:
user_name = request.runtime.context.user_name
return f"You are a helpful assistant. Address the user as {user_name}."
agent = create_agent(
model="claude-sonnet-4-5-20250929",
tools=[get_weather],
middleware=[personalized_prompt],
context_schema=ContextSchema
)
agent.invoke(
{"messages": [{"role": "user", "content": "what is the weather in sf"}]},
context=ContextSchema(user_name="John Smith")
)
from langgraph.runtime import Runtime
def node(state: State, runtime: Runtime[ContextSchema]):
user_name = runtime.context.user_name
...
from langchain.tools import tool, ToolRuntime
@tool
def get_user_email(runtime: ToolRuntime[ContextSchema]) -> str:
"""Retrieve user information based on user ID."""
# simulate fetching user info from a database
email = get_user_email_from_db(runtime.context.user_name)
return email
The Runtime object can be used to access static context and other utilities like the active store and stream writer.
See the @[Runtime][langgraph.runtime.Runtime] documentation for details.
动态运行时上下文
动态运行时上下文表示可以在单次运行期间演变的可变数据，并通过 LangGraph 状态对象进行管理。这包括对话历史、中间结果以及从工具或 LLM 输出派生的值。在 LangGraph 中，状态对象在运行期间充当短期内存。
In an agent
In a workflow
示例展示如何将状态纳入智能体提示中。智能体的工具也可以访问状态，这些工具可以根据需要读取或更新状态。有关详细信息，请参阅工具调用指南。from langchain.agents import create_agent
from langchain.agents.middleware import dynamic_prompt, ModelRequest
from langchain.agents import AgentState
class CustomState(AgentState):
user_name: str
@dynamic_prompt
def personalized_prompt(request: ModelRequest) -> str:
user_name = request.state.get("user_name", "User")
return f"You are a helpful assistant. User's name is {user_name}"
agent = create_agent(
model="claude-sonnet-4-5-20250929",
tools=[...],
state_schema=CustomState,
middleware=[personalized_prompt],
)
agent.invoke({
"messages": "hi!",
"user_name": "John Smith"
})
from typing_extensions import TypedDict
from langchain.messages import AnyMessage
from langgraph.graph import StateGraph
class CustomState(TypedDict):
messages: list[AnyMessage]
extra_field: int
def node(state: CustomState):
messages = state["messages"]
...
return {
"extra_field": state["extra_field"] + 1
}
builder = StateGraph(State)
builder.add_node(node)
builder.set_entry_point("node")
graph = builder.compile()
启用内存
有关如何启用内存的更多详细信息，请参阅内存指南。这是一个强大的功能，允许您跨多个调用持久化智能体的状态。否则，状态仅范围限定为单次运行。 动态跨对话上下文
动态跨对话上下文表示跨多个对话或会话的持久、可变数据，并通过 LangGraph 存储进行管理。这包括用户配置文件、偏好和历史交互。LangGraph 存储在多次运行中充当长期内存。这可用于读取或更新持久事实（例如，用户配置文件、偏好、先前交互）。
另请参阅
