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：
  1. 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）
  1. 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。
LangGraph 提供三种管理上下文的方法，结合了可变性和生命周期维度：
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")  
)
See Agents for details.
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"
})
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

Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.