​
概述

LangChain 的 create_agent 在底层运行在 LangGraph 的运行时上。 LangGraph 公开了一个 Runtime 对象，包含以下信息：
  1. 上下文（Context）：静态信息，如用户 ID、数据库连接或智能体调用的其他依赖项
  2. 存储（Store）：用于长期记忆的 BaseStore 实例
  3. 流写入器（Stream writer）：用于通过 "custom" 流模式流式传输信息的对象
您可以在工具和中间件中访问运行时信息。

​
访问

使用 create_agent 创建智能体时，您可以指定 context_schema 来定义存储在智能体 Runtime 中的 context 的结构。 调用智能体时，传递 context 参数以及运行的相关配置： 
from dataclasses import dataclass

from langchain.agents import create_agent


@dataclass
class Context:
    user_name: str

agent = create_agent(
    model="gpt-5-nano",
    tools=[...],
    context_schema=Context  
)

agent.invoke(
    {"messages": [{"role": "user", "content": "What's my name?"}]},
    context=Context(user_name="John Smith")  
)

​
在工具内部

您可以在工具内部访问运行时信息以：
  • 访问上下文
  • 读取或写入长期记忆
  • 写入自定义流（例如，工具进度/更新）
使用 ToolRuntime 参数在工具内部访问 Runtime 对象。 
from dataclasses import dataclass
from langchain.tools import tool, ToolRuntime  

@dataclass
class Context:
    user_id: str

@tool
def fetch_user_email_preferences(runtime: ToolRuntime[Context]) -> str:  
    """Fetch the user's email preferences from the store."""
    user_id = runtime.context.user_id  

    preferences: str = "The user prefers you to write a brief and polite email."
    if runtime.store:  
        if memory := runtime.store.get(("users",), user_id):  
            preferences = memory.value["preferences"]

    return preferences

​
在中间件内部

您可以在中间件中访问运行时信息，以创建动态提示、修改消息或根据用户上下文控制智能体行为。 使用 request.runtime 在中间件装饰器内部访问 Runtime 对象。运行时对象在传递给中间件函数的 ModelRequest 参数中可用。 
from dataclasses import dataclass

from langchain.messages import AnyMessage
from langchain.agents import create_agent, AgentState
from langchain.agents.middleware import dynamic_prompt, ModelRequest, before_model, after_model
from langgraph.runtime import Runtime


@dataclass
class Context:
    user_name: str

# Dynamic prompts
@dynamic_prompt
def dynamic_system_prompt(request: ModelRequest) -> str:
    user_name = request.runtime.context.user_name  
    system_prompt = f"You are a helpful assistant. Address the user as {user_name}."
    return system_prompt

# Before model hook
@before_model
def log_before_model(state: AgentState, runtime: Runtime[Context]) -> dict | None:  
    print(f"Processing request for user: {runtime.context.user_name}")  
    return None

# After model hook
@after_model
def log_after_model(state: AgentState, runtime: Runtime[Context]) -> dict | None:  
    print(f"Completed request for user: {runtime.context.user_name}")  
    return None

agent = create_agent(
    model="gpt-5-nano",
    tools=[...],
    middleware=[dynamic_system_prompt, log_before_model, log_after_model],  
    context_schema=Context
)

agent.invoke(
    {"messages": [{"role": "user", "content": "What's my name?"}]},
    context=Context(user_name="John Smith")
)
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.