Skip to main content
**上下文工程（Context engineering）**是构建动态系统的实践，旨在以正确的格式向 AI 应用提供所需的信息和工具，使其能够完成任务。上下文可以从两个关键维度进行描述：
  1. 按可变性：
  • 静态上下文：在执行过程中不会改变的不可变数据（例如用户元数据、数据库连接、工具）
  • 动态上下文：随应用运行而演变的可变数据（例如对话历史、中间结果、工具调用结果）
  1. 按生命周期：
  • 运行时上下文：作用域限于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存在的数据
运行时上下文是指本地上下文：代码运行所需的数据和依赖项。它不涉及：
  • LLM 上下文，即传入 LLM 提示词的数据。
  • “上下文窗口”，即可传递给 LLM 的最大 token 数量。
运行时上下文是一种依赖注入形式，可用于优化 LLM 上下文。它允许在运行时将依赖项（如数据库连接、用户 ID 或 API 客户端）提供给工具和节点，而无需将其硬编码。例如，您可以使用运行时上下文中的用户元数据来获取用户偏好，并将其传入上下文窗口。
LangGraph 提供了三种管理上下文的方式，结合了可变性和生命周期两个维度：
上下文类型描述可变性生命周期访问方式
静态运行时上下文启动时传入的用户元数据、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（state）在单次运行中演变的可变数据动态单次运行LangGraph state 对象
动态跨对话上下文（store）跨对话共享的持久化数据动态跨对话LangGraph store

​
静态运行时上下文

静态运行时上下文表示不可变数据，例如用户元数据、工具和数据库连接，这些数据在运行开始时通过 invoke/stream 的 context 参数传递给应用。此数据在执行过程中不会改变。 
@dataclass
class ContextSchema:
    user_name: str

graph.invoke(
    {"messages": [{"role": "user", "content": "hi!"}]},
    context={"user_name": "John Smith"}
)

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-4-6",
    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")
)
详情请参阅智能体。
Runtime 对象可用于访问静态上下文及其他实用工具，例如活动 store 和流写入器。 详情请参阅 Runtime 文档。

​
动态运行时上下文

动态运行时上下文表示可在单次运行中演变的可变数据，通过 LangGraph state 对象进行管理。这包括对话历史、中间结果以及工具或 LLM 输出派生的值。在 LangGraph 中，state 对象在运行期间充当短期记忆。
以下示例展示了如何将 state 整合到智能体的提示词中。State 也可以被智能体的工具访问，这些工具可以根据需要读取或更新 state。详情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-4-6",
    tools=[...],
    state_schema=CustomState,
    middleware=[personalized_prompt],
)

agent.invoke({
    "messages": "hi!",
    "user_name": "John Smith"
})
开启记忆 请参阅记忆指南，了解如何启用记忆的更多详情。这是一项强大的功能，允许您在多次调用之间持久化智能体的 state。否则，state 的作用域仅限于单次运行。

​
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化可变数据，通过 LangGraph store 进行管理。这包括用户个人档案、偏好设置和历史交互。LangGraph store 在多次运行中充当长期记忆。这可用于读取或更新持久化事实（例如，用户档案、偏好设置、先前交互）。

​
了解更多

在 GitHub 上编辑本页 或提交问题。
将这些文档连接到 Claude、VSCode 等，通过 MCP 获取实时解答。