Skip to main content
上下文工程是构建动态系统的实践，旨在以正确的格式提供正确的信息和工具，使AI应用程序能够完成任务。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、工具调用观察结果）
  2. 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：在多个对话或会话中持续存在的数据
运行时上下文指的是本地上下文：你的代码运行所需的数据和依赖项。它不指：
  • LLM上下文，即传递给LLM提示词的数据。
  • “上下文窗口”，即可以传递给LLM的最大令牌数。
运行时上下文是一种依赖注入形式，可用于优化LLM上下文。它允许你在运行时向工具和节点提供依赖项（如数据库连接、用户ID或API客户端），而不是硬编码它们。例如，你可以使用运行时上下文中的用户元数据来获取用户偏好，并将其输入到上下文窗口中。
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
静态运行时上下文在启动时通过invoke/stream的context参数传递的用户元数据、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）在对话间共享的持久化数据动态跨对话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，这些数据在运行开始时通过invoke/stream的context参数传递给应用程序。这些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和其他实用程序，如活动存储和流写入器。 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在单次运行期间可以演变的可变数据，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记忆。
示例展示了如何将状态整合到智能体的提示词中。状态也可以被智能体的工具访问，工具可以根据需要读取或更新状态。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"
})
开启记忆功能 有关如何启用记忆的更多详细信息，请参阅记忆指南。这是一个强大的功能，允许你跨多次调用持久化智能体的状态。否则，状态仅作用于单次运行。

​
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存储进行管理。这包括用户配置文件、偏好设置和历史交互。LangGraph存储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，用户配置文件、偏好设置、先前的交互）。

​
了解更多

将这些文档通过MCP连接到Claude、VSCode等，以获取实时答案。
在GitHub上编辑此页面或提交问题。