以编程方式使用文档

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，使 AI 应用程序能够完成任务。上下文可以沿两个关键维度进行表征：

1. By **可变性**: * **静态上下文**：在执行期间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） 2. By **生命周期**: * **运行时上下文**：限定于单次运行或调用的数据 * **跨对话上下文**：在多个对话或会话之间持续存在的数据

LangGraph 提供了三种管理上下文的方式，这些方式结合了可变性和生命周期的维度：

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context 的实参 invoke/stream
**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，这些数据在运行时开始时通过 context 的实参传递给应用程序 invoke/stream。此数据在执行期间不会改变。

@dataclass
class ContextSchema:
    user_name: str

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

Agent prompt

    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  # [!code highlight]
    def personalized_prompt(request: ModelRequest) -> str:  # [!code highlight]
        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")  # [!code highlight]
    )

详见 代理 。

Workflow node

    from langgraph.runtime import Runtime

    def node(state: State, runtime: Runtime[ContextSchema]):  # [!code highlight]
        user_name = runtime.context.user_name
        ...

* 详见 Graph API 详见。

In a tool

    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)  # [!code highlight]
        return email

请参阅 工具调用指南 了解更多详情。

动态运行时上下文

动态运行时上下文 表示在单次运行中可变化的mutable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 输出中获取的值。在 LangGraph 中，状态对象充当运行期间的 短期记忆 。

In an agent

示例展示了如何将状态整合到智能体的 **提示词**.

中。状态也可以由智能体的 **工具**访问，这些工具可以根据需要读取或更新状态。请参阅 工具调用指南 了解更多详情。

    from langchain.agents import create_agent
    from langchain.agents.middleware import dynamic_prompt, ModelRequest
    from langchain.agents import AgentState


    class CustomState(AgentState):  # [!code highlight]
        user_name: str

    @dynamic_prompt  # [!code highlight]
    def personalized_prompt(request: ModelRequest) -> str:  # [!code highlight]
        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,  # [!code highlight]
        middleware=[personalized_prompt],  # [!code highlight]
    )

    agent.invoke({
        "messages": "hi!",
        "user_name": "John Smith"
    })

In a workflow

    from typing_extensions import TypedDict
    from langchain.messages import AnyMessage
    from langgraph.graph import StateGraph

    class CustomState(TypedDict):  # [!code highlight]
        messages: list[AnyMessage]
        extra_field: int

    def node(state: CustomState):  # [!code highlight]
        messages = state["messages"]
        ...
        return {  # [!code highlight]
            "extra_field": state["extra_field"] + 1  # [!code highlight]
        }

    builder = StateGraph(State)
    builder.add_node(node)
    builder.set_entry_point("node")
    graph = builder.compile()

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持久存在、可变化的数据，通过 LangGraph 存储进行管理。这包括用户画像、偏好设置和历史交互记录。LangGraph 存储充当 长期记忆 跨多次运行。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