上下文工程是构建动态系统的实践：以正确的格式提供正确的信息和工具，让 AI 应用能够完成任务。上下文可以沿两个关键维度来描述：
  1. 按可变性：
    • 静态上下文：执行期间不会改变的不可变数据，例如用户元数据、数据库连接和工具
    • 动态上下文：随着应用运行而演变的可变数据，例如对话历史、中间结果和工具调用观察结果
  2. 按生命周期：
    • 运行时上下文：作用域限定在单次运行或调用内的数据
    • 跨对话上下文：跨多次对话或会话持久保存的数据
运行时上下文指本地上下文，即代码运行所需的数据和依赖项。它不是指：
  • LLM 上下文，即传入 LLM prompt 的数据。
  • “上下文窗口”，即可以传给 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。它让你在运行时向工具和节点提供依赖项，例如数据库连接、用户 ID 或 API 客户端，而不是将这些依赖项硬编码。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，并将其传入上下文窗口。
LangGraph 提供三种管理上下文的方式，它们组合了可变性和生命周期这两个维度：
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、工具和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）单次运行期间不断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用户元数据、工具和数据库连接等不可变数据，这些数据会在运行开始时通过 invoke/stream 的 context 参数传给应用。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"}
)

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")
)
参阅 Agents 了解详情。
Runtime 对象可用于访问静态上下文，以及当前 store 和 stream writer 等其他实用工具。 参阅 Runtime 文档了解详情。

​
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 state 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，state 对象会在一次运行期间充当短期记忆。
示例展示如何将 state 纳入 agent prompt。Agent 的工具也可以访问 state，并根据需要读取或更新 state。参阅工具调用指南了解详情。
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 memory 请参阅 memory 指南，了解如何启用 memory。这是一项强大功能，允许你跨多次调用持久保存 agent 的 state。否则，state 只会作用于单次运行。

​
动态跨对话上下文

动态跨对话上下文表示跨多次对话或会话存在的持久可变数据，并通过 LangGraph store 进行管理。这包括用户资料、偏好和历史交互。LangGraph store 会在多次运行之间充当长期记忆。它可用于读取或更新持久事实，例如用户资料、偏好和先前交互。

​
延伸阅读

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.
Edit this page on GitHub or file an issue.