上下文工程是一种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来表征：

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）

2. 按生命周期：

• 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：在多次对话或会话间持久存在的数据

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。它不指代：

* LLM 上下文，即传递给 LLM 提示的数据。
* "上下文窗口"，即可以传递给 LLM 的最大令牌数。

运行时上下文是依赖注入的一种形式，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）	跨对话共享的持久化数据	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"}  
)

Agent prompt

Workflow node

In a tool

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-4-5-20250929",
    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 Agents。

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，并通过 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。

In an agent

In a workflow

示例展示了如何将状态整合到智能体提示中。

状态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状态。详情请参阅 tool calling guide。

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-4-5-20250929",
    tools=[...],
    state_schema=CustomState,  
    middleware=[personalized_prompt],  
)

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

启用记忆 有关如何启用记忆的更多详细信息，请参阅 memory guide。这是一个强大的功能，允许你在多次调用之间持久化智能体的状态。否则，状态仅限定于单次运行。

动态跨对话上下文

动态跨对话上下文表示跨越多次对话或会话的持久化、可变数据，并通过 LangGraph 存储进行管理。这包括用户档案、偏好和历史交互。LangGraph 存储充当跨多次运行的长期记忆。这可用于读取或更新持久化的事实（例如，用户档案、偏好、先前的交互）。

另请参阅

• 记忆概念概述
• LangChain 中的短期记忆
• LangChain 中的长期记忆
• LangGraph 中的记忆