上下文¶

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，以便语言模型能够合理地完成任务。

上下文包括消息列表之外的*任何*数据，这些数据可以影响行为。这些可以是：

在运行时传递的信息，例如 user_id 或 API 凭据。
在多步推理过程中更新的内部状态。
先前交互的持久内存或事实。

LangGraph 提供**三种**主要方式来提供上下文：

类型	描述	可变？	生命周期
Config	在运行开始时传递的数据	❌	每个运行
短期记忆 (State)	执行期间可以更改的动态数据	✅	每个运行或对话
长期记忆 (Store)	可以在对话之间共享的数据	✅	跨对话

提供运行时上下文¶

Config（静态上下文）¶

Config 用于不可变数据，如用户元数据或 API 密钥。当拥有在运行过程中不会更改的值时使用。

使用一个称为 "configurable" 的键指定配置，该键为此目的保留：

graph.invoke( # (1)!
    {"messages": [{"role": "user", "content": "hi!"}]}, # (2)!
    config={"configurable": {"user_id": "user_123"}} # (3)!
)

这是代理或图的调用。invoke 方法使用提供的输入运行底层图。
此示例使用消息作为输入，这是常见的，但您的应用程序可能使用不同的输入结构。
这是你传递配置数据的地方。config 参数允许你提供代理在执行期间可以使用額外外上下文。

Agent promptWorkflow nodeIn a tool

from langchain_core.messages import AnyMessage
from langchain_core.runnables import RunnableConfig
from langgraph.prebuilt.chat_agent_executor import AgentState
from langgraph.prebuilt import create_react_agent

def prompt(state: AgentState, config: RunnableConfig) -> list[AnyMessage]:
    user_name = config["configurable"].get("user_name")
    system_msg = f"You are a helpful assistant. Address the user as {user_name}."
    return [{"role": "system", "content": system_msg}] + state["messages"]

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    prompt=prompt
)

agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]},
    config={"configurable": {"user_name": "John Smith"}}
)

有关详细信息，请参阅 Agents。

from langchain_core.runnables import RunnableConfig

def node(state: State, config: RunnableConfig):
    user_name = config["configurable"].get("user_name")
    ...

有关详细信息，请参阅 Graph API。

from langchain_core.runnables import RunnableConfig

@tool
def get_user_info(config: RunnableConfig) -> str:
    """Retrieve user information based on user ID."""
    user_id = config["configurable"].get("user_id")
    return "User is John Smith" if user_id == "user_123" else "Unknown user"

有关详细信息，请参阅 tool calling guide。

短期记忆（可变上下文）¶

State 在运行期间充当短期记忆。它包含在执行过程中可能演变的数据，例如来自工具或 LLM 输出的值。

In an agentIn a workflow

示例展示如何将状态合并到代理**prompt**中。

代理的**tools**也可以访问状态，工具可以根据需要读取或更新状态。有关详细信息，请参阅 tool calling guide。

from langchain_core.messages import AnyMessage
from langchain_core.runnables import RunnableConfig
from langgraph.prebuilt import create_react_agent
from langgraph.prebuilt.chat_agent_executor import AgentState

class CustomState(AgentState): # (1)!
    user_name: str

def prompt(
    state: CustomState
) -> list[AnyMessage]:
    user_name = state["user_name"]
    system_msg = f"You are a helpful assistant. User's name is {user_name}"
    return [{"role": "system", "content": system_msg}] + state["messages"]

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[...],
    state_schema=CustomState, # (2)!
    prompt=prompt
)

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

定义一个扩展 AgentState 或 MessagesState 的自定义状态。
将自定义状态模式传递给代理。这允许代理在执行期间访问和修改状态。

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

class CustomState(TypedDict): # (1)!
    messages: list[AnyMessage]
    extra_field: int

def node(state: CustomState): # (2)!
    messages = state["messages"]
    ...
    return { # (3)!
        "extra_field": state["extra_field"] + 1
    }

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

定义一个自定义状态
在任何节点或工具中访问状态
Graph API 的设计宗旨是尽可能轻松地与状态协同工作。节点返回值代表对状态的请求更新。

启用记忆

有关如何启用内存的更多详细信息，请参阅内存指南。这是一个强大的功能，它允许你在多次调用之间保持代理的状态。否则，状态仅限于单个运行。

长期记忆（跨对话上下文）¶

对于跨越对话或会话的上下文，LangGraph 允许通过 store 访问**长期记忆**。这可用于读取或更新持久事实（例如用户配置文件、偏好设置、先前的交互）。

有关更多信息，请参阅内存指南。