智能体中的上下文工程

概述

构建智能体（或任何 LLM 应用）的难点在于使其足够可靠。虽然它们可能在原型阶段有效，但在实际用例中往往会失败。

为什么智能体会失败？

当智能体失败时，通常是因为智能体内的 LLM 调用了错误的操作 / 没有按预期执行。LLM 失败的原因主要有两个：

1. 底层 LLM 能力不足
2. 未向 LLM 传递“正确”的上下文

大多数情况下——实际上是第二个原因导致智能体不可靠。

上下文工程是指以正确的格式提供正确的信息和工具，以便 LLM 能够完成任务。这是 AI 工程师的首要工作。缺乏“正确”的上下文是更可靠智能体的首要障碍，而 LangChain 的智能体抽象设计独特，旨在促进上下文工程。

初次接触上下文工程？请从 概念概述 开始，了解不同类型的上下文及其使用时机。

智能体循环

典型的智能体循环包含两个主要步骤：

1. 模型调用 - 使用提示词和可用工具调用 LLM，返回响应或执行工具的请求
2. 工具执行 - 执行 LLM 请求的工具，返回工具结果

此循环持续进行，直到 LLM 决定结束。

你可以控制的内容

要构建可靠的智能体，你需要控制智能体循环中每一步发生的情况，以及步骤之间发生的情况。

上下文类型	你控制的内容	临时或持久
模型上下文	进入模型调用的内容（指令、消息历史、工具、响应格式）	临时
工具上下文	工具可以访问和生成的内容（读写状态、存储、运行时上下文）	持久
生命周期上下文	模型调用和工具调用之间发生的情况（摘要、护栏、日志记录等）	持久

临时上下文

LLM 单次调用所看到的内容。你可以修改消息、工具或提示词，而无需更改保存在状态中的内容。

持久上下文

跨轮次保存在状态中的内容。生命周期钩子和工具写入会永久修改此内容。

数据源

在此过程中，你的智能体会访问（读取/写入）不同的数据源：

数据源	也称为	范围	示例
运行时上下文	静态配置	会话范围	用户 ID、API 密钥、数据库连接、权限、环境设置
状态	短期记忆	会话范围	当前消息、上传的文件、认证状态、工具结果
存储	长期记忆	跨会话	用户偏好、提取的见解、记忆、历史数据

工作原理

LangChain 中间件 是幕后机制，使上下文工程对使用 LangChain 的开发人员变得实用。

中间件允许你挂钩到智能体生命周期的任何步骤并：

• 更新上下文
• 跳转到智能体生命周期中的不同步骤

在本指南中，你将频繁看到中间件 API 的使用，作为实现上下文工程的手段。

模型上下文

控制每个模型调用的内容——指令、可用工具、使用的模型以及输出格式。这些决策直接影响可靠性和成本。

系统提示词

开发者给 LLM 的基础指令。

消息

发送给 LLM 的完整消息列表（对话历史）。

工具

智能体可用于采取行动的工具。

模型

实际调用的模型（包括配置）。

响应格式

模型最终响应的模式规范。

所有这些类型的模型上下文都可以从 状态（短期记忆）、存储（长期记忆）或 运行时上下文（静态配置）中获取。

系统提示词

系统提示词设定 LLM 的行为和能力。不同的用户、上下文或对话阶段需要不同的指令。成功的智能体会利用记忆、偏好和配置来为当前对话状态提供正确的指令。

状态

从状态中访问消息计数或对话上下文：

import { createAgent } from "langchain";

const agent = createAgent({
  model: "gpt-4.1",
  tools: [...],
  middleware: [
    dynamicSystemPromptMiddleware((state) => {
      // Read from State: check conversation length
      const messageCount = state.messages.length;

      let base = "You are a helpful assistant.";

      if (messageCount > 10) {
        base += "\nThis is a long conversation - be extra concise.";
      }

      return base;
    }),
  ],
});

存储

从长期记忆中访问用户偏好：

import * as z from "zod";
import { createAgent, dynamicSystemPromptMiddleware } from "langchain";

const contextSchema = z.object({
  userId: z.string(),
});

type Context = z.infer<typeof contextSchema>;

const agent = createAgent({
  model: "gpt-4.1",
  tools: [...],
  contextSchema,
  middleware: [
    dynamicSystemPromptMiddleware<Context>(async (state, runtime) => {
      const userId = runtime.context.userId;

      // Read from Store: get user preferences
      const store = runtime.store;
      const userPrefs = await store.get(["preferences"], userId);

      let base = "You are a helpful assistant.";

      if (userPrefs) {
        const style = userPrefs.value?.communicationStyle || "balanced";
        base += `\nUser prefers ${style} responses.`;
      }

      return base;
    }),
  ],
});

运行时上下文

从运行时上下文中访问用户 ID 或配置：

import * as z from "zod";
import { createAgent, dynamicSystemPromptMiddleware } from "langchain";

const contextSchema = z.object({
  userRole: z.string(),
  deploymentEnv: z.string(),
});

type Context = z.infer<typeof contextSchema>;

const agent = createAgent({
  model: "gpt-4.1",
  tools: [...],
  contextSchema,
  middleware: [
    dynamicSystemPromptMiddleware<Context>((state, runtime) => {
      // Read from Runtime Context: user role and environment
      const userRole = runtime.context.userRole;
      const env = runtime.context.deploymentEnv;

      let base = "You are a helpful assistant.";

      if (userRole === "admin") {
        base += "\nYou have admin access. You can perform all operations.";
      } else if (userRole === "viewer") {
        base += "\nYou have read-only access. Guide users to read operations only.";
      }

      if (env === "production") {
        base += "\nBe extra careful with any data modifications.";
      }

      return base;
    }),
  ],
});

消息

消息构成了发送给 LLM 的提示词。 管理消息内容至关重要，以确保 LLM 拥有正确信息以做出良好响应。

状态

在相关时将上传文件的上下文注入到状态中：

import { createMiddleware } from "langchain";

const injectFileContext = createMiddleware({
  name: "InjectFileContext",
  wrapModelCall: (request, handler) => {
    // request.state is a shortcut for request.state.messages
    const uploadedFiles = request.state.uploadedFiles || [];  # [!code highlight]

    if (uploadedFiles.length > 0) {
      // Build context about available files
      const fileDescriptions = uploadedFiles.map(file =>
        `- ${file.name} (${file.type}): ${file.summary}`
      );

      const fileContext = `Files you have access to in this conversation:
${fileDescriptions.join("\n")}

Reference these files when answering questions.`;

      // Inject file context before recent messages
      const messages = [  # [!code highlight]
        ...request.messages,  # Rest of conversation
        { role: "user", content: fileContext }
      ];
      request = request.override({ messages });  # [!code highlight]
    }

    return handler(request);
  },
});

const agent = createAgent({
  model: "gpt-4.1",
  tools: [...],
  middleware: [injectFileContext],
});

存储

从存储中注入用户的电子邮件写作风格以指导起草：

import * as z from "zod";
import { createMiddleware } from "langchain";

const contextSchema = z.object({
  userId: z.string(),
});

const injectWritingStyle = createMiddleware({
  name: "InjectWritingStyle",
  contextSchema,
  wrapModelCall: async (request, handler) => {
    const userId = request.runtime.context.userId;  # [!code highlight]

    # Read from Store: get user's writing style examples
    const store = request.runtime.store;  # [!code highlight]
    const writingStyle = await store.get(["writing_style"], userId);  # [!code highlight]

    if (writingStyle) {
      const style = writingStyle.value;
      # Build style guide from stored examples
      const styleContext = `Your writing style:
- Tone: ${style.tone || 'professional'}
- Typical greeting: "${style.greeting || 'Hi'}"
- Typical sign-off: "${style.signOff || 'Best'}"
- Example email you've written:
${style.exampleEmail || ''}`;

      # Append at end - models pay more attention to final messages
      const messages = [
        ...request.messages,
        { role: "user", content: styleContext }
      ];
      request = request.override({ messages });  # [!code highlight]
    }

    return handler(request);
  },
});

运行时上下文

根据用户的司法管辖区从运行时上下文中注入合规规则：

import * as z from "zod";
import { createMiddleware } from "langchain";

const contextSchema = z.object({
  userJurisdiction: z.string(),
  industry: z.string(),
  complianceFrameworks: z.array(z.string()),
});

type Context = z.infer<typeof contextSchema>;

const injectComplianceRules = createMiddleware<Context>({
  name: "InjectComplianceRules",
  contextSchema,
  wrapModelCall: (request, handler) => {
    # Read from Runtime Context: get compliance requirements
    const { userJurisdiction, industry, complianceFrameworks } = request.runtime.context;  # [!code highlight]

    # Build compliance constraints
    const rules = [];
    if (complianceFrameworks.includes("GDPR")) {
      rules.push("- Must obtain explicit consent before processing personal data");
      rules.push("- Users have right to data deletion");
    }
    if (complianceFrameworks.includes("HIPAA")) {
      rules.push("- Cannot share patient health information without authorization");
      rules.push("- Must use secure, encrypted communication");
    }
    if (industry === "finance") {
      rules.push("- Cannot provide financial advice without proper disclaimers");
    }

    if (rules.length > 0) {
      const complianceContext = `Compliance requirements for ${userJurisdiction}:
${rules.join("\n")}`;

      # Append at end - models pay more attention to final messages
      const messages = [
        ...request.messages,
        { role: "user", content: complianceContext }
      ];
      request = request.override({ messages });  # [!code highlight]
    }

    return handler(request);
  },
});

临时与持久消息更新：

上面的示例使用 wrap_model_call 进行临时更新——修改发送给模型的单条调用中的消息，而不更改保存在状态中的内容。

对于修改状态的持久更新，你可以：

• 直接从 wrapModelCall 返回 [Command]，以从模型调用层注入状态更新。
• 使用生命周期钩子如 beforeModel、afterModel 或 wrapToolCall（用于工具返回）来更新对话历史。有关更多详细信息，请参阅 中间件文档。

有关更多信息，请参阅 状态更新。

工具

工具让模型能够与数据库、API 和外部系统交互。你如何定义和选择工具直接影响模型能否有效完成任务。

定义工具

每个工具都需要清晰的名字、描述、参数名称和参数描述。这些不仅仅是元数据——它们指导模型关于何时以及如何使用该工具的推理。

import { tool } from "@langchain/core/tools";
import { z } from "zod";

const searchOrders = tool(
  async ({ userId, status, limit }) => {
    // Implementation here
  },
  {
    name: "search_orders",
    description: `Search for user orders by status.

    Use this when the user asks about order history or wants to check
    order status. Always filter by the provided status.`,
    schema: z.object({
      userId: z.string().describe("Unique identifier for the user"),
      status: z.enum(["pending", "shipped", "delivered"]).describe("Order status to filter by"),
      limit: z.number().default(10).describe("Maximum number of results to return"),
    }),
  }
);

选择工具

并非所有工具都适用于每种情况。过多的工具可能会使模型不堪重负（上下文过载）并增加错误；过少的工具则限制能力。动态工具选择会根据认证状态、用户权限、功能标志或对话阶段调整可用工具集。

状态

仅在达到特定对话里程碑后启用高级工具：

import { createMiddleware } from "langchain";

const stateBasedTools = createMiddleware({
  name: "StateBasedTools",
  wrapModelCall: (request, handler) => {
    # Read from State: check authentication and conversation length
    const state = request.state;  # [!code highlight]
    const isAuthenticated = state.authenticated || false;  # [!code highlight]
    const messageCount = state.messages.length;

    let filteredTools = request.tools;

    # Only enable sensitive tools after authentication
    if (!isAuthenticated) {
      filteredTools = request.tools.filter(t => t.name.startsWith("public_"));  # [!code highlight]
    } else if (messageCount < 5) {
      filteredTools = request.tools.filter(t => t.name !== "advanced_search");  # [!code highlight]
    }

    return handler({ ...request, tools: filteredTools });  # [!code highlight]
  },
});

存储

根据存储中的用户偏好或功能标志过滤工具：

import * as z from "zod";
import { createMiddleware } from "langchain";

const contextSchema = z.object({
  userId: z.string(),
});

const storeBasedTools = createMiddleware({
  name: "StoreBasedTools",
  contextSchema,
  wrapModelCall: async (request, handler) => {
    const userId = request.runtime.context.userId;  # [!code highlight]

    # Read from Store: get user's enabled features
    const store = request.runtime.store;  # [!code highlight]
    const featureFlags = await store.get(["features"], userId);  # [!code highlight]

    let filteredTools = request.tools;

    if (featureFlags) {
      const enabledFeatures = featureFlags.value?.enabledTools || [];
      filteredTools = request.tools.filter(t => enabledFeatures.includes(t.name));  # [!code highlight]
    }

    return handler({ ...request, tools: filteredTools });  # [!code highlight]
  },
});

运行时上下文

根据运行时上下文中的用户权限过滤工具：

import * as z from "zod";
import { createMiddleware } from "langchain";

const contextSchema = z.object({
  userRole: z.string(),
});

const contextBasedTools = createMiddleware({
  name: "ContextBasedTools",
  contextSchema,
  wrapModelCall: (request, handler) => {
    # Read from Runtime Context: get user role
    const userRole = request.runtime.context.userRole;  # [!code highlight]

    let filteredTools = request.tools;

    if (userRole === "admin") {
      # Admins get all tools
    } else if (userRole === "editor") {
      filteredTools = request.tools.filter(t => t.name !== "delete_data");  # [!code highlight]
    } else {
      filteredTools = request.tools.filter(t => t.name.startsWith("read_"));  # [!code highlight]
    }

    return handler({ ...request, tools: filteredTools });  # [!code highlight]
  },
});

有关过滤预注册工具和运行时注册工具（例如来自 MCP 服务器）的更多信息，请参阅 动态工具。

模型

不同的模型具有不同的优势、成本和上下文窗口。为手头的任务选择合适的模型，这可能在智能体运行期间发生变化。

状态

根据状态中的对话长度使用不同的模型：

import { createMiddleware, initChatModel } from "langchain";

# Initialize models once outside the middleware
const largeModel = initChatModel("claude-sonnet-4-6");
const standardModel = initChatModel("gpt-4.1");
const efficientModel = initChatModel("gpt-4.1-mini");

const stateBasedModel = createMiddleware({
  name: "StateBasedModel",
  wrapModelCall: (request, handler) => {
    # request.messages is a shortcut for request.state.messages
    const messageCount = request.messages.length;  # [!code highlight]
    let model;

    if (messageCount > 20) {
      model = largeModel;
    } else if (messageCount > 10) {
      model = standardModel;
    } else {
      model = efficientModel;
    }

    return handler({ ...request, model });  # [!code highlight]
  },
});

存储

使用存储中的用户首选模型：

import * as z from "zod";
import { createMiddleware, initChatModel } from "langchain";

const contextSchema = z.object({
  userId: z.string(),
});

# Initialize available models once
const MODEL_MAP = {
  "gpt-4.1": initChatModel("gpt-4.1"),
  "gpt-4.1-mini": initChatModel("gpt-4.1-mini"),
  "claude-sonnet": initChatModel("claude-sonnet-4-6"),
};

const storeBasedModel = createMiddleware({
  name: "StoreBasedModel",
  contextSchema,
  wrapModelCall: async (request, handler) => {
    const userId = request.runtime.context.userId;  # [!code highlight]

    # Read from Store: get user's preferred model
    const store = request.runtime.store;  # [!code highlight]
    const userPrefs = await store.get(["preferences"], userId);  # [!code highlight]

    let model = request.model;

    if (userPrefs) {
      const preferredModel = userPrefs.value?.preferredModel;
      if (preferredModel && MODEL_MAP[preferredModel]) {
        model = MODEL_MAP[preferredModel];  # [!code highlight]
      }
    }

    return handler({ ...request, model });  # [!code highlight]
  },
});

运行时上下文

根据运行时上下文中的成本限制或环境选择模型：

import * as z from "zod";
import { createMiddleware, initChatModel } from "langchain";

const contextSchema = z.object({
  costTier: z.string(),
  environment: z.string(),
});

# Initialize models once outside the middleware
const premiumModel = initChatModel("claude-sonnet-4-6");
const standardModel = initChatModel("gpt-4.1");
const budgetModel = initChatModel("gpt-4.1-mini");

const contextBasedModel = createMiddleware({
  name: "ContextBasedModel",
  contextSchema,
  wrapModelCall: (request, handler) => {
    # Read from Runtime Context: cost tier and environment
    const costTier = request.runtime.context.costTier;  # [!code highlight]
    const environment = request.runtime.context.environment;  # [!code highlight]

    let model;

    if (environment === "production" && costTier === "premium") {
      model = premiumModel;
    } else if (costTier === "budget") {
      model = budgetModel;
    } else {
      model = standardModel;
    }

    return handler({ ...request, model });  # [!code highlight]
  },
});

有关更多示例，请参阅 动态模型。

响应格式

结构化输出将非结构化文本转换为经过验证的结构化数据。当提取特定字段或为下游系统返回数据时，自由文本是不够的。

工作原理： 当你提供模式作为响应格式时，模型的最终响应保证符合该模式。智能体运行模型/工具调用循环，直到模型完成工具调用，然后将最终响应强制转换为提供的格式。

定义格式

模式定义指导模型。字段名、类型和描述指定输出应遵循的确切格式。

import { z } from "zod";

const customerSupportTicket = z.object({
  category: z.enum(["billing", "technical", "account", "product"]).describe(
    "Issue category"
  ),
  priority: z.enum(["low", "medium", "high", "critical"]).describe(
    "Urgency level"
  ),
  summary: z.string().describe(
    "One-sentence summary of the customer's issue"
  ),
  customerSentiment: z.enum(["frustrated", "neutral", "satisfied"]).describe(
    "Customer's emotional tone"
  ),
}).describe("Structured ticket information extracted from customer message");

选择格式

动态响应格式选择根据用户偏好、对话阶段或角色调整模式——早期返回简单格式，随着复杂性增加返回详细格式。

状态

根据对话状态配置结构化输出：

import { createMiddleware } from "langchain";
import { z } from "zod";

const simpleResponse = z.object({
  answer: z.string().describe("A brief answer"),
});

const detailedResponse = z.object({
  answer: z.string().describe("A detailed answer"),
  reasoning: z.string().describe("Explanation of reasoning"),
  confidence: z.number().describe("Confidence score 0-1"),
});

const stateBasedOutput = createMiddleware({
  name: "StateBasedOutput",
  wrapModelCall: (request, handler) => {
    # request.state is a shortcut for request.state.messages
    const messageCount = request.messages.length;  # [!code highlight]

    let responseFormat;
    if (messageCount < 3) {
      # Early conversation - use simple format
      responseFormat = simpleResponse; # [!code highlight]
    } else {
      # Established conversation - use detailed format
      responseFormat = detailedResponse; # [!code highlight]
    }

    return handler({ ...request, responseFormat });
  },
});

存储

根据存储中的用户偏好配置输出格式：

import * as z from "zod";
import { createMiddleware } from "langchain";

const contextSchema = z.object({
  userId: z.string(),
});

const verboseResponse = z.object({
  answer: z.string().describe("Detailed answer"),
  sources: z.array(z.string()).describe("Sources used"),
});

const conciseResponse = z.object({
  answer: z.string().describe("Brief answer"),
});

const storeBasedOutput = createMiddleware({
  name: "StoreBasedOutput",
  wrapModelCall: async (request, handler) => {
    const userId = request.runtime.context.userId;  # [!code highlight]

    # Read from Store: get user's preferred response style
    const store = request.runtime.store;  # [!code highlight]
    const userPrefs = await store.get(["preferences"], userId);  # [!code highlight]

    if (userPrefs) {
      const style = userPrefs.value?.responseStyle || "concise";
      if (style === "verbose") {
        request.responseFormat = verboseResponse;  # [!code highlight]
      } else {
        request.responseFormat = conciseResponse;  # [!code highlight]
      }
    }

    return handler(request);
  },
});

运行时上下文

根据运行时上下文（如用户角色或环境）配置输出格式：

import * as z from "zod";
import { createMiddleware } from "langchain";

const contextSchema = z.object({
  userRole: z.string(),
  environment: z.string(),
});

const adminResponse = z.object({
  answer: z.string().describe("Answer"),
  debugInfo: z.record(z.any()).describe("Debug information"),
  systemStatus: z.string().describe("System status"),
});

const userResponse = z.object({
  answer: z.string().describe("Answer"),
});

const contextBasedOutput = createMiddleware({
  name: "ContextBasedOutput",
  wrapModelCall: (request, handler) => {
    # Read from Runtime Context: user role and environment
    const userRole = request.runtime.context.userRole;  # [!code highlight]
    const environment = request.runtime.context.environment;  # [!code highlight]

    let responseFormat;
    if (userRole === "admin" && environment === "production") {
      responseFormat = adminResponse;  # [!code highlight]
    } else {
      responseFormat = userResponse;  # [!code highlight]
    }

    return handler({ ...request, responseFormat });
  },
});

工具上下文

工具的特殊之处在于它们既读取又写入上下文。

在最基本的情况下，当工具执行时，它接收 LLM 的请求参数并返回工具消息。工具执行其工作并产生结果。

工具还可以为模型获取重要信息，使其能够执行和完成任务。

读取

大多数现实世界的工具不仅需要 LLM 的参数。它们需要用户 ID 进行数据库查询、外部服务的 API 密钥或当前会话状态以做出决策。工具从状态、存储和运行时上下文中读取以访问这些信息。

状态

从状态中读取以检查当前会话信息：

import * as z from "zod";
import { createAgent, tool, type ToolRuntime } from "langchain";

const checkAuthentication = tool(
  async (_, runtime: ToolRuntime) => {
    # Read from State: check current auth status
    const currentState = runtime.state;
    const isAuthenticated = currentState.authenticated || false;

    if (isAuthenticated) {
      return "User is authenticated";
    } else {
      return "User is not authenticated";
    }
  },
  {
    name: "check_authentication",
    description: "Check if user is authenticated",
    schema: z.object({}),
  }
);

存储

从存储中读取以访问持久化用户偏好：

import * as z from "zod";
import { createAgent, tool, type ToolRuntime } from "langchain";

const contextSchema = z.object({
  userId: z.string(),
});

const getPreference = tool(
  async ({ preferenceKey }, runtime: ToolRuntime) => {
    const userId = runtime.context.userId;

    # Read from Store: get existing preferences
    const store = runtime.store;
    const existingPrefs = await store.get(["preferences"], userId);

    if (existingPrefs) {
      const value = existingPrefs.value?.[preferenceKey];
      return value ? `${preferenceKey}: ${value}` : `No preference set for ${preferenceKey}`;
    } else {
      return "No preferences found";
    }
  },
  {
    name: "get_preference",
    description: "Get user preference from Store",
    schema: z.object({
      preferenceKey: z.string(),
    }),
  }
);

运行时上下文

从运行时上下文中读取配置，如 API 密钥和用户 ID：

import * as z from "zod";
import { tool } from "@langchain/core/tools";
import { createAgent } from "langchain";

const contextSchema = z.object({
  userId: z.string(),
  apiKey: z.string(),
  dbConnection: z.string(),
});

const fetchUserData = tool(
  async ({ query }, runtime: ToolRuntime<any, typeof contextSchema>) => {
    # Read from Runtime Context: get API key and DB connection
    const { userId, apiKey, dbConnection } = runtime.context;

    # Use configuration to fetch data
    const results = await performDatabaseQuery(dbConnection, query, apiKey);

    return `Found ${results.length} results for user ${userId}`;
  },
  {
    name: "fetch_user_data",
    description: "Fetch data using Runtime Context configuration",
    schema: z.object({
      query: z.string(),
    }),
  }
);

const agent = createAgent({
  model: "gpt-4.1",
  tools: [fetchUserData],
  contextSchema,
});

写入

工具结果可用于帮助智能体完成给定任务。工具既可以直接向模型返回结果，也可以更新智能体的内存，以便将来步骤可以使用重要上下文。

状态

使用 Command 写入状态以跟踪会话特定信息：

import * as z from "zod";
import { tool } from "@langchain/core/tools";
import { createAgent } from "langchain";
import { Command } from "@langchain/langgraph";

const authenticateUser = tool(
  async ({ password }) => {
    # Perform authentication
    if (password === "correct") {
      # Write to State: mark as authenticated using Command
      return new Command({
        update: { authenticated: true },
      });
    } else {
      return new Command({ update: { authenticated: false } });
    }
  },
  {
    name: "authenticate_user",
    description: "Authenticate user and update State",
    schema: z.object({
      password: z.string(),
    }),
  }
);

存储

写入存储以跨会话持久化数据：

import * as z from "zod";
import { createAgent, tool, type ToolRuntime } from "langchain";

const savePreference = tool(
  async ({ preferenceKey, preferenceValue }, runtime: ToolRuntime<any, typeof contextSchema>) => {
    const userId = runtime.context.userId;

    # Read existing preferences
    const store = runtime.store;
    const existingPrefs = await store.get(["preferences"], userId);

    # Merge with new preference
    const prefs = existingPrefs?.value || {};
    prefs[preferenceKey] = preferenceValue;

    # Write to Store: save updated preferences
    await store.put(["preferences"], userId, prefs);

    return `Saved preference: ${preferenceKey} = ${preferenceValue}`;
  },
  {
    name: "save_preference",
    description: "Save user preference to Store",
    schema: z.object({
      preferenceKey: z.string(),
      preferenceValue: z.string(),
    }),
  }
);

有关在工具中访问状态、存储和运行时上下文的全面示例，请参阅 工具。

生命周期上下文

控制核心智能体步骤之间发生的情况——拦截数据流以实现跨领域关注点，如摘要、护栏和日志记录。

正如你在 模型上下文 和 工具上下文 中所见，中间件 是使上下文工程实用的机制。中间件允许你挂钩到智能体生命周期的任何步骤并：

1. 更新上下文 - 修改状态和存储以持久化更改，更新对话历史，或保存见解
2. 跳转生命周期 - 根据上下文移动到智能体循环中的不同步骤（例如，如果满足条件则跳过工具执行，用修改后的上下文重复模型调用）

示例：摘要

最常见的生命周期模式之一是当对话历史过长时自动压缩它。与 模型上下文 中显示的临时消息修剪不同，摘要持久更新状态——永久替换旧消息为摘要，该摘要保存供所有未来轮次使用。

LangChain 为此提供了内置中间件：

import { createAgent, summarizationMiddleware } from "langchain";

const agent = createAgent({
  model: "gpt-4.1",
  tools: [...],
  middleware: [
    summarizationMiddleware({
      model: "gpt-4.1-mini",
      trigger: { tokens: 4000 },
      keep: { messages: 20 },
    }),
  ],
});

当对话超过令牌限制时，SummarizationMiddleware 会自动：

1. 使用单独的 LLM 调用总结旧消息
2. 在状态中用摘要消息替换它们（永久）
3. 保留最近的完整消息以供上下文使用

摘要的对话历史被永久更新——未来的轮次将看到摘要而不是原始消息。

有关内置中间件的完整列表、可用钩子以及如何创建自定义中间件，请参阅 中间件文档。

最佳实践

1. 从简单开始 - 从静态提示词和工具开始，仅在需要时添加动态功能
2. 增量测试 - 一次添加一个上下文工程功能
3. 监控性能 - 跟踪模型调用、令牌使用和延迟
4. 使用内置中间件 - 利用 SummarizationMiddleware、LLMToolSelectorMiddleware 等
5. 记录你的上下文策略 - 明确说明传递了什么上下文以及为什么
6. 理解临时与持久：模型上下文更改是临时的（每次调用），而生命周期上下文更改持久保存到状态

相关资源

• 上下文概念概述 - 了解上下文类型及其使用时机
• 中间件 - 完整的中间件指南
• 工具 - 工具创建和上下文访问
• 记忆 - 短期和长期记忆模式
• 智能体 - 核心智能体概念

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.