Skip to main content

Documentation Index

Fetch the complete documentation index at: https://langchain.idochub.dev/llms.txt

Use this file to discover all available pages before exploring further.

Alpha 版本提示： 本文档涵盖的是 v1-alpha 版本。内容尚不完整，且可能随时变更。如需查阅最新稳定版本，请参阅 v0 版本的 LangChain Python 文档 或 LangChain JavaScript 文档。

​
概述

LangChain 的 create_agent 在底层运行于 LangGraph 的运行时之上。 LangGraph 提供了一个 Runtime 对象，包含以下信息：
  1. 上下文（Context）：静态信息，如用户 ID、数据库连接或其他用于代理调用的依赖项。
  2. 存储（Store）：用于长期记忆的 BaseStore 实例。
  3. 流写入器（Stream writer）：一个对象，用于通过 "custom" 流模式流式传输信息。
您可以在 工具、提示词 以及 模型前/后钩子 中访问运行时信息。

​
访问方式

使用 create_agent 创建代理时，您可以指定 context_schema 来定义存储在代理运行时中的 context 结构。 调用代理时，请传递 context 参数，其中包含本次运行的相关配置： 
from dataclasses import dataclass

from langchain_core.messages import AnyMessage
from langchain.agents import create_agent
from langgraph.runtime import get_runtime

@dataclass
class Context:
    user_name: str

agent = create_agent(
    model="openai:gpt-5-nano",
    tools=[...],
    context_schema=Context  
)

agent.invoke(
    {"messages": [{"role": "user", "content": "我叫什么名字？"}]},
    context=Context(user_name="John Smith")  
)

​
在工具内部

您可以在工具内部访问运行时信息，以实现：
  • 访问上下文
  • 读取或写入长期记忆
  • 写入 自定义流（例如，工具进度/更新）
在工具内部使用 langgraph.runtime 中的 get_runtime 函数访问 Runtime 对象。 
from typing import Any

from langchain_core.tools import tool

@tool
def fetch_user_email_preferences() -> str:
    runtime = get_runtime(Context)
    user_id = runtime.context.user_id

    preferences: str = "用户希望你写一封简洁礼貌的邮件。"
    if runtime.store:
        if memory := runtime.store.get(("users",), user_id):
            preferences = memory.value["preferences"]

    return preferences

​
在提示词内部

在提示词函数内部使用 langgraph.runtime 中的 get_runtime 函数访问 Runtime 对象。 
from dataclasses import dataclass

from langchain_core.messages import AnyMessage
from langchain.agents import create_agent
from langgraph.runtime import get_runtime

@dataclass
class Context:
    user_name: str

def my_prompt(state: State) -> list[AnyMessage]:
    runtime = get_runtime(Context)
    system_msg = (
        "你是一个乐于助人的助手。"
        f"请称呼用户为 {runtime.context.user_name}。"
    )
    return [{"role": "system", "content": system_msg}] + state["messages"]

agent = create_agent(
    model="openai:gpt-5-nano",
    tools=[...],
    prompt=my_prompt,
    context_schema=Context
)

agent.invoke(
    {"messages": [{"role": "user", "content": "我叫什么名字？"}]},
    context=Context(user_name="John Smith")
)

​
在模型前/后钩子内部

要在模型前/后钩子中访问底层图的运行时信息，您可以：
  1. 使用 langgraph.runtime 中的 get_runtime 函数在钩子内部访问 Runtime 对象。
  2. 通过钩子签名直接注入 Runtime 对象。
以上两种方式仅为偏好选择，功能上并无差异。 
from langgraph.runtime import get_runtime

def pre_model_hook(state: State) -> State:
    runtime = get_runtime(Context)
    ...