コンテキスト管理

コンテキストは多義的な用語です。考慮すべき主なコンテキストは 2 つあります。

コードでローカルに利用できるコンテキスト: これはツール関数の実行時、on_handoff のようなコールバック、ライフサイクルフックなどで必要となるデータや依存関係です。
LLM が利用できるコンテキスト: これは LLM が応答を生成するときに参照するデータです。

ローカルコンテキスト

これは RunContextWrapper クラスと、その中の context プロパティで表現されます。仕組みは次のとおりです。

任意の Python オブジェクトを作成します。一般的には dataclass や Pydantic オブジェクトを使います。
そのオブジェクトを各種の実行メソッドに渡します（例: Runner.run(..., **context=whatever**)）。
すべてのツール呼び出しやライフサイクルフックなどに、ラッパーオブジェクト RunContextWrapper[T] が渡されます。ここで T はあなたのコンテキストオブジェクトの型で、wrapper.context からアクセスできます。

最も重要 な注意点: 特定のエージェントの実行において、すべてのエージェント、ツール関数、ライフサイクルなどは同じ型のコンテキストを使用しなければなりません。

コンテキストは次のような用途に使えます。

実行時のコンテキストデータ（例: ユーザー名 / uid やその他のユーザー情報）
依存関係（例: ロガーオブジェクト、データフェッチャーなど）
ヘルパー関数

注意

コンテキストオブジェクトは LLM に 送信されません。これは純粋にローカルのオブジェクトで、読み書きやメソッド呼び出しができます。

import asyncio
from dataclasses import dataclass

from agents import Agent, RunContextWrapper, Runner, function_tool

@dataclass
class UserInfo:  # (1)!
    name: str
    uid: int

@function_tool
async def fetch_user_age(wrapper: RunContextWrapper[UserInfo]) -> str:  # (2)!
    """Fetch the age of the user. Call this function to get user's age information."""
    return f"The user {wrapper.context.name} is 47 years old"

async def main():
    user_info = UserInfo(name="John", uid=123)

    agent = Agent[UserInfo](  # (3)!
        name="Assistant",
        tools=[fetch_user_age],
    )

    result = await Runner.run(  # (4)!
        starting_agent=agent,
        input="What is the age of the user?",
        context=user_info,
    )

    print(result.final_output)  # (5)!
    # The user John is 47 years old.

if __name__ == "__main__":
    asyncio.run(main())

これはコンテキストオブジェクトです。ここでは dataclass を使っていますが、任意の型を使用できます。
これはツールです。RunContextWrapper[UserInfo] を受け取っていることがわかります。ツールの実装はコンテキストから読み取ります。
エージェントにはジェネリクス UserInfo を付けます。これにより、型チェッカーがエラーを検出できます（たとえば、異なるコンテキスト型を受け取るツールを渡そうとした場合など）。
run 関数にコンテキストを渡します。
エージェントはツールを正しく呼び出し、年齢を取得します。

応用: `ToolContext`

場合によっては、実行中のツールに関する追加メタデータ（名前、呼び出し ID、raw の引数文字列など）にアクセスしたいことがあります。
そのためには、RunContextWrapper を拡張した ToolContext クラスを使用できます。

from typing import Annotated
from pydantic import BaseModel, Field
from agents import Agent, Runner, function_tool
from agents.tool_context import ToolContext

class WeatherContext(BaseModel):
    user_id: str

class Weather(BaseModel):
    city: str = Field(description="The city name")
    temperature_range: str = Field(description="The temperature range in Celsius")
    conditions: str = Field(description="The weather conditions")

@function_tool
def get_weather(ctx: ToolContext[WeatherContext], city: Annotated[str, "The city to get the weather for"]) -> Weather:
    print(f"[debug] Tool context: (name: {ctx.tool_name}, call_id: {ctx.tool_call_id}, args: {ctx.tool_arguments})")
    return Weather(city=city, temperature_range="14-20C", conditions="Sunny with wind.")

agent = Agent(
    name="Weather Agent",
    instructions="You are a helpful agent that can tell the weather of a given city.",
    tools=[get_weather],
)

ToolContext は RunContextWrapper と同じ .context プロパティに加えて、
現在のツール呼び出しに固有のフィールドを提供します。

tool_name – 呼び出されているツールの名前
tool_call_id – このツール呼び出しの一意な識別子
tool_arguments – ツールに渡された raw の引数文字列

実行時にツールレベルのメタデータが必要な場合は ToolContext を使用してください。
エージェントとツール間で一般的にコンテキストを共有するだけであれば、RunContextWrapper で十分です。

エージェント / LLM のコンテキスト

LLM が呼び出されるとき、LLM が参照できるのは会話履歴のデータのみです。つまり、LLM に新しいデータを利用させたい場合は、その履歴に含める形で提供する必要があります。いくつかの方法があります。

エージェントの instructions に追加します。これは「システムプロンプト」または「開発者メッセージ」とも呼ばれます。システムプロンプトは静的な文字列でも、コンテキストを受け取って文字列を出力する動的な関数でもかまいません。常に有用な情報（例: ユーザー名や現在の日付）に適した手法です。
Runner.run 関数を呼び出すときに input に追加します。これは instructions の手法に似ていますが、指揮系統の下位にメッセージを配置できます。
関数ツール経由で公開します。これは オンデマンド のコンテキストに有用です。LLM は必要なときにデータを要求し、ツールを呼び出してそのデータを取得できます。
リトリーバルまたは Web 検索を使用します。これらは、ファイルやデータベース（リトリーバル）や、Web（Web 検索）から関連データを取得できる特別なツールです。これは関連するコンテキストデータに基づいて応答を「グラウンディング」するのに有用です。

コンテキスト管理

ローカルコンテキスト

応用: ToolContext

エージェント / LLM のコンテキスト

応用: `ToolContext`