上下文管理

“上下文”一词含义广泛。通常你会关心两类上下文：

代码本地可用的上下文：即在工具函数运行时、on_handoff 等回调中、生命周期钩子里可能需要的数据与依赖。
LLM 可用的上下文：即 LLM 在生成响应时能够看到的数据。

本地上下文

这通过 RunContextWrapper 类及其内部的 context 属性来表示。工作方式如下：

创建任意你想要的 Python 对象。常见做法是使用 dataclass 或 Pydantic 对象。
将该对象传给各种运行方法（例如：Runner.run(..., **context=whatever**))）。
所有工具调用、生命周期钩子等都会接收一个包装对象 RunContextWrapper[T]，其中 T 表示你的上下文对象类型，你可以通过 wrapper.context 访问它。

最重要的是：给定一次智能体运行，其所有智能体、工具函数、生命周期等都必须使用相同_类型_的上下文。

你可以将上下文用于：

运行的情境数据（例如用户名/uid 或关于用户的其他信息）
依赖（例如日志记录器对象、数据获取器等）
辅助函数

Note

上下文对象不会发送给 LLM。它纯粹是一个本地对象，你可以读取、写入并在其上调用方法。

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())

这是上下文对象。这里我们使用了 dataclass，但你可以使用任意类型。
这是一个工具。它接收 RunContextWrapper[UserInfo]。工具实现会从上下文中读取数据。
我们用泛型 UserInfo 标注智能体，以便类型检查器能捕获错误（例如，如果我们尝试传入一个接收不同上下文类型的工具）。
通过 run 函数传入上下文。
智能体正确调用工具并获得年龄。

进阶：`ToolContext`

在某些情况下，你可能希望访问正在执行的工具的额外元数据——例如工具名、调用 ID 或原始参数字符串。
为此，你可以使用扩展自 RunContextWrapper 的 ToolContext 类。

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 提供与 RunContextWrapper 相同的 .context 属性，
并额外包含当前工具调用的专用字段：

tool_name – 正在调用的工具名称
tool_call_id – 此次工具调用的唯一标识符
tool_arguments – 传给工具的原始参数字符串

当你在执行期间需要工具级别的元数据时，使用 ToolContext。
对于智能体与工具之间的一般上下文共享，RunContextWrapper 已经足够。

智能体/LLM 上下文

当调用 LLM 时，它能看到的唯一数据来自对话历史。因此，如果你希望让 LLM 获取某些新数据，必须以能使其进入该历史的方式提供。有几种方法：

将其添加到智能体的 instructions。这也被称为“system prompt（系统提示词）”或“开发者消息”。System prompts 可以是静态字符串，也可以是接收上下文并输出字符串的动态函数。这对于总是有用的信息很常见（例如用户名或当前日期）。
在调用 Runner.run 函数时将其添加到 input。这与 instructions 的做法类似，但允许你使用处于指挥链较低位置的消息。
通过工具调用暴露它。这对_按需_上下文很有用——LLM 会决定何时需要某些数据，并可调用工具来获取该数据。
使用文件检索或网络检索。它们是能够从文件或数据库（文件检索）或从网络（网络检索）提取相关数据的特殊工具。这有助于让回答基于相关的上下文数据。

上下文管理

本地上下文

进阶：ToolContext

智能体/LLM 上下文

进阶：`ToolContext`