上下文管理

“上下文”一词含义广泛。通常你会关心两大类上下文：

代码本地可用的上下文：这是工具函数运行、on_handoff 等回调、生命周期钩子等场景下可能需要的数据和依赖。
LLM 可用的上下文：这是 LLM 在生成响应时能够看到的数据。

本地上下文

这通过 RunContextWrapper 类以及其内部的 context 属性来表示。其工作方式是：

你创建任意 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**)）。
你的所有工具调用、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。

最重要的一点：对于一次给定的智能体运行，该运行中的每个智能体、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以下场景：

运行的情境化数据（例如用户名/uid 或有关用户的其他信息）
依赖（例如 logger 对象、数据提取器等）
帮助函数

注意

上下文对象不会发送给 LLM。它是一个纯本地对象，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，但你可以使用任何类型。
这是一个工具。你可以看到它接收 RunContextWrapper[UserInfo]。该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，以便类型检查器能够捕获错误（例如，如果我们尝试传入一个接收不同上下文类型的工具）。
上下文被传递给 run 函数。
智能体正确调用工具并获取年龄。

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——例如其名称、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特有的字段：

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 – 传递给工具的原始参数字符串

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

智能体/LLM 上下文

当调用 LLM 时，它能够看到的唯一数据来自对话历史。这意味着，如果你想让某些新数据对 LLM 可见，必须以能将其纳入历史的方式提供。常见方法有：

将其添加到智能体的 instructions 中。这也被称为“系统提示词（system prompt）”或“开发者消息”。系统提示词可以是静态字符串，或是接收上下文并输出字符串的动态函数。对于始终有用的信息（例如用户名或当前日期），这是一种常见策略。
在调用 Runner.run 函数时，将其添加到 input 中。这与 instructions 的策略类似，但允许你添加在指挥链中位置更低的消息。
通过工具调用（function tools）暴露。这对于_按需_上下文很有用——LLM 会在需要某些数据时自行决定，并调用工具以获取该数据。
使用检索或网络检索。这些是能够从文件或数据库（检索）或从网络（网络检索）获取相关数据的特殊工具。这有助于将响应“落地”到相关的情境数据上。

上下文管理

本地上下文

进阶：ToolContext

智能体/LLM 上下文

进阶：`ToolContext`