上下文管理

Context 是一个含义宽泛的术语。你可能会关心两大类上下文：

你的代码在本地可用的上下文：这是在工具函数运行时、on_handoff 这类回调期间、生命周期钩子中等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。其工作方式如下：

你创建任意想要的 Python 对象。常见模式是使用 dataclass 或 Pydantic 对象。
你将该对象传给各类运行方法（例如 Runner.run(..., context=whatever)）。
你的所有工具调用、生命周期钩子等都会收到一个包装器对象 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。

最重要的一点是：在一次给定的智能体运行中，每个智能体、工具函数、生命周期等都必须使用相同的上下文_类型_。

你可以将上下文用于以下场景：

运行的上下文数据（例如用户名/uid 或其他用户信息）
依赖项（例如 logger 对象、数据获取器等）
辅助函数

注意

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、写入并调用其方法。

在单次运行中，派生包装器共享同一底层应用上下文、审批状态和用量跟踪。嵌套的 Agent.as_tool() 运行可能会附加不同的 tool_input，但默认不会获得应用状态的隔离副本。

`RunContextWrapper` 暴露的内容

RunContextWrapper 是对你应用自定义上下文对象的包装。实际中你最常用的是：

wrapper.context：用于你自己的可变应用状态和依赖。
wrapper.usage：用于当前运行中的聚合请求与 token 用量。
wrapper.tool_input：用于当前运行在 Agent.as_tool() 内部执行时的结构化输入。
当你需要以编程方式更新审批状态时，使用 wrapper.approve_tool(...) / wrapper.reject_tool(...)。

只有 wrapper.context 是你应用自定义的对象。其他字段都是由 SDK 管理的运行时元数据。

如果你后续为 human-in-the-loop 或持久化作业工作流序列化 RunState，这些运行时元数据会随状态一起保存。如果你打算持久化或传输序列化状态，请避免在 RunContextWrapper.context 中放入机密信息。

会话状态是另一个独立问题。根据你希望如何延续多轮对话，使用 result.to_input_list()、session、conversation_id 或 previous_response_id。相关决策请参见 results、running agents 和 sessions。

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。你可以看到它接收 RunContextWrapper[UserInfo]。工具实现会从上下文中读取。
我们为智能体标注了泛型 UserInfo，这样类型检查器就能捕获错误（例如，如果我们尝试传入一个使用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。

高级：`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 ToolContext 类，它扩展了 RunContextWrapper。

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，
以及当前工具调用特有的附加字段：

tool_name – 被调用工具的名称
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，请使用 ToolContext。
对于智能体与工具之间的通用上下文共享，RunContextWrapper 仍然足够。由于 ToolContext 扩展自 RunContextWrapper，当嵌套的 Agent.as_tool() 运行提供了结构化输入时，它也可以暴露 .tool_input。

智能体/LLM 上下文

调用 LLM 时，它唯一能看到的数据来自对话历史。这意味着，如果你想让某些新数据可供 LLM 使用，必须以某种方式将其放入该历史中。可采用以下几种方式：

你可以把它加入智能体的 instructions。这也称为“系统提示词”或“开发者消息”。系统提示词可以是静态字符串，也可以是接收上下文并输出字符串的动态函数。这是处理始终有用信息的常见策略（例如用户名或当前日期）。
在调用 Runner.run 函数时将其加入 input。这与 instructions 策略类似，但允许你的消息处于命令链中更低的位置。
通过工具调用暴露它。这对_按需_上下文很有用——LLM 决定何时需要某些数据，并可调用工具来获取这些数据。
使用检索或网络检索。这些是能够从文件或数据库（检索）或网络（网络检索）获取相关数据的特殊工具。这有助于让响应“基于”相关上下文数据。