文章介绍了LangChain框架中通过上下文工程构建可靠AI智能体的方法。从数据来源(运行时上下文、状态、存储)和生命周期(瞬态上下文和持久上下文)两个维度详细解释了上下文的类型和使用方法。瞬态上下文通过中间件动态调整模型调用参数，持久上下文通过工具回写和生命周期管理实现智能体的连续性学习。最后提供了实用的避坑指南，帮助开发者构建生产级的上下文管道。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

01 前言

这是 2026 年的第一篇文章，首先祝大家新年快乐！愿我们在新的一年里，继续在 AI 的浪潮中并肩前行。

在前两篇关于 LangChain V1.0 的文章中，我们聊了如何通过 create\_agent 极简构建智能体以及运行时模型。但在实战中发现，Agent 往往在原型阶段表现惊艳，一到生产环节就容易“翻车”或“断片”。

Agent 失败的主要原因是什么？

通常并非模型不够聪明，而是因为我们没能把“正确”的信息，在“正确”的时间，以“正确”的格式喂给它。这种缺乏“正确上下文”的现状是构建可靠智能体的最大阻碍。

今天，我们就来看看 AI 工程师的核心基本功：上下文工程（Context Engineering），以及在Langchain中是如何使用的。

02 概览

在 LangChain 的设计哲学中，Agent 的核心是一个闭环：模型调用（Model call）与工具执行（Tool execution）。上下文工程的任务，就是在这两步之间建立高效的数据流动机制。

我们可以从**“数据来源”和“生命周期”两个维度来理解上下文**：

1. 数据来源（Data Sources）

这是上下文的“原材料”，LangChain 将其分为三类：

• 运行时上下文 (Runtime Context)：外部注入的静态配置（如用户 ID、API 密钥、当前时间、权限 Scope）。
• 状态 (State)：对话作用域内的短期记忆（如当前消息历史、上传的文件引用、工具中间结果）。
• 存储 (Store)：跨对话的长期记忆（如用户画像、历史偏好、提取的知识库）。

2. 上下文生命周期（Context Lifecycle）

基于上述数据源，在 Agent 的执行环中，可以通过两种方式使用上下文（将在下文详细展开）：

• 瞬态上下文（Transient Context）：仅影响当前单次模型调用的视角，不改变系统状态。主要是**模型上下文（01）。**例如：动态注入 System Prompt 或过滤敏感工具。
• 持久上下文（Persistent Context）：会将变更写入状态或存储，影响未来所有的交互。包括工具上下文（02）和生命周期上下文（03）。例如：工具执行结果回写、对话历史的自动总结压缩。

上下文类型包括模型上下文、工具上下文、生命周期上下文。

数据流动过程如下图所示：输入 -> 处理 -> 输出/回写

03 瞬态上下文

瞬态上下文（Transient Context）指的是模型在单次调用（Run）中看到的内容。它的特点是“阅后即焚”—我们可以灵活修改传给模型的信息，而不会污染系统中永久保存的状态。

通过Langchain的中间件（Middleware）机制，我们可以动态干预**模型上下文（Model Context）**的四个关键要素：

**1、**System Prompt：动态设定行为边界。例如根据用户 VIP 等级动态注入服务指令。

2、Messages：临时修剪或增强历史记录。例如在发送前隐藏某些敏感报错信息。

3、Tools：动态过滤工具集。例如用户未登录时，从 prompt 中移除“支付工具”的定义。

4、Response Format：强制结构化输出，确保返回结果符合业务 Schema。

一个示例：根据运行时权限动态注入提示词

from langchain.agents.middleware import dynamic_prompt, ModelRequest
from langchain.agents import create_agent
import os
from dataclasses import dataclass
@dataclass
classContext:
user_role: str
# 假设我们定义了一个上下文感知的 Prompt 函数
@dynamic_prompt
defcontext_aware_prompt(request: ModelRequest) -> str:
# 1. 从运行时上下文(Runtime Context)中读取用户元数据
user_role = request.runtime.context.user_role
base_prompt = "你是一个专业的AI助手。"
# 2. 根据角色动态调整 System Prompt (瞬态修改)
# 这个修改只影响本次请求，不会修改数据库里的用户角色
if user_role == "admin":
base_prompt += "\n当前用户拥有管理员权限，可以使用系统级工具。"
elif user_role == "viewer":
base_prompt += "\n当前用户仅有只读权限，涉及修改的操作请礼貌拒绝。"
print(base_prompt)
return base_prompt
# 定义agent
os.environ["DEEPSEEK_API_KEY"] = "sk-..."
agent = create_agent("deepseek-chat",
middleware=[context_aware_prompt],
context_schema=Context)
# 调用
response = agent.invoke(
{"messages": [{"role": "user", "content": "我有什么权限"}]},
context=Context(user_role="admin")
)
print(response)

示例首先定义一个上下文类Context，可以传入用户角色，然后定义一个上下文感知的 Prompt 函数动态修改系统提示词，并由**@dynamic_prompt**修饰作为中间件，最后定义agent对象并进行调用。

最终输出部分文本如下所示：

根据您的身份，您拥有**管理员权限**，
可以使用以下系统级工具...

04 持久上下文

与单次调用的“瞬态”不同，**持久上下文（Persistent Context）**的目标是永久改变 Agent 的认知或记忆，使其具备连续性和学习能力。

这主要通过以下两种机制实现：

1、工具回写 (Tool Writes)

工具不仅仅是执行动作，它还是更新状态的桥梁。工具可以通过返回特殊的 Command 对象，将结构化结果（如“用户手机号已验证”）回写到 State 中，或者将用户偏好存入 Store。

2、生命周期管理 (Life-cycle Management)

发生在模型与工具调用之间的自动化维护逻辑。

最典型的应用是自动总结（Summarization）：当对话历史过长时，系统自动调用轻量级模型生成摘要，并永久性地在 State 中替换掉原始的陈旧消息，防止 Token 溢出并降低成本。

一个示例片段：使用内建中间件实现自动总结

from langchain.agents import create_agent
from langchain.agents.middleware import SummarizationMiddleware
# 初始化 Agent
agent = create_agent(
model="gpt-4o",
tools=[...],
middleware=[
# 注册总结中间件
SummarizationMiddleware(
# 使用廉价模型进行总结
model="gpt-4o-mini",
# 触发阈值：当历史记录超过 4000 token
trigger={"tokens": 4000},
# 策略：总结旧消息，但保留最近 20 条原文
keep={"messages": 20}
),
],
)

05 避坑指南

在构建生产级上下文管道时，可以参考官方经验指南：

**1、**先静态，后动态：不要一上来就设计复杂的动态路由。先用固定的 System Prompt 跑通业务闭环，再逐步增加上下文逻辑。

2、****分清“阅后即焚”与“永久铭刻”：仅影响本轮调用的逻辑（如权限校验提示）放在瞬态上下文；需要未来都“记得”的信息（如用户昵称）必须写入持久状态。

**3、**标准化内容格式：充分利用 LangChain 标准的 content\_blocks 消息格式，这能确保你的 Agent 在切换不同模型（如从 GPT-4 切换到 DeepSeek）时，多模态内容和工具调用依然稳定。

**4、**善用内建中间件：除非业务逻辑极度特殊，否则优先选择 SummarizationMiddleware 等经过社区验证的成熟方案，避免重复造轮子。

5、监控与度量：上下文工程直接关联成本。务必追踪每次调用的 Token 消耗和延迟，防止因为 Prompt 注入过多导致上下文过载。

06 总结

上下文工程不再是简单的“拼凑字符串”，它是对 Agent 数据流动的精细化治理。

在 LangChain V1.0+ 的体系下，通过清晰划分数据来源，并灵活组合瞬态与持久两种处理模式，我们才能构建出既“聪明”又“稳重”的智能体。

当下基础模型已经很强了，工程化的过程中，不再纠结于基础模型的微小差异，而是把精力放在构建更稳定、可靠的上下文环境上。

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓