第 9 章：Context engineering

Context engineering 是把有限、可信、任务相关的信息在正确时机交给模型，不是把所有数据拼进 system prompt。一个可审查顺序是：稳定规则最近消息已验证工具结果当前任务所需的最小长期记忆模型调用。

Context engineering 是把有限、可信、任务相关的信息在正确时机交给模型，不是把所有数据拼进 system prompt。一个可审查顺序是：稳定规则 -> 最近消息 -> 已验证工具结果 -> 当前任务所需的最小长期记忆 -> 模型调用。

来源	生命周期	给模型的规则
system prompt	Agent 定义期	只放稳定策略和安全约束
messages	thread 内	保留近期事实；用 checkpoint、裁剪或摘要控制增长
ToolMessage	一次工具调用	只回填与当前任务有关的受控输出
`Runtime.context`	单次运行	默认不给模型；middleware/工具按需投影最小字段
Store	跨 thread	用用户 namespace 检索、脱敏、限量后才写入消息

context_schema 定义 Runtime.context 的类型，调用时 agent.ainvoke(input, context=UserContext(...))。它特别适合 user_id、权限、连接等可信依赖；不要用它塞聊天记录，也不要把 RunnableConfig 当业务 context。当前项目以 Runtime[Configuration] 读取模型选择、用户身份和密钥，其代码位置是 deep_researcher.py 的各节点。

上下文预算的优先级：删除重复工具输出，再裁剪低价值旧消息，再使用 SummarizationMiddleware，最后才升级模型上下文窗口。摘要会丢失细节，原始证据要保存在可检索的受控存储中。运行 13_context_boundaries.py 进行本地断言，证明 context 不会自动出现在 messages。

相关资源

查看示例代码：docs/langchain/examples/13_context_boundaries.py

"""Chapter 9: show that runtime context is not automatically model-visible state."""

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain_core.language_models.fake_chat_models import FakeMessagesListChatModel
from langchain_core.messages import AIMessage


@dataclass
class UserContext:
    user_id: str


def main() -> None:
    agent = create_agent(
        FakeMessagesListChatModel(responses=[AIMessage(content="ok")]),
        context_schema=UserContext,
    )
    result = agent.invoke(
        {"messages": [("user", "只回答 ok")]}, context=UserContext(user_id="private-user")
    )
    serialized_messages = str(result["messages"])
    assert "private-user" not in serialized_messages
    print("context 只供 runtime 使用，未自动写入 messages")


if __name__ == "__main__":
    main()