Proměnné kontextu a paměť agenta
Na této stránce
Proměnné kontextu a paměť agenta
Agent bez paměti zapomene vše mezi jednotlivými spuštěními: v každé zprávě se ptá na jméno zákazníka a při každém kroku začíná od nuly. Tento problém řeší dva doplňkové mechanismy. Proměnné kontextu vkládají sdílený stav do agenta a jeho nástrojů, zatímco konverzační paměť udržuje vlákno vícekolové konverzace.
Proměnné kontextu: Sdílený stav
RunContextWrapper je typovaný objekt, který cirkuluje mezi agentem, jeho nástroji a ochrannými mechanismy (guardrails). Konkrétně definuješ datovou třídu (dataclass) popisující relaci – identitu, košík, preference – a každý nástroj ji obdrží jako první parametr. V níže uvedeném příkladu ajouter_au_panier do tohoto objektu zapisuje a voir_panier z něj čte zpět: oba nástroje sdílejí stejný košík, aniž by jakákoli data procházela promptem.
from dataclasses import dataclass, field
from agents import Agent, Runner, RunContextWrapper, function_tool
@dataclass
class SessionUtilisateur:
user_id: str
nom: str
email: str
panier: list[dict] = field(default_factory=list)
preferences: dict = field(default_factory=dict)
@function_tool
def ajouter_au_panier(
ctx: RunContextWrapper[SessionUtilisateur],
produit: str,
quantite: int = 1,
) -> str:
"""Adds a product to the user's cart."""
ctx.context.panier.append({"produit": produit, "quantite": quantite})
total = len(ctx.context.panier)
return f"{produit} (x{quantite}) added to cart. Total: {total} item(s)."
@function_tool
def voir_panier(ctx: RunContextWrapper[SessionUtilisateur]) -> str:
"""Displays the cart contents."""
if not ctx.context.panier:
return "Your cart is empty."
lignes = [f"- {item['produit']} x{item['quantite']}" for item in ctx.context.panier]
return f"Cart for {ctx.context.nom}:\n" + "\n".join(lignes)
agent = Agent(
name="Shop Agent",
instructions="You help customers with their shopping.",
tools=[ajouter_au_panier, voir_panier],
model="gpt-5.6-terra",
)
session = SessionUtilisateur(
user_id="usr_789",
nom="Marie Dupont",
email="[email protected]",
)
# Context is shared across all tools
result = Runner.run_sync(agent, "Add a laptop and two mice to my cart", context=session)
print(result.final_output)
print(f"Cart after execution: {session.panier}")
Kontext je proměnný (mutable): nástroje jej mohou upravovat a změny přetrvávají i po dokončení executace. To je důvod, proč je poslední řádek zajímavý – po volání run_sync skutečně obsahuje tvůj aplikační objekt session dvě položky připravené k odeslání do tvého objednávkového systému.
Dynamické instrukce
Tento stav není určen pouze pro nástroje; může také formovat chování agenta. Instrukce mohou být funkcí, která přijímá kontext a za běhu sestavuje systémový prompt, včetně jména zákazníka a preferovaného jazyka.
def instructions_dynamiques(ctx: RunContextWrapper[SessionUtilisateur]) -> str:
prefs = ctx.context.preferences
langue = prefs.get("langue", "français")
return f"""You are a sales assistant.
The customer's name is {ctx.context.nom}.
Their email is {ctx.context.email}.
They have {len(ctx.context.panier)} item(s) in their cart.
Communicate in {langue}."""
agent = Agent(
name="Personalized Agent",
instructions=instructions_dynamiques,
tools=[ajouter_au_panier, voir_panier],
model="gpt-5.6-terra",
)
Instrukce se vyhodnocují v každém kole smyčky agenta, což umožňuje personalizaci v reálném čase: pokud nástroj právě přidal položku, další okamžitě tuto změnu zohlední v systémovém promptu.
Vícekolová konverzační paměť
Kontext přenáší data, nikoli však samotný dialog. Aby byla konverzace udržována přes více výměn, musíš předávat historii. Princip se redukuje na tři kroky: přidáš zprávu uživatele, spustíš agenta s úplným seznamem a následně nahradíš svou historii tím, co vrátil výsledek – včetně zpráv, volání nástrojů a odpovědí.
from agents import Agent, Runner
agent = Agent(
name="Assistant",
instructions="You are an assistant that remembers the conversation.",
model="gpt-5.6-terra",
)
historique = []
async def converser(message_utilisateur: str) -> str:
# Add the user's message to the history
historique.append({"role": "user", "content": message_utilisateur})
# Run the agent with the full history
result = await Runner.run(agent, historique)
# Save new exchanges for the next turn
historique.clear()
historique.extend(result.to_input_list())
return result.final_output
# Simulate a conversation
async def demo():
print(await converser("My name is Thomas."))
print(await converser("What is my first name?")) # The agent remembers
print(await converser("Recommend a good restaurant in Paris."))
Tato paměť žije v operační paměti (RAM). Zmizí při opětovném nasazení služby a neomezeně roste, pokud konverzace trvá dlouho: dvě omezení, na která musíš myslet před nasazením do produkce.
Vzorec: Perzistentní paměť s databází
Pro paměť, která přežije restarty, ulož historii do databáze. Zde prezentovaný přístup jde o krok dále: místo uchovávání všeho se agent sám rozhodne, co si zaslouží být zachováno, a to prostřednictvím dvojice nástrojů pro uložení a načtení. Zákazník řekne „Jsem alergický na arašídy“, agent zavolá sauvegarder_note a informace zůstane dostupná i o tři týdny později.
import json
from agents import Agent, Runner, function_tool
@function_tool
async def sauvegarder_note(ctx: RunContextWrapper, cle: str, valeur: str) -> str:
"""Saves information to remember later."""
# In production: write to database
notes = ctx.context.notes
notes[cle] = valeur
return f"Note saved: {cle} = {valeur}"
@function_tool
async def recuperer_note(ctx: RunContextWrapper, cle: str) -> str:
"""Retrieves previously saved information."""
notes = ctx.context.notes
valeur = notes.get(cle)
if valeur:
return f"{cle} = {valeur}"
return f"No note found for '{cle}'"
@dataclass
class ContexteMemoire:
user_id: str
notes: dict = field(default_factory=dict)
agent = Agent(
name="Assistant with Memory",
instructions="""You are an assistant with persistent memory.
Use sauvegarder_note to retain important information
and recuperer_note to retrieve it.""",
tools=[sauvegarder_note, recuperer_note],
model="gpt-5.6-terra",
)
Kontext versus instrukce: Kdy použít co
Tyto čtyři mechanismy se částečně překrývají a klasickou chybou je směrovat vše přes instrukce. Níže uvedená tabulka shrnuje mapování, které si musíš pamatovat.
| Potřeba | Řešení |
|---|---|
| Uživatelská data (jméno, role) | Proměnné kontextu |
| Chování agenta | Instrukce (statické nebo dynamické) |
| Historie konverzace | result.to_input_list() |
| Dlouhodobá paměť | Nástroje + databáze |
| Konfigurační parametry za běhu | Proměnné kontextu |
Klíčové poznatky
RunContextWrapperpřenáší typovaný stav přístupný všem nástrojům- Kontext je proměnný: nástroje jej mohou během executace upravovat
- Dynamické instrukce (funkce) se přizpůsobují kontextu v každém kole
- Historie konverzace se udržuje pomocí
result.to_input_list() - Pro perzistentní paměť zkombinuj nástroje pro ukládání s databází