Zmienne kontekstowe i pamięć agenta
Na tej stronie
Zmienne kontekstowe i pamięć agenta
Agent bez pamięci zapomina wszystko między uruchomieniami: przy każdej wiadomości pyta o imię klienta i zaczyna od zera w każdej turze. Dwa uzupełniające się mechanizmy rozwiązują ten problem. Zmienne kontekstowe wstrzykują współdzielony stan do agenta i jego narzędzi, podczas gdy pamięć konwersacyjna utrzymuje wątek rozmowy wieloturkowej.
Zmienne kontekstowe: współdzielony stan
RunContextWrapper to typowany obiekt krążący między agentem, jego narzędziami a barierami ochronnymi (guardrails). Konkretne: definiujesz klasę danych (dataclass) opisującą sesję – tożsamość, koszyk, preferencje – a każde narzędzie otrzymuje ją jako pierwszy parametr. W poniższym przykładzie ajouter_au_panier zapisuje dane w tym obiekcie, a voir_panier odczytuje je z powrotem: oba narzędzia współdzielą ten sam koszyk bez przekazywania jakichkolwiek danych przez prompt.
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}")
Kontekst jest mutowalny: narzędzia mogą go modyfikować, a zmiany utrzymują się po wykonaniu. To właśnie sprawia, że ostatnia linijka jest interesująca – po run_sync obiekt session Twojej aplikacji faktycznie zawiera dwa elementy, gotowe do wysłania do systemu zamówień.
Instrukcje dynamiczne
Ten stan służy nie tylko narzędziom: może również kształtować zachowanie agenta. Instrukcje mogą być funkcją otrzymującą kontekst i budującą prompt systemowy w locie, uwzględniającą imię klienta i preferowany język.
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",
)
Instrukcje są oceniane w każdej turze pętli agenta, co umożliwia personalizację w czasie rzeczywistym: jeśli narzędzie właśnie dodało element, następna tura natychmiast uwzględnia to w prompcie systemowym.
Wieloturowa pamięć konwersacyjna
Kontekst przenosi dane, a nie sam dialog. Aby utrzymać rozmowę przez wiele wymian, przekaż historię. Zasada sprowadza się do trzech kroków: dodajesz wiadomość użytkownika, uruchamiasz agenta na pełnej liście, a następnie zastępujesz swoją historię tą zwróconą przez wynik – obejmującą wiadomości, wywołania narzędzi i odpowiedzi.
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."))
Ta pamięć żyje w RAM. Znika po ponownym wdrożeniu usługi i rośnie w nieskończoność, jeśli rozmowa trwa: to dwa ograniczenia, o których musisz pamiętać przed wejściem na produkcję.
Wzorzec: trwała pamięć z bazą danych
Aby pamięć przetrwała restarty, przechowuj historię w bazie danych. Przedstawione tutaj podejście idzie o krok dalej: zamiast przechowywać wszystko, sam agent decyduje, co zasługuje na zachowanie, za pomocą pary narzędzi do zapisu i odczytu. Klient mówi „Jestem alergikiem na orzeszki ziemne“, agent wywołuje sauvegarder_note, a informacja pozostaje dostępna trzy tygodnie później.
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",
)
Kontekst kontra instrukcje: kiedy użyć czego
Te cztery mechanizmy częściowo się pokrywają, a klasycznym błędem jest kierowanie wszystkiego przez instrukcje. Poniższa tabela podsumowuje mapowanie, które warto zapamiętać.
| Potrzeba | Rozwiązanie |
|---|---|
| Dane użytkownika (imię, rola) | Zmienne kontekstowe |
| Zachowanie agenta | Instrukcje (statyczne lub dynamiczne) |
| Historia rozmowy | result.to_input_list() |
| Pamięć długoterminowa | Narzędzia + baza danych |
| Konfiguracja środowiska wykonawczego | Zmienne kontekstowe |
Kluczowe wnioski
RunContextWrapperprzenosi typowany stan dostępny dla wszystkich narzędzi- Kontekst jest mutowalny: narzędzia mogą go modyfikować podczas wykonywania
- Dynamiczne instrukcje (funkcje) dostosowują się do kontekstu w każdej turze
- Historia konwersacji jest utrzymywana za pomocą
result.to_input_list() - Dla pamięci trwałej połącz narzędzia zapisujące z bazą danych