Przejdź do głównej treści
Polski— Wybierz język
Menu

Zmienne kontekstowe i pamięć agenta

Lekcja 13 z 25 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Zmienne kontekstowe i pamięć agenta
  2. Zmienne kontekstowe: współdzielony stan
  3. Instrukcje dynamiczne
  4. Wieloturowa pamięć konwersacyjna
  5. Wzorzec: trwała pamięć z bazą danych
  6. Kontekst kontra instrukcje: kiedy użyć czego
  7. Kluczowe wnioski

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.

PotrzebaRozwiązanie
Dane użytkownika (imię, rola)Zmienne kontekstowe
Zachowanie agentaInstrukcje (statyczne lub dynamiczne)
Historia rozmowyresult.to_input_list()
Pamięć długoterminowaNarzędzia + baza danych
Konfiguracja środowiska wykonawczegoZmienne kontekstowe

Kluczowe wnioski

  • RunContextWrapper przenosi 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