Premenné kontextu a pamäť agenta
Na tejto strane
Premenné kontextu a pamäť agenta
Agent bez pamäte zabúda všetko medzi jednotlivými spusteniami: pri každej správe sa pýta na meno zákazníka a pri každom kroku začína od nuly. Tento problém riešia dva doplnkové mechanizmy. Premenné kontextu vstrekujú zdieľaný stav do agenta a jeho nástrojov, zatiaľ čo konverzačná pamäť udržiava vlákno viackrokovej konverzácie.
Premenné kontextu: Zdieľaný stav
Objekt RunContextWrapper je typovaný objekt, ktorý cirkuluje medzi agentom, jeho nástrojmi a ochrannými mechanizmami (guardrails). Konkrétne definuješ dátovú triedu (dataclass), ktorá opisuje reláciu – identitu, košík, preferencie – a každý nástroj ju dostane ako prvý parameter. V nasledujúcom príklade nástroj ajouter_au_panier do tohto objektu zapisuje a voir_panier z neho číta: oba nástroje zdieľajú rovnaký košík bez toho, aby akékoľvek údaje prechádzali cez 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}")
Kontext je meniteľný (mutable): nástroje ho môžu upravovať a zmeny pretrvávajú aj po skončení vykonávania. To robí posledný riadok zaujímavým – po volaní run_sync tvoj aplikačný objekt session skutočne obsahuje dve položky, pripravené na odoslanie do tvoje objednávkového systému.
Dynamické inštrukcie
Tento stav nie je určený len pre nástroje: môže tiež formovať správanie agenta. Inštrukcie môžu byť funkciou, ktorá prijíma kontext a zostavuje systémový prompt za behu, vrátane mena 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",
)
Inštrukcie sa vyhodnocujú pri každom kroku slučky agenta, čo umožňuje personalizáciu v reálnom čase: ak nástroj práve pridal položku, ďalší krok to okamžite zohľadní v systémovom prompte.
Viackroková konverzačná pamäť
Kontext prenáša údaje, nie samotný dialóg. Aby si udržal konverzáciu počas viacerých výmen, musíš odovzdávať históriu. Princíp sa redukuje na tri kroky: pridáš správu používateľa, spustíš agenta s celým zoznamom a následne nahradíš svoju históriu tou, ktorú vrátil výsledok – vrátane správ, volaní nástrojov a odpovedí.
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."))
Táto pamäť žije v operačnej pamäti (RAM). Zmizne, keď znovu nasadíš svoju službu, a ak konverzácia trvá dlho, neobmedzene rastie: dve obmedzenia, na ktoré musíš myslieť pred nasadením do produkcie.
Vzorec: Perzistentná pamäť s databázou
Pre pamäť, ktorá prežije reštarty, ulož históriu do databázy. Prístup predstavený tu ide o krok ďalej: namiesto uchovávania všetkého sa agent sám rozhodne, čo si zaslúži byť zachované, a to prostredníctvom dvojice nástrojov na uloženie a získanie. Zákazník povie „Som alergický na arašidy“, agent zavolá sauvegarder_note a informácia zostane dostupná aj o tri týždne.
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 verzus inštrukcie: Kedy použiť čo
Tieto štyri mechanizmy sa čiastočne prekrývajú a klasickou chybou je smerovať všetko cez inštrukcie. Nasledujúca tabuľka sumarizuje mapovanie, ktoré by si si mal zapamätať.
| Potreba | Riešenie |
|---|---|
| Údaje používateľa (meno, rola) | Premenné kontextu |
| Správanie agenta | Inštrukcie (statické alebo dynamické) |
| História konverzácie | result.to_input_list() |
| Dlhodobá pamäť | Nástroje + databáza |
| Konfigurácia počas behu | Premenné kontextu |
Kľúčové poznatky
RunContextWrapperprenáša typovaný stav dostupný všetkým nástrojom- Kontext je meniteľný: nástroje ho môžu počas vykonávania upravovať
- Dynamické inštrukcie (funkcie) sa prispôsobujú kontextu pri každom kroku
- História konverzácie sa udržiava pomocou
result.to_input_list() - Pre perzistentnú pamäť skombinuj nástroje na ukladanie s databázou