LangGraph设计与实现-第14章-Runtime 与 Context

杨艺韬2026-04-14 21:44

《LangGraph 设计与实现》完整目录

第14章 Runtime 与 Context

14.1 引言

在构建 LLM 应用的图时，节点函数往往需要访问一些"运行时依赖"------当前用户的身份信息、数据库连接池、API 密钥、或者一个全局的向量存储。这些依赖既不属于图的状态（它们不随步骤变化），也不应该被硬编码在节点函数中（它们因调用而异）。传统做法是通过闭包或全局变量传递，但这在测试、多租户和类型安全方面都存在痛点。

LangGraph 1.1.6 引入了 Runtime 类和 ContextT 泛型来解决这个问题。Runtime 是一个不可变的数据容器，在图执行开始时由调用方创建，自动注入到每个节点函数中。它携带了 context（用户自定义的运行时上下文）、store（持久化存储）、stream_writer（流式写入器）、execution_info（执行元数据）等运行时信息。

本章将从 Runtime 的数据类定义出发，分析 ContextT 泛型的设计理念、ExecutionInfo 和 ServerInfo 的信息模型、context 与 state 的本质区别，以及 Runtime 在 Pregel 循环中的注入机制。

:::tip 本章要点

  1. Runtime 类的完整字段定义------context、store、stream_writer、previous、execution_info、server_info
  2. ContextT 泛型的类型传播------从 StateGraph 到节点函数的端到端类型安全
  3. ExecutionInfo 与 ServerInfo 的信息模型------执行元数据的结构化表达
  4. Context vs State 的本质区别------不可变依赖 vs 可变状态
  5. Runtime 注入机制------从编译到执行的完整链路 :::

14.2 Runtime 类的设计

14.2.1 数据类定义

Runtime 定义在 langgraph/runtime.py 中，是一个泛型冻结数据类：

python 复制代码 
@dataclass(**_DC_KWARGS)  # kw_only=True, slots=True, frozen=True
class Runtime(Generic[ContextT]):
    """Convenience class that bundles run-scoped context and other runtime utilities."""

    context: ContextT = field(default=None)
    """Static context for the graph run, like user_id, db_conn, etc."""

    store: BaseStore | None = field(default=None)
    """Store for the graph run, enabling persistence and memory."""

    stream_writer: StreamWriter = field(default=_no_op_stream_writer)
    """Function that writes to the custom stream."""

    previous: Any = field(default=None)
    """The previous return value for the given thread (functional API only)."""

    execution_info: ExecutionInfo | None = field(default=None)
    """Read-only execution information/metadata for the current node run."""

    server_info: ServerInfo | None = field(default=None)
    """Metadata injected by LangGraph Server. None for open-source."""

_DC_KWARGS 展开为 kw_only=True, slots=True, frozen=True，这意味着：

  • kw_only：所有字段必须通过关键字参数传递，避免位置参数的歧义
  • slots ：使用 __slots__ 优化内存和属性访问速度
  • frozen：实例创建后不可修改，确保运行时安全

14.2.2 字段语义

graph TB Runtime[Runtime 对象] Runtime --> Context["context: ContextT
用户自定义上下文
如 user_id, db_conn"] Runtime --> Store["store: BaseStore | None
持久化存储
跨线程记忆"] Runtime --> SW["stream_writer: StreamWriter
自定义流式写入
发射中间结果"] Runtime --> Prev["previous: Any
上次执行的返回值
仅函数式 API"] Runtime --> EI["execution_info: ExecutionInfo
执行元数据
checkpoint_id, task_id 等"] Runtime --> SI["server_info: ServerInfo
服务器元数据
assistant_id, user 等"]

六个字段覆盖了节点函数可能需要的所有运行时信息：

字段 类型 来源 可变性
context ContextT（泛型） 调用方传入 整个执行期间不变
store BaseStore 图编译时配置 引用不变，内容可变
stream_writer StreamWriter 框架自动注入 每个任务独立
previous Any Checkpoint 读取 只读
execution_info ExecutionInfo 框架生成 每个任务独立
server_info ServerInfo LangGraph Server 只读

14.2.3 不可变性与 override/merge

虽然 Runtime 是 frozen 的，但它提供了两个方法来创建修改后的副本：

python 复制代码 
def merge(self, other: Runtime[ContextT]) -> Runtime[ContextT]:
    """Merge two runtimes together. If a value is not provided in other,
    the value from self is used."""
    return Runtime(
        context=other.context or self.context,
        store=other.store or self.store,
        stream_writer=other.stream_writer
            if other.stream_writer is not _no_op_stream_writer
            else self.stream_writer,
        previous=self.previous if other.previous is None else other.previous,
        execution_info=other.execution_info or self.execution_info,
        server_info=other.server_info or self.server_info,
    )

def override(self, **overrides) -> Runtime[ContextT]:
    """Replace the runtime with a new runtime with the given overrides."""
    return replace(self, **overrides)

merge 用于子图继承父图的 Runtime 时，合并两个 Runtime 对象。override 用于框架在任务准备阶段注入特定字段（如 execution_info）。

14.3 ContextT 泛型

14.3.1 定义

python 复制代码 
# langgraph/typing.py
ContextT = TypeVar("ContextT", bound=StateLike | None, default=None)

ContextT 是一个带默认值的类型变量，约束为 StateLike | None。StateLike 包括 TypedDict、BaseModel、dataclass 等结构化类型。默认值为 None，这意味着如果不指定 context_schema，Runtime 的 context 字段类型就是 None。

14.3.2 类型传播链路

flowchart LR Schema["context_schema=MyContext"] --> SG["StateGraph[State, MyContext]"] SG --> Compile["compile()"] Compile --> CSG["CompiledStateGraph[State, MyContext, ...]"] CSG --> Invoke["invoke(input, context=MyContext(...))"] Invoke --> RT["Runtime[MyContext]"] RT --> Node["node(state, runtime: Runtime[MyContext])"]

类型从 StateGraph 的 context_schema 参数开始，贯穿编译、调用、注入的全过程。IDE 和类型检查器可以在每一步提供准确的类型补全。

14.3.3 使用示例

python 复制代码 
from dataclasses import dataclass
from langgraph.graph import StateGraph
from langgraph.runtime import Runtime
from typing_extensions import TypedDict

@dataclass
class AppContext:
    user_id: str
    api_key: str
    is_admin: bool = False

class State(TypedDict, total=False):
    response: str

def my_node(state: State, runtime: Runtime[AppContext]) -> State:
    # IDE 知道 runtime.context 的类型是 AppContext
    user_id = runtime.context.user_id
    if runtime.context.is_admin:
        return {"response": f"Admin {user_id}: full access"}
    return {"response": f"User {user_id}: limited access"}

graph = (
    StateGraph(state_schema=State, context_schema=AppContext)
    .add_node("my_node", my_node)
    .set_entry_point("my_node")
    .set_finish_point("my_node")
    .compile()
)

result = graph.invoke({}, context=AppContext(user_id="alice", api_key="sk-..."))

14.4 ExecutionInfo：执行元数据

14.4.1 数据结构

python 复制代码 
@dataclass(frozen=True, slots=True)
class ExecutionInfo:
    """Read-only execution info/metadata for the current thread/run/node."""

    checkpoint_id: str
    """The checkpoint ID for the current execution."""

    checkpoint_ns: str
    """The checkpoint namespace for the current execution."""

    task_id: str
    """The task ID for the current execution."""

    thread_id: str | None = None
    """None when running without a checkpointer."""

    run_id: str | None = None
    """None when run_id is not provided in RunnableConfig."""

    node_attempt: int = 1
    """Current node execution attempt number (1-indexed)."""

    node_first_attempt_time: float | None = None
    """Unix timestamp for when the first attempt started."""

ExecutionInfo 提供了节点函数可能需要的所有执行上下文信息，而无需直接操作低层的 RunnableConfig。

14.4.2 字段用途

graph TB EI[ExecutionInfo] EI --> CID["checkpoint_id
当前检查点 ID
用于状态追踪"] EI --> CNS["checkpoint_ns
检查点命名空间
标识子图层级"] EI --> TID["task_id
任务 ID
唯一标识本次执行"] EI --> ThID["thread_id
线程 ID
跨轮次对话标识"] EI --> RID["run_id
运行 ID
单次调用标识"] EI --> NA["node_attempt
重试次数
1 表示首次执行"] EI --> NFAT["node_first_attempt_time
首次尝试时间
用于超时计算"]

典型的使用场景：

python 复制代码 
def my_node(state: State, runtime: Runtime) -> State:
    info = runtime.execution_info
    # 日志中记录执行上下文
    logger.info(f"Thread={info.thread_id}, Task={info.task_id}, Attempt={info.node_attempt}")

    # 根据重试次数调整行为
    if info.node_attempt > 1:
        logger.warning("Retrying, using fallback strategy")

    # 使用 thread_id 做线程级缓存
    cache_key = f"{info.thread_id}:{info.task_id}"
    ...

14.4.3 patch 方法

ExecutionInfo 是 frozen 的，但提供了 patch 方法创建修改后的副本：

python 复制代码 
def patch(self, **overrides: Any) -> ExecutionInfo:
    """Return a new execution info object with selected fields replaced."""
    return replace(self, **overrides)

框架在重试时使用这个方法更新 node_attempt 和 node_first_attempt_time。

14.5 ServerInfo：服务端元数据

14.5.1 数据结构

python 复制代码 
@dataclass(frozen=True, slots=True)
class ServerInfo:
    """Metadata injected by LangGraph Server."""

    assistant_id: str
    """The assistant ID for the current execution."""

    graph_id: str
    """The graph ID for the current execution."""

    user: BaseUser | None = None
    """The authenticated user, if any."""

ServerInfo 只在 LangGraph Platform（部署服务）环境中被填充。在本地开源运行时，runtime.server_info 始终为 None。

14.5.2 BaseUser 协议

python 复制代码 
# 来自 langgraph_sdk.auth.types
class BaseUser:
    """认证用户协议，支持属性访问和字典访问"""
    identity: str  # 用户唯一标识
    # 支持 user.identity 和 user["identity"] 两种访问方式

这使得节点函数可以在有认证的环境中安全地获取用户信息：

python 复制代码 
def secure_node(state: State, runtime: Runtime) -> State:
    if runtime.server_info and runtime.server_info.user:
        user_id = runtime.server_info.user.identity
    else:
        user_id = "anonymous"
    ...

14.6 Context vs State 的本质区别

14.6.1 概念对比

这是理解 LangGraph 运行时模型的关键区分：

graph LR subgraph "State（状态）" direction TB S1[可变] --> S2[在节点间流动] S2 --> S3[被 Channel 管理] S3 --> S4[支持 reducer 合并] S4 --> S5[被 Checkpoint 持久化] end subgraph "Context（上下文）" direction TB C1[不可变] --> C2[在整个执行期间固定] C2 --> C3[由调用方提供] C3 --> C4[不参与状态管理] C4 --> C5[不被 Checkpoint 持久化] end
维度 State Context
可变性 每个节点可以修改 整个执行期间不变
流转方式 通过 Channel 在节点间传递 通过 Runtime 注入到所有节点
持久化 被 Checkpoint 保存 不被保存
典型内容 消息列表、处理结果 用户 ID、API 密钥
定义方式 state_schema=State context_schema=Context
传入方式 graph.invoke(input) graph.invoke(input, context=ctx)

14.6.2 为什么 Context 不放在 State 中？

把运行时依赖放在 State 中存在几个问题：

  1. Checkpoint 污染：数据库连接、API 密钥不应被序列化到 checkpoint
  2. 类型混淆：状态字段应该是"数据"，而不是"工具"
  3. 安全风险：checkpoint 可能被导出或共享，敏感信息不应出现在其中
  4. 语义错误 ：reducer 不应该对"用户 ID"做 operator.add

Context 通过将依赖项与数据分离，彻底解决了这些问题。

14.6.3 为什么 Context 不放在 Config 中？

LangGraph 0.6.0 之前，运行时依赖通过 RunnableConfig.configurable 传递（即旧的 config_schema 参数）。这种方式有几个缺点：

  1. 类型不安全 ：config 是 dict[str, Any]，失去了泛型类型信息
  2. API 混乱：config 的主要用途是传递 thread_id、checkpoint_id 等框架参数
  3. 嵌套访问 ：需要 config["configurable"]["user_id"] 这样的深层访问

context_schema 和 Runtime[ContextT] 提供了一流的、类型安全的替代方案：

python 复制代码 
# 旧方式（已弃用）
def my_node(state, config: RunnableConfig):
    user_id = config["configurable"]["user_id"]  # 无类型提示

# 新方式
def my_node(state, runtime: Runtime[AppContext]):
    user_id = runtime.context.user_id  # IDE 自动补全

14.7 Runtime 注入机制

14.7.1 注入链路总览

flowchart TB subgraph 调用层 Caller["graph.invoke(input, context=ctx)"] end subgraph Pregel 初始化 Caller --> CreateRT["创建 Runtime(context=ctx, store=store)"] CreateRT --> InjectConfig["写入 config[CONF][CONFIG_KEY_RUNTIME]"] end subgraph 任务准备 InjectConfig --> PNT["prepare_next_tasks"] PNT --> PST["prepare_single_task / prepare_push_task_send"] PST --> Override["runtime.override(
previous=...,
store=...,
execution_info=...)"] Override --> TaskConfig["写入 task config[CONF][CONFIG_KEY_RUNTIME]"] end subgraph 节点执行 TaskConfig --> GetRT["节点接收 runtime 参数"] GetRT --> UseRT["runtime.context.user_id"] end

14.7.2 Pregel 初始化阶段

当调用 graph.invoke(input, context=ctx) 时，Pregel 的 stream 方法将 context 封装到 Runtime 中，并存入配置：

python 复制代码 
# Pregel.stream 中的简化逻辑
runtime = Runtime(context=context, store=self.store)
config = patch_configurable(config, {CONFIG_KEY_RUNTIME: runtime})

14.7.3 任务准备阶段

在 prepare_single_task 中，框架从配置中取出 Runtime，注入任务级别的信息：

python 复制代码 
# prepare_single_task 中的 PULL 任务逻辑
runtime = cast(
    Runtime, configurable.get(CONFIG_KEY_RUNTIME, DEFAULT_RUNTIME)
)
runtime = runtime.override(
    previous=checkpoint["channel_values"].get(PREVIOUS, None),
    store=store,
    execution_info=ExecutionInfo(
        checkpoint_id=checkpoint["id"],
        checkpoint_ns=task_checkpoint_ns,
        task_id=task_id,
        thread_id=configurable.get(CONFIG_KEY_THREAD_ID),
        run_id=str(rid) if (rid := config.get("run_id")) else None,
    ),
)

每个任务都获得一个新的 Runtime 实例（因为 frozen，所以是 replace 创建的新对象），其中 execution_info 包含了该任务特有的元数据。

14.7.4 节点函数接收

框架通过检查节点函数的参数签名，自动注入 Runtime：

python 复制代码 
# 节点函数可以声明 runtime 参数
def my_node(state: State, runtime: Runtime[AppContext]) -> State:
    ...

# 或者通过 get_runtime() 手动获取
from langgraph.runtime import get_runtime

def my_node(state: State) -> State:
    runtime = get_runtime(AppContext)  # 返回 Runtime[AppContext]
    ...

get_runtime 函数从当前线程的配置中提取 Runtime：

python 复制代码 
def get_runtime(context_schema: type[ContextT] | None = None) -> Runtime[ContextT]:
    runtime = cast(Runtime[ContextT], get_config()[CONF].get(CONFIG_KEY_RUNTIME))
    return runtime

14.8 DEFAULT_RUNTIME 与空操作

python 复制代码 
DEFAULT_RUNTIME = Runtime(
    context=None,
    store=None,
    stream_writer=_no_op_stream_writer,
    previous=None,
    execution_info=None,
)

DEFAULT_RUNTIME 是当没有显式提供 context 时使用的默认值。它的所有字段都是"空"或"无操作"的，确保节点代码在没有 context 的情况下也能安全运行。

python 复制代码 
def _no_op_stream_writer(_: Any) -> None: ...

空操作的 stream_writer 意味着节点调用 runtime.stream_writer(data) 不会产生任何效果------数据会被静默丢弃。这个设计让节点代码不需要检查 runtime 是否"可用"。

14.9 子图中的 Runtime 传播

14.9.1 merge 语义

当执行进入子图时，子图可能有自己的 store 和 context。Runtime 的 merge 方法用于合并父图和子图的 Runtime：

python 复制代码 
def merge(self, other: Runtime[ContextT]) -> Runtime[ContextT]:
    return Runtime(
        context=other.context or self.context,        # 子图优先
        store=other.store or self.store,              # 子图优先
        stream_writer=other.stream_writer             # 子图优先
            if other.stream_writer is not _no_op_stream_writer
            else self.stream_writer,
        previous=self.previous if other.previous is None else other.previous,
        execution_info=other.execution_info or self.execution_info,
        server_info=other.server_info or self.server_info,
    )

合并策略是"子图覆盖父图"------如果子图提供了自己的 context，则使用子图的；否则继承父图的。

14.9.2 传播示意

graph TB subgraph 父图 PR["Runtime[ParentCtx]
context=ParentCtx(...)"] PR --> N1[Node A] PR --> SubEntry[子图入口] end subgraph 子图 SubEntry --> Merge["merge(parent_rt, child_rt)"] Merge --> CR["Runtime[ChildCtx]
context 继承或覆盖"] CR --> N2[Node B] CR --> N3[Node C] end

14.10 设计决策

14.10.1 为什么 Runtime 是 frozen 的？

frozen dataclass 带来三个好处：

  1. 线程安全：并发执行的多个节点读取同一个 Runtime 实例时不会发生数据竞争
  2. 语义正确性：context 代表"不变的运行时依赖"，frozen 在类型层面强制了这个语义
  3. 可哈希性：frozen dataclass 默认可哈希，便于缓存和去重

14.10.2 为什么 execution_info 在 Runtime 中而不是单独注入？

将 execution_info 放在 Runtime 中而非作为独立参数注入，有两个原因：

  1. 减少参数数量 ：节点函数只需要一个 runtime 参数就能访问所有运行时信息
  2. 一致的生命周期：所有运行时信息在同一个对象中创建和传递，生命周期一致

14.10.3 ToolRuntime 与 Runtime 的关系

langgraph.prebuilt 中还有一个 ToolRuntime 类，它是专为工具函数设计的：

python 复制代码 
class ToolRuntime(_DirectlyInjectedToolArg, Generic[ContextT, StateT]):
    """Runtime context automatically injected into tools."""
    context: ContextT     # 与 Runtime 共享
    store: BaseStore      # 与 Runtime 共享
    stream_writer: StreamWriter  # 与 Runtime 共享
    config: RunnableConfig       # 工具特有
    state: StateT                # 工具特有
    tool_call_id: str            # 工具特有

ToolRuntime 共享了 Runtime 的 context、store、stream_writer 字段，但增加了工具特有的 config、state 和 tool_call_id。它们之间的关系是互补而非继承------Runtime 服务于节点，ToolRuntime 服务于工具。

14.11 实战：完整的 Runtime 使用案例

14.11.1 多租户 Agent 系统

以下示例展示了如何使用 Runtime 构建一个支持多租户的 Agent 系统，每个用户有独立的数据隔离和权限控制：

python 复制代码 
from dataclasses import dataclass
from typing import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.runtime import Runtime
from langgraph.store.memory import InMemoryStore

@dataclass
class TenantContext:
    """多租户上下文"""
    tenant_id: str
    user_id: str
    role: str  # "admin" | "editor" | "viewer"
    db_connection_string: str

class AgentState(TypedDict, total=False):
    messages: list
    response: str

store = InMemoryStore()

def access_control_node(state: AgentState, runtime: Runtime[TenantContext]) -> dict:
    """访问控制节点：根据角色决定权限"""
    ctx = runtime.context
    info = runtime.execution_info

    # 记录审计日志到 Store
    if runtime.store:
        runtime.store.put(
            ("audit", ctx.tenant_id),
            f"access_{info.task_id}",
            {
                "user": ctx.user_id,
                "role": ctx.role,
                "action": "query",
                "thread_id": info.thread_id,
            }
        )

    if ctx.role == "viewer":
        return {"response": "You have read-only access."}
    return state

def process_node(state: AgentState, runtime: Runtime[TenantContext]) -> dict:
    """业务处理节点：使用租户隔离的数据"""
    ctx = runtime.context

    # 从租户命名空间读取配置
    if runtime.store:
        config = runtime.store.get(("tenants", ctx.tenant_id), "config")
        model_name = config.value["model"] if config else "default-model"
    else:
        model_name = "default-model"

    # 流式输出处理进度
    runtime.stream_writer({"status": "processing", "model": model_name})

    return {"response": f"Processed by {model_name} for tenant {ctx.tenant_id}"}

graph = (
    StateGraph(state_schema=AgentState, context_schema=TenantContext)
    .add_node("access_control", access_control_node)
    .add_node("process", process_node)
    .add_edge(START, "access_control")
    .add_edge("access_control", "process")
    .add_edge("process", END)
    .compile(store=store)
)

# 不同租户使用不同的 context
result = graph.invoke(
    {"messages": ["Hello"]},
    context=TenantContext(
        tenant_id="acme",
        user_id="alice",
        role="admin",
        db_connection_string="postgresql://acme:...",
    )
)

14.11.2 Runtime 在重试场景中的行为

当节点配置了 RetryPolicy 时，Runtime 的 execution_info 会在每次重试中更新：

python 复制代码 
def flaky_node(state: AgentState, runtime: Runtime) -> dict:
    info = runtime.execution_info
    print(f"Attempt {info.node_attempt}")  # 1, 2, 3...

    if info.node_attempt == 1:
        raise ConnectionError("Temporary failure")

    # 第二次尝试成功
    return {"response": "Success after retry"}

框架会通过 runtime.patch_execution_info(node_attempt=2) 创建新的 Runtime 副本，传递给重试的执行。

14.12 小结

本章深入分析了 LangGraph 的 Runtime 与 Context 机制。Runtime[ContextT] 通过泛型类型参数将运行时依赖注入从一个"约定"提升为一个"类型安全的协议"。六个字段------context、store、stream_writer、previous、execution_info、server_info------覆盖了节点函数可能需要的全部运行时信息。frozen 语义确保了并发安全，override 和 merge 方法提供了不可变更新的能力。

Context 与 State 的分离是 LangGraph 架构中的关键决策：State 是"随步骤变化的数据"，通过 Channel 管理和 Checkpoint 持久化；Context 是"整个执行期间不变的依赖"，通过 Runtime 注入且不被持久化。这种分离让状态管理更纯粹，同时为敏感信息（如 API 密钥）提供了安全的传递通道。

下一章我们将探讨 BaseStore 接口和 InMemoryStore 实现，了解 LangGraph 如何提供跨线程的长期记忆能力。

相关推荐
杨艺韬4 小时前
LangGraph设计与实现-第18章-设计模式与架构决策
langchain·agent
杨艺韬4 小时前
LangGraph设计与实现-第11章-子图与嵌套
langchain·agent
杨艺韬4 小时前
LangGraph设计与实现-第16章-预构建 Agent 组件
langchain·agent
杨艺韬4 小时前
LangGraph设计与实现-第5章-图编译：从 StateGraph 到 CompiledStateGraph
langchain·agent
杨艺韬4 小时前
LangGraph设计与实现-第12章-Send 与动态并行
langchain·agent
杨艺韬4 小时前
LangGraph设计与实现-第8章-Checkpoint 持久化
langchain·agent
杨艺韬4 小时前
LangGraph设计与实现-第4章-Channel 状态管理与 Reducer
langchain·agent
杨艺韬4 小时前
LangGraph设计与实现-第1章-为什么需要理解 LangGraph
langchain·agent
杨艺韬4 小时前
LangGraph设计与实现-第3章-StateGraph 图构建 API
langchain·agent
热门推荐
012026年4月技术前沿：AI大模型爆发、智能体革命与量子安全新纪元02GitHub 镜像站点03一周AI热点速览（2026.03.31-04.06）：GPT-6曝光、谷歌开源Gemma 4、资本狂飙与模型军备竞赛04基于 Docker 部署 Hermes Agent 并接入飞书机器人的完整指南05GPT-6核心能力解析及与现有主流大模型对比06零成本！Ollama本地部署国产大模型全指南（支持Kimi-K2.5/GLM-5/Qwen，新手秒上手）07免费！不限量！用opencode接入英伟达（NVIDIA）大模型，轻松打造你的 AI 编程助手08CodeBuddy与WorkBuddy深度对比：腾讯两款AI工具差异及实操指南09从限购到畅通：GLM-5.1 Coding Plan接入攻略10LLM Wiki：让大模型替你打理知识库的完整指南