Context engineering은 AI 애플리케이션이 작업을 수행할 수 있도록 올바른 정보와 도구를 적절한 형식으로 제공하는 동적 시스템을 구축하는 실천 방법입니다. Context는 두 가지 주요 차원으로 특징지을 수 있습니다:
  1. 가변성에 따라:
  • Static context: 실행 중에 변경되지 않는 불변 데이터 (예: 사용자 메타데이터, 데이터베이스 연결, 도구)
  • Dynamic context: 애플리케이션이 실행되면서 진화하는 가변 데이터 (예: 대화 기록, 중간 결과, 도구 호출 관찰)
  1. 수명에 따라:
  • Runtime context: 단일 실행 또는 호출에 범위가 지정된 데이터
  • Cross-conversation context: 여러 대화 또는 세션에 걸쳐 지속되는 데이터
Runtime context는 로컬 context를 의미합니다: 코드가 실행되는 데 필요한 데이터와 종속성입니다. 다음을 의미하지 않습니다:
  • LLM context: LLM의 prompt에 전달되는 데이터
  • “context window”: LLM에 전달할 수 있는 최대 토큰 수
Runtime context는 LLM context를 최적화하는 데 사용할 수 있습니다. 예를 들어, runtime context의 사용자 메타데이터를 사용하여 사용자 기본 설정을 가져와 context window에 제공할 수 있습니다.
LangGraph는 가변성과 수명 차원을 결합한 세 가지 context 관리 방법을 제공합니다:
Context 유형설명가변성수명접근 방법
Static runtime context시작 시 전달되는 사용자 메타데이터, 도구, db 연결StaticSingle runinvoke/stream의 context 인자
Dynamic runtime context (state)단일 실행 중에 진화하는 가변 데이터DynamicSingle runLangGraph state 객체
Dynamic cross-conversation context (store)대화 간에 공유되는 영구 데이터DynamicCross-conversationLangGraph store

​
Static runtime context

Static runtime context는 invoke/stream의 context 인자를 통해 실행 시작 시 애플리케이션에 전달되는 사용자 메타데이터, 도구, 데이터베이스 연결과 같은 불변 데이터를 나타냅니다. 이 데이터는 실행 중에 변경되지 않습니다. 
@dataclass
class ContextSchema:
    user_name: str

graph.invoke(
    {"messages": [{"role": "user", "content": "hi!"}]},
    context={"user_name": "John Smith"}  
)
  • Agent prompt
  • Workflow node
  • In a tool
from dataclasses import dataclass
from langchain.agents import create_agent
from langchain.agents.middleware import dynamic_prompt, ModelRequest


@dataclass
class ContextSchema:
    user_name: str

@dynamic_prompt
def personalized_prompt(request: ModelRequest) -> str:  
    user_name = request.runtime.context.user_name
    return f"You are a helpful assistant. Address the user as {user_name}."

agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[get_weather],
    middleware=[personalized_prompt],
    context_schema=ContextSchema
)

agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]},
    context=ContextSchema(user_name="John Smith")  
)
자세한 내용은 Agents를 참조하세요.
Runtime 객체는 static context 및 활성 store, stream writer와 같은 기타 유틸리티에 접근하는 데 사용할 수 있습니다. 자세한 내용은 @[Runtime][langgraph.runtime.Runtime] 문서를 참조하세요.

​
Dynamic runtime context

Dynamic runtime context는 단일 실행 중에 진화할 수 있는 가변 데이터를 나타내며 LangGraph state 객체를 통해 관리됩니다. 여기에는 대화 기록, 중간 결과, 도구 또는 LLM 출력에서 파생된 값이 포함됩니다. LangGraph에서 state 객체는 실행 중 단기 메모리 역할을 합니다.
  • In an agent
  • In a workflow
예제는 state를 agent prompt에 통합하는 방법을 보여줍니다.State는 agent의 tools에서도 접근할 수 있으며, 필요에 따라 state를 읽거나 업데이트할 수 있습니다. 자세한 내용은 tool calling guide를 참조하세요.
from langchain.agents import create_agent
from langchain.agents.middleware import dynamic_prompt, ModelRequest
from langchain.agents import AgentState


class CustomState(AgentState):  
    user_name: str

@dynamic_prompt
def personalized_prompt(request: ModelRequest) -> str:  
    user_name = request.state.get("user_name", "User")
    return f"You are a helpful assistant. User's name is {user_name}"

agent = create_agent(
    model="anthropic:claude-sonnet-4-5",
    tools=[...],
    state_schema=CustomState,  
    middleware=[personalized_prompt],  
)

agent.invoke({
    "messages": "hi!",
    "user_name": "John Smith"
})
메모리 활성화하기 메모리를 활성화하는 방법에 대한 자세한 내용은 memory guide를 참조하세요. 이는 여러 호출에 걸쳐 agent의 state를 유지할 수 있는 강력한 기능입니다. 그렇지 않으면 state는 단일 실행에만 범위가 지정됩니다.

​
Dynamic cross-conversation context

Dynamic cross-conversation context는 여러 대화 또는 세션에 걸쳐 지속되는 영구적이고 가변적인 데이터를 나타내며 LangGraph store를 통해 관리됩니다. 여기에는 사용자 프로필, 기본 설정, 과거 상호작용이 포함됩니다. LangGraph store는 여러 실행에 걸친 장기 메모리 역할을 합니다. 이는 영구적인 사실(예: 사용자 프로필, 기본 설정, 이전 상호작용)을 읽거나 업데이트하는 데 사용할 수 있습니다.

​
참고 자료

Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I