LangChain 工具访问 -- InjectedState 与 InjectedStore
有时工具需要访问更多上下文信息，比如当前对话的状态、用户的持久化数据等。
LangChain 通过依赖注入机制，让工具函数能够自动获取这些信息。
InjectedState——在工具中访问 Agent 状态
默认情况下，工具只能通过参数接收模型传来的数据。但有时工具需要知道当前对话的上下文——比如之前的对话历史、用户已确认的信息等。
InjectedState 让工具可以直接读取 Agent 的完整状态。
实例
python
from typing import Annotated, Any
from dotenv import load_dotenv
load_dotenv()
from langchain.tools import tool, InjectedState
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
@tool
def remember_preference(
preference: str,
state: Annotated[dict[str, Any], InjectedState],
) -> str:
"""记住用户的偏好设置。
Args:
preference: 用户的偏好内容
state: 系统自动注入的当前 Agent 状态
"""
# 从状态中获取之前的消息历史
messages = state.get("messages", [])
message_count = len(messages)
# 可以读取状态中的任何字段
previous_prefs = state.get("user_preferences", "无")
return (
f"已记住偏好: {preference}。"
f"(当前对话共 {message_count} 条消息，"
f"之前偏好: {previous_prefs})"
)
# InjectedState 会被自动注入，Agent 不需要传这个参数
result = remember_preference.invoke({
"preference": "暗色主题",
# state 不需要传，由框架自动注入
})
print(result)运行结果：
python
已记住偏好: 暗色主题。(当前对话共 0 条消息，之前偏好: 无)在 Agent 中使用 InjectedState
实例
python
from typing import Annotated, Any
from langchain.tools import tool, InjectedState
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
@tool
def conversation_stats(
state: Annotated[dict[str, Any], InjectedState],
) -> str:
"""获取当前对话的统计信息，如消息数量、对话长度等。
不需要任何参数，统计信息从当前状态中自动读取。
"""
messages = state.get("messages", [])
human_msgs = [m for m in messages if m.type == "human"]
ai_msgs = [m for m in messages if m.type == "ai"]
tool_msgs = [m for m in messages if m.type == "tool"]
return (
f"对话统计：共 {len(messages)} 条消息 | "
f"用户消息 {len(human_msgs)} 条 | "
f"AI 回复 {len(ai_msgs)} 条 | "
f"工具调用 {len(tool_msgs)} 次"
)InjectedState 让你可以访问 AgentState 中的所有字段。如果你扩展了 state_schema（增加了自定义字段），这些字段也可以被 InjectedState 读取到。
InjectedStore——在工具中访问持久化存储
Agent 状态（state）是对话级别的，对话结束就没了。而 Store 是跨会话的持久化存储，可以用来保存用户偏好、学习进度等长期信息。
InjectedStore 让工具可以直接读写 Store。
实例
python
from typing import Annotated
from langgraph.store.base import BaseStore
from langgraph.store.memory import InMemoryStore
from langchain.tools import tool, InjectedStore, InjectedState
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
# 创建一个持久化存储（在实际项目中可以用数据库存储）
store = InMemoryStore()
# 预置一些数据
store.put(("users", "user_001"), "profile", {
"data": {
"name": "小明",
"level": "入门",
"completed_courses": ["HTML 基础教程"]
}
})
@tool
def get_user_profile(
store: Annotated[BaseStore, InjectedStore()],
) -> str:
"""获取当前用户的学习档案信息。
从持久化存储中读取用户数据。
"""
# 从 Store 中读取数据
# Store 使用命名空间 (namespace, key) 来组织数据
item = store.get(("users", "user_001"), "profile")
if item is None:
return "未找到用户档案"
profile = item.value["data"]
return (
f"用户档案：姓名={profile['name']}，"
f"水平={profile['level']}，"
f"已完成课程={', '.join(profile['completed_courses'])}"
)
@tool
def save_course_progress(
course_name: str,
store: Annotated[BaseStore, InjectedStore()],
) -> str:
"""保存用户的学习进度到持久化存储。
Args:
course_name: 已完成的课程名称
store: 系统自动注入的持久化存储
"""
# 读取现有数据
item = store.get(("users", "user_001"), "profile")
profile = item.value["data"] if item else {"name": "小明", "level": "入门", "completed_courses": []}
# 更新课程列表
if course_name not in profile["completed_courses"]:
profile["completed_courses"].append(course_name)
# 写回 Store
store.put(("users", "user_001"), "profile", {"data": profile})
return (
f"学习进度已更新！已完成 {len(profile['completed_courses'])} 门课程："
f"{', '.join(profile['completed_courses'])}"
)
# 测试工具
print(get_user_profile.invoke({}))
print(save_course_progress.invoke({"course_name": "Python3 基础教程"}))
print(get_user_profile.invoke({}))运行结果：
python
用户档案：姓名=小明，水平=入门，已完成课程=HTML 基础教程
学习进度已更新！已完成 2 门课程：HTML 基础教程, Python3 基础教程
用户档案：姓名=小明，水平=入门，已完成课程=HTML 基础教程, Python3 基础教程在 Agent 中结合 Store
将 Store 传给 create_agent()，Agent 中的所有工具都能通过 InjectedStore 访问它：
实例
python
from typing import Annotated
from langgraph.store.base import BaseStore
from langgraph.store.memory import InMemoryStore
from langchain.tools import tool, InjectedStore
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
# 创建 Store 并预置数据
store = InMemoryStore()
store.put(("runoob", "courses"), "catalog", {
"data": {
"Python3 基础教程": {"price": "免费", "duration": "20小时"},
"Python 数据分析": {"price": "会员", "duration": "30小时"},
"HTML 基础教程": {"price": "免费", "duration": "15小时"},
}
})
@tool
def query_course_price(
course_name: str,
store: Annotated[BaseStore, InjectedStore()],
) -> str:
"""查询菜鸟教程 RUNOOB 中指定课程的价格信息。
Args:
course_name: 课程名称
"""
item = store.get(("runoob", "courses"), "catalog")
catalog = item.value["data"] if item else {}
if course_name in catalog:
info = catalog[course_name]
return f"《{course_name}》- 价格：{info['price']}，学习时长：{info['duration']}"
return f"未找到课程《{course_name}》"
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
tools=[query_course_price],
store=store, # 将 Store 传入 Agent
system_prompt="你是菜鸟教程 RUNOOB 的课程顾问。",
)
result = agent.invoke({
"messages": [HumanMessage(content="Python3 基础教程和 Python 数据分析分别多少钱？")]
})
print(result["messages"][-1].content)运行结果：
python
根据查询结果：
- 《Python3 基础教程》是免费的，学习时长约 20 小时
- 《Python 数据分析》是会员课程，学习时长约 30 小时
建议先从免费的 Python3 基础教程开始学习。InjectedState vs InjectedStore 对比
| 维度 | InjectedState | InjectedStore |
|---|---|---|
| 作用域 | 当前对话（单次 Agent 运行） | 跨会话（多次 Agent 运行共享） |
| 生命周期 | 对话结束即消失 | 持久化存储 |
| 典型用途 | 读取消息历史、当前对话的中间结果 | 用户偏好、学习进度、配置信息 |
| 传入方式 | InjectedState（自动注入） | InjectedStore()（需要括号） |
| 数据组织 | 扁平字典 | 命名空间 + 键的层级结构 |
InjectedToolArg——标记通用注入参数
除了专门的 InjectedState 和 InjectedStore，你还可以用 InjectedToolArg 标记任何需要框架注入的参数：
实例
python
from typing import Annotated
from langchain.tools import tool, InjectedToolArg
@tool
def my_tool(
normal_param: str,
injected_param: Annotated[str, InjectedToolArg],
) -> str:
"""一个包含注入参数的示例工具。
Args:
normal_param: 这个参数由模型提供
injected_param: 这个参数由框架注入（Agent 不需要提供）
"""
return f"normal={normal_param}, injected={injected_param}"InjectedToolArg 是通用的注入标记，InjectedState、InjectedStore 和 InjectedToolCallId 都是基于它实现的。大多数情况下使用专门的注入标记即可，InjectedToolArg 用于扩展自定义注入逻辑。
AI 思考中...