Skip to main content
你可能需要为新的运行以不同配置重建你的图。例如，你可能希望根据用户的凭证加载不同的工具。本指南展示了如何使用 ServerRuntime 实现这一点。
在大多数情况下，最好通过在单个节点内根据配置进行条件判断来处理定制需求，而不是动态改变整个图结构。这样更易于测试和管理。

​
前提条件

  • 请务必先查看此操作指南，了解如何为部署设置你的应用。
  • ServerRuntime 需要 langgraph-api >= 0.7.31 和 langgraph-sdk >= 0.3.5。在此版本之前，图工厂只接受单个 config: RunnableConfig 参数。

​
定义图

假设你有一个应用，其中包含一个调用 LLM 并向用户返回响应的简单图。应用文件目录结构如下： 
my-app/
|-- langgraph.json
|-- my_project/
|   |-- __init__.py
|   |-- agents.py     # 你的图代码
|-- pyproject.toml
其中图定义在 agents.py 中。

​
不重建

部署 Agent Server 最常见的方式是引用在文件顶层定义的已编译图实例。示例如下： 
# my_project/agents.py
from langgraph.graph import StateGraph, MessagesState, START

async def model(state: MessagesState):
    return {"messages": [{"role": "assistant", "content": "Hi, there!"}]}

graph_workflow = StateGraph(MessagesState)
graph_workflow.add_node("model", model)
graph_workflow.add_edge(START, "model")
agent = graph_workflow.compile()
为了让服务器识别你的图，你需要在 LangGraph API 配置 (langgraph.json) 中指定包含 CompiledStateGraph 实例的变量路径，例如： 
{
    "$schema": "https://langgra.ph/schema.json",
    "dependencies": ["."],
    "graphs": {
        "chat_agent": "my_project.agents:agent",
    }
}

​
重建

要为每次新运行重建你的图，请提供一个工厂函数，该函数返回（或生成）一个图。工厂函数可以选择性地接受 ServerRuntime 参数或 RunnableConfig。服务器会检查你函数的类型注解以确定要注入哪些参数，因此请确保包含正确的类型提示。服务器的队列工作器会在需要处理运行时调用你的工厂函数。该函数也会在某些其他端点（用于更新状态、读取状态或获取助手模式）时被调用。ServerRuntime 会告诉你触发调用的上下文。
ServerRuntime 处于测试阶段，未来版本可能会更改。

​
简单工厂

最简单的形式是一个普通的 async def 函数，它返回一个已编译的图： 
from langchain_openai import ChatOpenAI
from langgraph.graph import START, StateGraph
from langchain_core.runnables import RunnableConfig
from langgraph_sdk.runtime import ServerRuntime

from my_agent.utils.state import AgentState

model = ChatOpenAI(model="gpt-5.2")


def make_graph_for_user(user_id: str):
    """为每个用户构建定制化的图。"""
    graph_workflow = StateGraph(AgentState)

    async def call_model(state):
        return {"messages": [await model.ainvoke(state["messages"])]}

    graph_workflow.add_node("agent", call_model)
    graph_workflow.add_edge(START, "agent")
    return graph_workflow.compile()


async def make_graph(config: RunnableConfig, runtime: ServerRuntime):
    user = runtime.ensure_user()
    return make_graph_for_user(user.identity)

​
上下文管理器工厂

如果你需要设置和清理资源（数据库连接、加载 MCP 工具等），请使用异步上下文管理器。使用 runtime.execution_runtime 来检查图是被调用用于实际执行还是仅用于内省（模式、可视化）： 
import contextlib

from langchain_openai import ChatOpenAI
from langgraph.graph import START, StateGraph
from langchain_core.runnables import RunnableConfig
from langgraph_sdk.runtime import ServerRuntime

from my_agent.utils.state import AgentState

model = ChatOpenAI(model="gpt-5.2")


def make_agent_graph(tools: list):
    """创建一个简单的 LLM 智能体。"""
    graph_workflow = StateGraph(AgentState)
    bound = model.bind_tools(tools)

    async def call_model(state):
        return {"messages": [await bound.ainvoke(state["messages"])]}

    graph_workflow.add_node("agent", call_model)
    graph_workflow.add_edge(START, "agent")
    return graph_workflow.compile()


@contextlib.asynccontextmanager
async def make_graph(runtime: ServerRuntime):
    if ert := runtime.execution_runtime:
        # 仅在真正执行期间设置昂贵的资源。
        # 内省调用（get_schema、get_graph 等）会跳过此部分。
        mcp_tools = await connect_mcp(ert.ensure_user())  # 你的设置逻辑
        yield make_agent_graph(tools=mcp_tools)
        await disconnect_mcp()  # 你的清理逻辑
    else:
        # 对于模式/状态读取，返回具有相同拓扑但无需昂贵资源设置的图。
        yield make_agent_graph(tools=[])
最后，在 langgraph.json 中指定你的工厂路径： 
{
    "$schema": "https://langgra.ph/schema.json",
    "dependencies": ["."],
    "graphs": {
        "chat_agent": "my_project.agents:make_graph",
    }
}

​
ServerRuntime 参考

你的工厂函数接收一个 ServerRuntime 实例，该实例具有以下属性：
属性类型描述
access_contextstr工厂被调用的原因："threads.create_run"、"threads.update"、"threads.read" 或 "assistants.read"。
userBaseUser | None已认证的用户，如果未配置自定义认证，则为 None。
storeBaseStore用于持久化和内存的存储实例。
方法：
方法描述
ensure_user()返回已认证的用户。如果未提供用户，则引发 PermissionError。
execution_runtime当 access_context 为 "threads.create_run" 时返回执行运行时，否则返回 None。使用此方法有条件地仅在执行期间设置昂贵的资源。

​
访问上下文

服务器在多种上下文中调用你的工厂，而不仅仅是执行运行。在所有上下文中，返回的图应具有相同的拓扑（节点、边、状态模式）。在写入上下文（threads.create_run、threads.update）中，不匹配的拓扑可能导致不正确的状态更新。在读取上下文（threads.read、assistants.read）中，不匹配会影响报告的待处理任务、模式和可视化，但不会损坏数据。使用 execution_runtime 有条件地设置昂贵的资源，而无需改变图结构。
上下文描述
threads.create_run完整的图执行。execution_runtime 可用。
threads.update通过 aupdate_state 进行状态更新。不执行节点函数，但可以更改待处理任务。
threads.read通过 aget_state / aget_state_history 进行状态读取。
assistants.read用于可视化、MCP、A2A 等的模式和图内省。

​
为每个图定制追踪

你可以使用工厂函数为特定图定制或禁用追踪。有关示例，请参阅条件追踪：在已部署的智能体中定制追踪。 更多信息请参阅 LangGraph API 配置文件。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.