langchain agent动态变更系统prompt

路边草随风

于 2025-12-17 11:19:47 发布

阅读量212

点赞数 5

CC 4.0 BY-SA版权

分类专栏： langchain 文章标签： langchain prompt python 人工智能

本文链接：https://blog.youkuaiyun.com/luohualiushui1/article/details/156006815

langchain 专栏收录该内容

4 篇文章

订阅专栏

一.背景

LangChain Agent 作为大语言模型（LLM）驱动的智能体核心，** 系统 Prompt（提示词）** 是其行为准则与决策逻辑的 “顶层设计”—— 它定义了 Agent 的角色定位（如 “智能客服”“数据分析师”）、任务目标、工具使用规则、语言风格等核心要素，是 Agent 能够按照预期逻辑执行任务的基础。但在 LangChain 原生的 Agent 架构中，系统 Prompt 通常被固化为静态配置（在 Agent 初始化时定义，运行过程中无法修改），这一设计在应对复杂多变的业务场景时，暴露出严重的局限性。因此，“动态变更系统 Prompt” 成为 LangChain Agent 从 “固定逻辑的单一智能体” 升级为 “自适应的柔性智能体” 的关键能力，其需求源于静态 Prompt 机制在实际业务中的核心痛点，也是 Agent 适配多样化、动态化业务需求的必要支撑。

1.静态系统 Prompt 的核心痛点

LangChain Agent 原生的静态 Prompt 机制，将 Agent 的行为逻辑与角色设定绑定在初始化阶段，运行过程中无法根据外部变化调整 Prompt 内容，在面对实际业务的动态需求时，存在以下难以解决的问题：

1. 无法适配多角色 / 多场景的切换需求

企业级 Agent 往往需要处理多类型任务、扮演多类角色，而静态 Prompt 只能定义单一角色与逻辑。例如：

一个企业智能助手 Agent，既需要在工作时间作为 “业务数据分析师”（使用数据库工具查询销售数据、生成分析报告），又需要在非工作时间作为 “企业行政助手”（处理会议预约、差旅规划）；静态 Prompt 无法实现角色的动态切换，若要支持多角色，需开发多个独立的 Agent，增加开发与维护成本；
电商智能客服 Agent，面对新用户时需要 “友好引导型” 的对话逻辑，面对老用户时需要 “高效解决问题型” 的逻辑，面对投诉用户时需要 “安抚致歉型” 的逻辑；静态 Prompt 只能采用通用逻辑，无法根据用户类型动态调整对话策略，导致用户体验参差不齐。

2. 无法响应业务规则的实时变更

业务规则（如工具使用权限、任务处理流程、回答规范）往往会随业务发展实时调整，而静态 Prompt 无法同步更新这些规则，导致 Agent 执行结果不符合最新业务要求。例如：

金融风控 Agent 的工具使用规则发生变更：“禁止调用未经过合规审核的外部 API”，但静态 Prompt 中仍保留 “可调用所有金融数据 API” 的规则，Agent 会继续违规调用 API，引发合规风险；
电商 Agent 的促销活动规则更新：“双 11 期间推荐商品时需优先展示折扣商品”，静态 Prompt 未同步更新，Agent 仍按日常规则推荐商品，导致促销效果大打折扣；
此时若要修改 Prompt，需重启 Agent 实例，不仅会中断正在执行的任务，还会导致服务不可用，影响业务连续性。

3. 无法根据任务上下文动态调整决策逻辑

Agent 执行的任务往往具有上下文依赖性，不同的任务阶段、中间结果需要不同的决策逻辑，但静态 Prompt 无法根据上下文变化调整引导逻辑。例如：

多步骤任务 Agent 执行 “查询用户订单→验证订单状态→处理退款申请” 的流程时，在 “查询订单” 阶段需要 “精准调用订单工具” 的逻辑，在 “处理退款” 阶段需要 “严格遵循退款规则” 的逻辑；静态 Prompt 只能提供通用的步骤指引，无法针对不同阶段细化逻辑，可能导致 Agent 在退款阶段出现规则执行偏差；
Agent 调用工具后获取的中间结果不符合预期（如查询到的订单数据为空），静态 Prompt 无法根据这一结果调整后续逻辑（如 “主动追问用户订单号是否正确”），只能按照预设逻辑继续执行，导致任务失败。

4. 无法适配个性化用户需求

不同用户对 Agent 的响应风格、输出格式、信息深度有不同的个性化需求，静态 Prompt 只能提供统一的输出标准，无法满足个性化要求。例如：

技术人员使用数据分析 Agent 时，需要 “详细的技术指标与数据来源”，而非技术人员则需要 “简洁的自然语言结论与可视化建议”；静态 Prompt 无法根据用户身份调整输出格式，导致技术人员觉得信息不足，非技术人员觉得内容晦涩；
海外用户使用 Agent 时需要英文输出，国内用户需要中文输出，静态 Prompt 只能固定一种语言，无法根据用户地域动态切换，限制了 Agent 的全球化应用。

5. 无法应对突发场景的应急调整

当 Agent 遇到突发场景（如工具大规模故障、敏感信息泄露风险、用户恶意提问）时，需要临时调整行为逻辑，而静态 Prompt 无法实现应急修改。例如：

Agent 依赖的天气 API 出现大规模故障，需要临时调整逻辑为 “告知用户当前天气服务不可用，并提供手动查询方式”；静态 Prompt 无此逻辑，Agent 会反复调用故障工具，陷入死循环；
Agent 收到用户的恶意提问（如要求生成违规内容），静态 Prompt 中的合规规则若未覆盖该场景，Agent 可能生成不当内容，引发风险；此时若无法动态更新 Prompt 增加拦截规则，只能被动等待 Agent 重启。

2.动态变更系统 Prompt 的核心价值

LangChain Agent 动态变更系统 Prompt，本质是通过Prompt 动态注入、上下文感知调整、规则实时同步的机制，让 Agent 在运行过程中根据外部触发条件（如角色切换指令、业务规则更新、用户类型变化）或内部状态（如任务阶段、中间结果），实时修改系统 Prompt 内容，而无需重启 Agent 实例。这一能力解决了静态 Prompt 的痛点，核心价值体现在：

1. 支持多角色 / 多场景的无缝切换

通过动态变更 Prompt，Agent 可在单一实例中实现多角色、多场景的灵活切换，无需开发多个独立 Agent。例如：

企业智能助手 Agent 可根据用户输入的 “切换为数据分析师” 指令，实时加载 “数据分析师” 的 Prompt（包含工具使用规则、分析逻辑）；当用户输入 “切换为行政助手” 时，再加载 “行政助手” 的 Prompt，实现角色的无缝切换；
电商客服 Agent 可根据用户标签（新用户 / 老用户 / 投诉用户），自动加载对应的 Prompt 模板，调整对话策略，提升不同用户的体验。

2. 实时同步业务规则，保障合规性与业务连续性

当业务规则发生变更时，可通过外部系统（如配置平台、管理后台）实时更新 Agent 的系统 Prompt，Agent 无需重启即可按照新规则执行任务。例如：

金融风控 Agent 的合规规则更新后，管理员可在配置平台修改 Prompt 中的工具使用规则，Agent 在下一次决策时自动采用新规则，避免违规操作；
电商促销规则更新后，Prompt 可实时注入 “优先推荐折扣商品” 的逻辑，Agent 立即按照新规则推荐商品，无需中断服务。

3. 基于任务上下文动态优化决策逻辑

Agent 可根据当前任务阶段、中间结果等上下文信息，自动调整 Prompt 内容，细化决策逻辑，提升任务完成率。例如：

多步骤退款 Agent 在 “查询订单” 阶段加载 “精准调用订单工具” 的 Prompt，在 “处理退款” 阶段加载 “遵循退款规则校验” 的 Prompt，在 “完成退款” 阶段加载 “生成退款确认通知” 的 Prompt，每一步都采用针对性的逻辑；
当 Agent 查询到订单数据为空时，自动加载 “追问用户订单号” 的 Prompt，主动获取补充信息，而非直接终止任务。

4. 实现个性化用户体验，适配多样化需求

Agent 可根据用户的身份、地域、使用习惯等信息，动态加载个性化的 Prompt 模板，调整输出风格与格式。例如：

数据分析 Agent 识别到用户为技术人员时，加载 “详细输出数据指标与来源” 的 Prompt；识别到非技术人员时，加载 “简洁输出结论与建议” 的 Prompt；
全球化 Agent 可根据用户的 IP 地址或语言偏好，动态切换 Prompt 的语言类型（中文 / 英文 / 日语），并调整对应的文化适配规则。

5. 快速响应突发场景，提升 Agent 的鲁棒性

当遇到工具故障、敏感问题等突发场景时，可通过动态 Prompt 快速注入应急逻辑，让 Agent 自主应对突发情况。例如：

天气 API 故障时，系统自动向 Agent 注入 “告知用户服务不可用并提供替代方案” 的 Prompt，Agent 立即停止调用故障工具，按照应急逻辑响应用户；
发现用户恶意提问时，管理员可实时注入 “拦截违规问题并提示用户遵守规则” 的 Prompt，Agent 立即拒绝生成违规内容，规避风险。

6. 降低开发与维护成本，提升 Agent 的扩展性

动态 Prompt 机制允许将 Agent 的行为逻辑与业务规则解耦，通过 Prompt 模板的方式管理不同场景的逻辑，无需修改 Agent 代码即可新增场景或调整逻辑。例如：

要为 Agent 新增 “合同审查” 角色，只需编写对应的 Prompt 模板并配置触发条件，无需重新开发 Agent 实例；
不同行业的 Agent 可复用同一套核心代码，仅通过替换 Prompt 模板即可适配金融、电商、医疗等不同行业的规则，提升扩展性。

3.动态变更系统 Prompt 的典型应用场景

企业多角色智能助手：企业内部的智能助手需要扮演数据分析师、行政助手、技术支持等多个角色，通过动态 Prompt 实现角色无缝切换，提升助手的通用性。
电商智能客服系统：客服 Agent 需要根据用户类型（新用户 / 老用户 / 投诉用户）、促销活动（日常 / 大促）动态调整对话逻辑，优化用户体验与转化效率。
金融风控智能体：金融 Agent 需要实时同步合规规则与风控政策，通过动态 Prompt 注入最新规则，避免违规操作，保障金融业务的合规性。
全球化智能应用：面向全球用户的 Agent 需要根据用户的语言、地域、文化背景动态切换 Prompt 的语言与行为规则，适配全球化需求。
应急响应智能体：在工具故障、系统异常、用户恶意提问等突发场景下，通过动态 Prompt 快速注入应急逻辑，提升 Agent 的鲁棒性与风险防控能力。

4.关键优势总结

LangChain Agent 动态变更系统 Prompt 的核心价值，是将 Agent 从 “被静态规则束缚的智能体” 转化为 “能够自适应外部变化与内部上下文的柔性智能体”。它解决了静态 Prompt 无法适配多角色、无法响应业务规则变更、无法满足个性化需求的痛点，同时降低了多场景 Agent 的开发与维护成本，提升了 Agent 的业务连续性与风险防控能力。这一能力是 LangChain Agent 从 “单一场景工具” 升级为 “企业级通用智能体” 的关键，也是 Agent 规模化落地复杂业务场景的必要条件。

综上，LangChain Agent 动态变更系统 Prompt 的需求，源于企业对 Agent 应用 “灵活性、适应性、连续性” 的核心诉求：解决了静态 Prompt 机制的诸多痛点，支撑多角色助手、智能客服、金融风控等核心业务场景，为 LangChain Agent 的产业化落地提供了关键技术支撑。

二.具体实现

1.添加依赖

from langchain.agents import create_agent
import sys
import io
import os
from langchain.tools import tool
from langchain.agents.middleware import wrap_tool_call
from langchain.messages import ToolMessage
from langchain.agents.middleware import dynamic_prompt, ModelRequest
from typing import TypedDict

2.配置大模型参数

# 设置UTF-8编码，解决中文乱码问题
if sys.stdout.encoding != 'utf-8':
    sys.stdout.reconfigure(encoding='utf-8')
if sys.stderr.encoding != 'utf-8':
    sys.stderr.reconfigure(encoding='utf-8')
os.environ['PYTHONIOENCODING'] = 'utf-8'

os.environ["OPENAI_API_BASE"] = "xxxx"
    

os.environ["OPENAI_API_KEY"] = "xxxx"

3.定义上下文类

class Context(TypedDict):
    type: str

4.定义动态prompt函数

@dynamic_prompt
def dynamic_prompt(request: ModelRequest) -> str:
    """Generate system prompt based on user role."""
    type = request.runtime.context.get("type", "user")
    base_prompt = "你是一个很好的助手"

    if type == "1":
        return f"{base_prompt} 用一句话描述"
    elif type == "2":
        return f"{base_prompt} 用一个例子说明"

    return base_prompt

5.定义agent

agent = create_agent(
    model="gpt-4.1-2025-04-14",
    middleware=[dynamic_prompt],
    context_schema=Context
)

6.调用agent,参数类型1

result = agent.invoke(
    {"messages": [{"role": "user", "content": "解释什么是大模型"}]},
    context={"type": "1"}
)

print(result)

结果如下：

7.调用agent,参数类型2

result = agent.invoke(
    {"messages": [{"role": "user", "content": "解释什么是大模型"}]},
    context={"type": "2"}
)

print(result)

结果如下：