langchain agent动态变更系统prompt

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

1. 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。
2. 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。
3. 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。
4. 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。
5. 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：