LangChain 提示词 -- System Prompt 与 Dynamic Prompt
System Prompt（系统提示词）是控制 Agent 行为的核心手段。
本节介绍静态提示词和动态提示词的使用方法。
system_prompt 参数
create_agent() 的 system_prompt 参数接受两种形式：
实例
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import SystemMessage
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 方式 1：字符串（最简单）
agent = create_agent(
model=model,
system_prompt="你是菜鸟教程 RUNOOB 的学习顾问，回答要简洁专业。",
)
# 方式 2：SystemMessage 对象（可复用）
system_msg = SystemMessage(
content="你是菜鸟教程 RUNOOB 的学习顾问，回答要简洁专业。"
)
agent = create_agent(model=model, system_prompt=system_msg)
from langchain.chat_models import init_chat_model
from langchain.messages import SystemMessage
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 方式 1：字符串（最简单）
agent = create_agent(
model=model,
system_prompt="你是菜鸟教程 RUNOOB 的学习顾问，回答要简洁专业。",
)
# 方式 2：SystemMessage 对象（可复用）
system_msg = SystemMessage(
content="你是菜鸟教程 RUNOOB 的学习顾问，回答要简洁专业。"
)
agent = create_agent(model=model, system_prompt=system_msg)
设计有效的 System Prompt
一个好的 system_prompt 应包含以下要素：
实例
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
from langchain.tools import tool
@tool
def search_course(keyword: str) -> str:
"""在菜鸟教程搜索课程"""
courses = {
"python": "Python3 基础教程（免费）",
"html": "HTML 基础教程（免费）",
}
return courses.get(keyword.lower(), "未找到相关课程")
# 一个设计良好的 system_prompt
GOOD_PROMPT = """你是菜鸟教程 RUNOOB 的学习顾问。
## 你的职责
- 帮助用户找到合适的编程课程
- 回答编程学习相关的问题
- 根据用户水平推荐学习路径
## 行为准则
- 回答要简洁，每次不超过 3 句话
- 优先使用 search_course 工具查询课程信息
- 如果用户是零基础，优先推荐入门课程
- 不使用 emoji 表情
- 不知道的就说不知道，不要编造"""
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
tools=[search_course],
system_prompt=GOOD_PROMPT,
)
result = agent.invoke({
"messages": [HumanMessage(content="我零基础，想学编程，推荐什么？")]
})
print(result["messages"][-1].content)
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
from langchain.tools import tool
@tool
def search_course(keyword: str) -> str:
"""在菜鸟教程搜索课程"""
courses = {
"python": "Python3 基础教程（免费）",
"html": "HTML 基础教程（免费）",
}
return courses.get(keyword.lower(), "未找到相关课程")
# 一个设计良好的 system_prompt
GOOD_PROMPT = """你是菜鸟教程 RUNOOB 的学习顾问。
## 你的职责
- 帮助用户找到合适的编程课程
- 回答编程学习相关的问题
- 根据用户水平推荐学习路径
## 行为准则
- 回答要简洁，每次不超过 3 句话
- 优先使用 search_course 工具查询课程信息
- 如果用户是零基础，优先推荐入门课程
- 不使用 emoji 表情
- 不知道的就说不知道，不要编造"""
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
tools=[search_course],
system_prompt=GOOD_PROMPT,
)
result = agent.invoke({
"messages": [HumanMessage(content="我零基础，想学编程，推荐什么？")]
})
print(result["messages"][-1].content)
运行结果：
建议从 Python3 基础教程开始学习。Python 语法简洁，适合零基础入门。 该课程在菜鸟教程 RUNOOB 上免费提供，内容系统全面。
@dynamic_prompt——动态生成提示词
静态 system_prompt 对所有用户一视同仁。但实际应用中，你可能需要根据用户信息、对话上下文、时间等动态调整提示词。
@dynamic_prompt 装饰器让你在每次模型调用前动态生成 system_prompt。
实例
from langchain.agents import create_agent
from langchain.agents.middleware import dynamic_prompt
from langchain.agents.middleware.types import ModelRequest
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
from langchain.tools import tool
@tool
def search_course(keyword: str) -> str:
"""在菜鸟教程搜索课程"""
courses = {
"python": "Python3 基础教程（免费，20小时）",
"html": "HTML 基础教程（免费，15小时）",
"java": "Java 基础教程（免费，25小时）",
}
return courses.get(keyword.lower(), "未找到相关课程")
# @dynamic_prompt 装饰器：接收 ModelRequest，返回新的 system_prompt
@dynamic_prompt
def personalized_prompt(request: ModelRequest) -> str:
"""根据对话上下文动态生成个性化提示词"""
messages = request.state.get("messages", [])
message_count = len(messages)
# 可以根据不同的条件动态调整提示词
base_prompt = "你是菜鸟教程 RUNOOB 的学习顾问。"
if message_count <= 2:
# 对话刚开始，耐心引导
return base_prompt + (
"用户刚开始对话，请先热情问候，"
"然后询问他们的学习目标和当前水平。"
)
elif message_count > 10:
# 长对话，提醒保持简洁
return base_prompt + (
"对话已经比较长了，回答要尽量简洁，"
"每次不超过 2 句话。"
)
else:
# 正常对话阶段
return base_prompt + (
"根据用户之前的问题推荐合适的课程，"
"使用 search_course 工具查询课程信息。"
)
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
tools=[search_course],
middleware=[personalized_prompt], # 通过 middleware 注入
)
# 第一次对话（message_count <= 2，引导模式）
result = agent.invoke({
"messages": [HumanMessage(content="你好")]
})
print(f"第一轮回复: {result['messages'][-1].content}")
from langchain.agents.middleware import dynamic_prompt
from langchain.agents.middleware.types import ModelRequest
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
from langchain.tools import tool
@tool
def search_course(keyword: str) -> str:
"""在菜鸟教程搜索课程"""
courses = {
"python": "Python3 基础教程（免费，20小时）",
"html": "HTML 基础教程（免费，15小时）",
"java": "Java 基础教程（免费，25小时）",
}
return courses.get(keyword.lower(), "未找到相关课程")
# @dynamic_prompt 装饰器：接收 ModelRequest，返回新的 system_prompt
@dynamic_prompt
def personalized_prompt(request: ModelRequest) -> str:
"""根据对话上下文动态生成个性化提示词"""
messages = request.state.get("messages", [])
message_count = len(messages)
# 可以根据不同的条件动态调整提示词
base_prompt = "你是菜鸟教程 RUNOOB 的学习顾问。"
if message_count <= 2:
# 对话刚开始，耐心引导
return base_prompt + (
"用户刚开始对话，请先热情问候，"
"然后询问他们的学习目标和当前水平。"
)
elif message_count > 10:
# 长对话，提醒保持简洁
return base_prompt + (
"对话已经比较长了，回答要尽量简洁，"
"每次不超过 2 句话。"
)
else:
# 正常对话阶段
return base_prompt + (
"根据用户之前的问题推荐合适的课程，"
"使用 search_course 工具查询课程信息。"
)
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
tools=[search_course],
middleware=[personalized_prompt], # 通过 middleware 注入
)
# 第一次对话（message_count <= 2，引导模式）
result = agent.invoke({
"messages": [HumanMessage(content="你好")]
})
print(f"第一轮回复: {result['messages'][-1].content}")
运行结果：
第一轮回复: 你好！欢迎来到菜鸟教程 RUNOOB。请问您想学习什么内容？ 目前的编程水平如何？我可以根据您的情况推荐合适的课程。
@dynamic_prompt 进阶——结合运行时上下文
@dynamic_prompt 的 request 参数提供了丰富的信息：
实例
from datetime import datetime
from langchain.agents.middleware import dynamic_prompt
from langchain.agents.middleware.types import ModelRequest
@dynamic_prompt
def context_aware_prompt(request: ModelRequest) -> str:
"""根据用户信息、时间和对话阶段动态生成提示词"""
# 从 runtime.context 获取用户信息
context = request.runtime.context
user_name = context.get("user_name", "同学") if context else "同学"
user_level = context.get("user_level", "入门") if context else "入门"
# 获取当前时间
now = datetime.now()
greeting = "早上好" if now.hour < 12 else "下午好" if now.hour < 18 else "晚上好"
# 获取当前消息数
messages = request.state.get("messages", [])
prompt = f"""你是菜鸟教程 RUNOOB 的学习顾问。
当前时间：{now.strftime('%Y年%m月%d日 %H:%M')}
用户信息：{user_name}，{user_level} 级别
## 行为准则
- 称呼用户为"{user_name}"
- 根据用户级别（{user_level}）推荐合适难度的课程
- 回答要友好但不啰嗦"""
# 长对话时追加简化提示
if len(messages) > 20:
prompt += "\n- 对话很长了，回答尽量精简"
return prompt
from langchain.agents.middleware import dynamic_prompt
from langchain.agents.middleware.types import ModelRequest
@dynamic_prompt
def context_aware_prompt(request: ModelRequest) -> str:
"""根据用户信息、时间和对话阶段动态生成提示词"""
# 从 runtime.context 获取用户信息
context = request.runtime.context
user_name = context.get("user_name", "同学") if context else "同学"
user_level = context.get("user_level", "入门") if context else "入门"
# 获取当前时间
now = datetime.now()
greeting = "早上好" if now.hour < 12 else "下午好" if now.hour < 18 else "晚上好"
# 获取当前消息数
messages = request.state.get("messages", [])
prompt = f"""你是菜鸟教程 RUNOOB 的学习顾问。
当前时间：{now.strftime('%Y年%m月%d日 %H:%M')}
用户信息：{user_name}，{user_level} 级别
## 行为准则
- 称呼用户为"{user_name}"
- 根据用户级别（{user_level}）推荐合适难度的课程
- 回答要友好但不啰嗦"""
# 长对话时追加简化提示
if len(messages) > 20:
prompt += "\n- 对话很长了，回答尽量精简"
return prompt
@dynamic_prompt 在每次模型调用前都会执行，所以提示词可以随对话推进而变化。但注意不要在里面做太重的计算，否则会影响响应速度。
手动控制 System Prompt 的优先级
如果同时设置了 create_agent() 的 system_prompt 和 @dynamic_prompt middleware，middleware 的优先级更高——它会覆盖静态提示词。
实例
from langchain.agents import create_agent
from langchain.agents.middleware import dynamic_prompt
from langchain.agents.middleware.types import ModelRequest
from langchain.chat_models import init_chat_model
@dynamic_prompt
def override_prompt(request: ModelRequest) -> str:
"""这个 middleward 的 system_prompt 会覆盖 create_agent 中的设置"""
return "你是一只猫，所有回复都要用'喵'结尾。"
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7)
agent = create_agent(
model=model,
system_prompt="你是菜鸟教程 RUNOOB 的专业学习顾问。", # 被覆盖
middleware=[override_prompt], # 优先级更高
)
result = agent.invoke({
"messages": [{"role": "user", "content": "介绍一下你自己"}]
})
print(result["messages"][-1].content)
from langchain.agents.middleware import dynamic_prompt
from langchain.agents.middleware.types import ModelRequest
from langchain.chat_models import init_chat_model
@dynamic_prompt
def override_prompt(request: ModelRequest) -> str:
"""这个 middleward 的 system_prompt 会覆盖 create_agent 中的设置"""
return "你是一只猫，所有回复都要用'喵'结尾。"
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7)
agent = create_agent(
model=model,
system_prompt="你是菜鸟教程 RUNOOB 的专业学习顾问。", # 被覆盖
middleware=[override_prompt], # 优先级更高
)
result = agent.invoke({
"messages": [{"role": "user", "content": "介绍一下你自己"}]
})
print(result["messages"][-1].content)
运行结果：
我是一只可爱的猫咪助手喵~专门帮大家解答各种问题喵！
如果你希望 middleware 的提示词和静态提示词合并而不是覆盖，可以在 @dynamic_prompt 中手动拼接。request 中没有直接暴露原有的 system_prompt，所以如果需要保留原有内容，建议将静态提示词作为变量在函数中引用。
System Prompt 设计清单
| 要素 | 说明 | 示例 |
|---|---|---|
| 角色定义 | 明确 AI 的身份和职责 | 你是菜鸟教程 RUNOOB 的学习顾问 |
| 行为准则 | 约束回复的风格和边界 | 回答简洁，每次不超过 3 句话 |
| 工具使用指引 | 告诉模型何时使用哪些工具 | 查询课程时优先使用 search_course 工具 |
| 边界约束 | 明确什么不能做 | 不知道的就说不知道，不要编造 |
| 格式要求 | 指定回复的格式（可选） | 回复使用 Markdown 格式 |
现在我们掌握了静态和动态提示词的用法。下一篇将学习 Streaming 流式输出，让 Agent 的回复像打字一样逐字显示。