摘要本文介绍 LangChain 中 dynamic_prompt 注解的用法讲解如何通过该注解将函数注册为动态提示词中间件并利用 ModelRequest 类型获取运行时上下文与系统提示词实现系统提示词的动态覆盖与拼接最后通过完整代码示例演示动态提示词中间件的配置与调用流程。内容参考于图灵AI大模型全栈LangChain提供了dynamic_prompt注解这个注解写到函数上方然后LangChain就会把函数看作为是一个修改提示词的函数这个函数的返回值会覆盖系统提示词如下图红框使用dynamic_prompt注解它的入参是一个ModelRequest类型ModelRequest类型中可以得到下图红框的内容# ---------------------------------------------------------------------------- # 字段名 | 作用 | 中间件常见操作 # ----------------|-------------------------------|--------------------------- # model | 要调用的模型实例 | 动态切换模型 # messages | 对话历史不含 system | 增删改消息 # system_message | 系统提示词 | 注入用户画像/场景设定 # tool_choice | 工具选择策略 | 强制/禁用工具调用 # tools | 提供给模型的工具列表 | 权限裁剪、按需挂载 # response_format | 结构化输出 schema 与策略 | 动态开关/替换 schema # state | 当前 Agent 完整状态 | 读业务字段做上下文注入 # runtime | 运行时环境context/store… | 取用户、推流、写长期存储 # model_settings | 模型参数temperature 等 | 按场景动态调参效果图带动态提示词中间件不带动态提示词中间件手动设置系统提示词不带动态提示词中间件手动设置系统提示词带动态提示词中间件在动态提示词中间件中获取设置的系统提示词通过获取系统提示词可以进行拼接然后动态提示词和手动设置的系统提示词就可以一起使用了注意提示词在content中所以拼接的时候要request.system_message.content这样取代码from langchain.agents.middleware import dynamic_prompt, ModelRequest from langchain.agents import create_agent from dataclasses import dataclass from langchain_qwq import ChatQwen from dotenv import load_dotenv import os # 加载环境变量 load_dotenv() # 初始化模型 llm ChatQwen( modelqwen3.7-flash, api_keyos.getenv(DASHSCOPE_API_KEY), base_urlos.getenv(DASHSCOPE_BASE_URL) ) # 定义上下文的属性内容 dataclass class Context: user_name: str # 用户名 # 创建动态提示词的函数 dynamic_prompt def state_aware_prompt(request: ModelRequest) - str: # 通过 ModelRequest 类型获取runtime运行时中的用户名 user_name request.runtime.context.user_name # 打印系统提示词 print(f获取的系统提示词{request.system_message}) # print(user_name) # 它返回的内容会覆盖系统提示词 return f你是一个智能助手请称呼用户为{user_name} # 创建代理 agent create_agent( modelllm, # 设置动态提示词中间件 middleware[state_aware_prompt], # 设置系统提示词 system_prompt你是一个智能助手请称呼用户为计算机王2, # 设置上下文 context_schemaContext, ) response agent.invoke( {messages: [{role: user, content: 你好呀}]}, contextContext(user_name计算机王) ) print(response[messages][-1].content)