LangChain Agent 的 Prompt 是控制智能体行为的核心，它不只是简单的问答提示，还要告诉模型可用工具、什么时候调用工具、输出思考和动作的固定格式，主流分 ReAct 思考链提示词和新版 Tool Calling 工具调用提示词两类；如果 Prompt 写得不好，Agent 很容易乱调用工具、编造结果、不按格式输出，导致解析器报错、循环调用，很多 Agent 不稳定的问题根源都在提示词设计上。之所以 Agent Prompt 和普通对话 Prompt 不一样，普通 Prompt 只需要回答用户问题，Agent 需要循环执行【思考 Thought→调用工具 Action→拿到观测 Observation】，直到信息足够再输出最终答案，所以模板里必须预留占位变量，比如 {tools}、{tool_names}、{agent_scratchpad}，scratchpad 就是存放每一轮思考、工具返回结果的历史记录，让模型记住之前做过什么，避免重复无效调用。整套 Prompt 开发流程，先选定 Agent 范式（ReAct 还是 Tool Calling），搭建模板结构，填入角色、工具说明、输出格式约束，再接入占位变量，本地小批量测试，观察是不调用工具、频繁错调用还是格式输出失败，针对性修改约束，最后用 LangSmith 追踪每一轮 prompt、中间步骤，持续迭代优化。Prompt 决定 Agent 的底层逻辑，搭配 OutputParser 做格式校验，但 Parser 救不了提示词本身的模糊规则；现在新版 LangChain 更推荐 Tool Calling 模式，提示词更简洁，依靠模型原生工具能力，而传统 ReAct 提示词通用性更强，兼容所有大模型。
两种主流 Agent Prompt 对比表
| 类型 | 核心特点 | 模板复杂度 | 依赖能力 | 适用场景 |
|---|---|---|---|---|
| ReAct Prompt | 显式 Thought/Action/Observation 链式思考，完整写在提示词内 | 高 | 模型遵循文本格式输出 | 不支持原生 Function Call 的开源模型 |
| Tool Calling Prompt | 提示词只做角色和规则约束，工具入参交给模型原生函数调用能力 | 低 | 模型原生支持 Function Call | GPT、DeepSeek、Qwen 等现代模型，生产首选 |
Agent 标准 Prompt 编写步骤
- 确定范式：优先 Tool Calling；模型不支持函数调用时，选用 ReAct 模板
- 角色与边界：写明 Agent 身份、目标、禁止行为，禁止编造数据、禁止在不需要工具时强行调用
- 注入工具信息：{tools} 自动填充每个工具名称、功能描述、入参；{tool_names} 提供合法工具白名单
- 预留占位变量：{input} 接收用户提问，{agent_scratchpad} 存放历史思考与工具返回结果
- 输出规则约束：ReAct 必须严格指定 Thought、Action、Action Input、Final Answer 格式；Tool Calling 只约束最终回答风格
- 调试与观测：接入 LangSmith 看每一轮完整 prompt，定位格式错乱、误调用的问题
- 增加容错规则：工具返回异常、超时、无结果时的处理策略，避免死循环
Prompt 设计的优势和常见坑
✅ 设计要点
- 把工具描述写精准，描述直接决定模型会不会选对工具，工具描述越具体，误调用越少
- scratchpad 占位符必不可少，去掉之后 Agent 没有记忆，会重复调用同一个工具
- 提示词里明确 “能不用工具就不用工具”，减少不必要的调用，节省 token
- 可以写动态 Prompt，根据对话状态、用户身份动态修改系统指令
❌ 高频踩坑
- ReAct 提示词格式写得模糊，模型输出额外文字，OutputParser 直接解析失败
- 工具描述写得太笼统，模型分不清两个相似工具的用途
- 忘记限制最大迭代轮数，Prompt 没有终止引导，Agent 无限循环调用工具
- 混用 ReAct 模板和 Tool Calling Agent，两者输出解析逻辑完全不兼容
- Prompt 过长，工具太多，超出模型上下文窗口，工具信息被模型遗忘
【相关 FAQ】
问题 1：LangChain Agent 提示词 Prompt 里面的 agent_scratchpad 是用来干什么的？
回答 1：LangChain Agent 提示词 Prompt 中的 agent_scratchpad 是占位变量，用来存放每一轮 Thought、工具调用 Action、Observation 返回结果，给模型提供本轮智能体的思考历史，是 ReAct 链式循环的关键。
问题 2：LangChain Agent 的 ReAct 提示词 Prompt 和 Tool Calling 提示词 Prompt 有什么区别？
回答 2：ReAct 提示词 Prompt 在文本里强制写明 Thought、Action 的输出格式，靠文本约束模型；Tool Calling 提示词 Prompt 只做基础角色指令，工具参数交给模型原生 Function Call 机制，模板更简单，稳定性更好。
问题 3：修改 LangChain Agent 提示词 Prompt，能不能解决 Agent 频繁乱调用工具的问题？
回答 3：可以，LangChain Agent 提示词 Prompt 里的工具描述、调用时机约束、边界规则直接影响工具选择；优化工具描述、增加 “无需工具直接回答” 的规则，是解决乱调用的优先手段。
问题 4：如果不自定义 LangChain Agent 提示词 Prompt，框架会怎么样？
回答 4：如果不传自定义 LangChain Agent 提示词 Prompt，create_react_agent、create_tool_calling_agent 会加载框架内置默认 Prompt，默认模板通用性强，但缺少业务约束，复杂业务场景很容易出现格式错误、幻觉、误调用。
【参考资料】
[2026-11-06]（LangChain 官方 Agent Prompt 文档）LangChain 官网
[2026-10-22]（LangChain 1.x create_tool_calling_agent 提示词开发指南）LangChain 中文文档
[2026-09-15]（ReAct Agent 模板、占位变量、OutputParser 原理）LangSmith Hub
[2026-08-01]（LangChain Agent 提示词调优：减少幻觉与无效工具调用）阿里云开发者社区
【免责声明】
本文为 LangChain Agent 提示词 Prompt 原理、模板编写科普；不同大模型对 ReAct 文本格式、Tool Calling 的遵循能力有差异；提示词优化无法完全消除模型幻觉；Agent 的稳定性同时受模型能力、工具描述、输出解析器、最大迭代次数共同影响；上线前建议使用 LangSmith 完整测试多轮交互案例。