Pydantic AI中如何确保系统提示在对话历史中持续生效

在构建基于Pydantic AI的对话系统时，开发者经常会遇到一个典型场景：用户与AI代理进行多轮对话时，初始设置的系统提示(System Prompt)在后续对话中失效的问题。本文将深入分析这一现象的技术原理，并提供专业解决方案。

问题本质分析

Pydantic AI的代理(Agent)在处理对话时存在一个关键机制：当检测到存在对话历史(message_history)时，系统会默认不再应用初始的系统提示。这种设计源于典型的LLM交互模式假设，即系统提示通常只需在对话开始时注入一次。

然而，在实际业务场景中，特别是需要"人在回路"(Human In The Loop)的交互系统里，这种机制可能导致以下问题：

1. 用户无法感知初始系统提示内容
2. 后续对话可能偏离预设行为轨道
3. 需要维持的对话上下文可能丢失

底层机制解析

通过分析Pydantic AI的_agent_graph.py源码，我们可以理解其核心逻辑：

if message_history:
    messages.extend(message_history)
    # 仅重新评估动态提示部分
    await self._reevaluate_dynamic_prompts(messages, run_context)
    return messages, _messages.ModelRequest([_messages.UserPromptPart(user_prompt)])
else:
    parts = await self._sys_parts(run_context)
    parts.append(_messages.UserPromptPart(user_prompt))
    return messages, _messages.ModelRequest(parts)

这段代码清晰地展示了决策逻辑：有历史消息时跳过系统提示注入，无历史时才应用系统提示。

专业解决方案

方案一：使用instructions参数

最新版本的Pydantic AI提供了专门的instructions参数，这是官方推荐的解决方案。该参数设计的初衷正是为了解决系统提示持续生效的问题，它会在每轮对话中都保持有效。

方案二：自定义消息预处理

对于需要更精细控制的场景，可以采用消息预处理方案。核心思路是检查历史消息中是否包含系统提示，若无则动态注入。示例实现逻辑：

1. 检查历史消息首条是否包含SystemPromptPart
2. 若无系统提示，先注入系统部分再处理用户输入
3. 保持原有消息结构的同时确保系统提示存在

这种方案虽然需要更多代码，但提供了最大的灵活性，特别适合需要合成历史消息(Synthetic History)的高级场景。

最佳实践建议

1. 对于简单场景，优先使用instructions参数
2. 需要动态调整系统提示时，结合使用dynamic_prompts
3. 复杂对话系统建议实现自定义的消息预处理中间件
4. 始终在测试中验证系统提示的持续有效性

理解这些机制后，开发者可以更自如地构建符合业务需求的对话系统，确保AI行为始终保持在预期的轨道上。Pydantic AI的灵活架构为各种复杂场景都提供了可行的解决方案路径。