用LangChain搭Agent，工具调用时上下文总丢，大佬们怎么解决的？

这问题我踩过一样的坑，AgentExecutor默认确实不会把工具输出自动塞回prompt，得靠你自己在tool的return_direct=True或者手动把结果append到messages里。我后来是直接魔改agent的prompt，把工具输出格式化成“工具名:结果”塞进chat_history，不然多轮必丢上下文。你试试在agent的memory里加个自定义的memory_key，专门存工具返回，别跟常规对话历史混在一起。另外检查下是不是tool的description写太短，模型判断不需要记住结果就直接调新工具了。

之前搞RAG也碰到过，后来发现是tool的response_format没设置好，默认只返回最后一步的结果，中间过程全被吞了。你可以在tool函数里把每次调用的返回都存到个全局dict，然后在prompt里明确告诉agent“查询过订单状态后要引用之前的结果”。代码上我一般习惯用ConversationSummaryBufferMemory配合custom_prefix，把工具输出单独注入到SystemMessage里，比纯靠chat_history稳。

我建议直接看下LangChain的AgentExecutor源码，它其实有max_iterations限制，工具输出默认只保留最后一步当observation。你可以在tool里直接返回一个包含完整上下文的JSON，然后让agent从里面提取，而不是靠memory。或者干脆不用AgentExecutor，自己写个循环，手动把每次工具结果作为UserMessage塞

这问题我踩过一模一样的坑，刚开始也以为是自己prompt写得不够清楚，后来翻源码才发现AgentExecutor默认确实不会把工具输出自动塞进下一轮对话的上下文里，它只保留最终回复。你加的那两个memory可能方向不太对，得用专门处理中间步骤的机制。我现在的做法是在工具函数内部就把结果格式化成一个标准字符串，然后同时返回给Agent和手动append到一个全局缓存dict里，再在每次对话前把这份缓存拼到system prompt里。另外有个取巧的办法，就是让工具在调用完后直接返回“已查询到结果：xxx，请直接基于此回答”，这样Agent会倾向于复用而不是再查一遍。不过最稳妥的还是自定义个CallbackHandler去拦截工具输出，把它存进一个变量，再和chat_history一起注入到下一次prompt，你可以试试这个思路。顺便问下，你用的LangChain版本是多少，0.1.x和0.2.x在memory这块行为差别挺大的。

把工具输出写进memory的键里，或者用langgraph的checkpoint机制，比硬塞chat_history靠谱多了。

我之前也踩过这个坑，后来发现不是memory的问题，是AgentExecutor默认只把最终结果塞回给LLM，中间工具的输出确实不会自动累积。你可以试试在tool的func里自己把返回值格式化成字符串，然后手动append到chat_history的最前面，或者直接用langchain的ConversationBufferWindowMemory配合return_messages=True，再把memory的key改成“history”传进prompt。还有个小技巧，把工具描述写清楚，让Agent判断该不该复用之前的查询结果，比硬塞上下文更省token。

这个问题我踩过一模一样的坑，后来发现根子不在memory，而在AgentExecutor的迭代机制——它每次调用工具后，返回的observation默认只存在当前step的中间变量里，并不会自动追加到对话历史。你加的chat_history只是用户和助手的对话，工具输出压根没进去。

我试过最笨但有效的办法，是在tool的func里手动把结果格式化后return一个包含原始内容的字符串，同时把这个字符串用callback塞进memory的buffer，相当于自己维护一份“工具结果日志”。另外你也可以改一下prompt，在system消息里明确写“每次工具调用后，把返回的JSON摘要复述一遍再继续”，这样至少能让模型在生成下一轮回复时有个参照。

不过更省事的方案是直接换用LangGraph，它的StateGraph能显式控制消息流转，把工具输出作为节点状态保存，彻底绕开AgentExecutor的隐藏逻辑。代码上你就把上次的tool结果存进state，然后在后续节点判断如果用户问的是“刚才那个”，就直接从state里取，不用再触发工具。

对了，还有个细节，如果你用OpenAI函数调用，记得把tool的response也作为message（role=tool）传回给模型，LangChain新版里这步经常被忽略，少了它模型根本看不到工具结果。你先检查一下你的AgentExecutor有没有显式传tool_response_message这个参数，八成是这儿漏了。

试试在AgentExecutor里把return_intermediate_steps设为True，再把中间步骤手动塞回prompt模板里。

这问题我当初也踩过坑，LangChain的AgentExecutor默认确实只保留最近的中间步骤，但工具返回的详细内容经常被截断或者只留个summary，你得自己把关键信息显式塞回prompt里。我试过最土但有效的办法是自定义一个memory类，在工具执行后把输出解析成结构化字段，然后和chat_history一起拼成新的system prompt，这样下一轮就能直接引用。另外你检查下是不是用的ConversationBufferMemory，它默认只存对话不存工具输出，得换成ConversationSummaryMemory或者自己写个combined memory。还有个坑是agent的prompt模板里要明确告诉它“之前查过的订单数据在memory里，别重复查询”，不然它总觉得自己该重新确认。代码的话，你可以重写AgentExecutor的_areturn_response，把last_output追加到memory里，或者干脆用langgraph的StateGraph手动管理状态流，比AgentExecutor可控得多。

这问题太典型了，我刚踩完同一个坑。AgentExecutor默认确实只把最后一次工具输出塞进当前step的上下文，不会自动累积到历史里，所以你得自己把工具结果显式写进memory。我是这么搞的：在tool的func里return之前，手动把结果append到memory的一个专门字段，然后在prompt里用{fetch_history}占位符把它拼进去，这样多轮就能记住了。不过要注意别把整个数据库结果都塞进去，token会爆，最好只保留关键摘要。另外你提到“重新查一遍”其实不一定是bug，有时候agent自己判断需要最新数据，你可以给tool描述里加上“如果用户没要求刷新，直接返回上次结果”这种指令，能减少很多无效调用。我回头把我改过的agent代码贴你，核心就是重写AgentExecutor的_plan或者用自定义Agent类，绕开默认的scratchpad逻辑。

工具结果得自己塞回prompt，默认AgentExecutor确实不缓存，我都是把最近几轮工具输出手动拼进memory里。

你试试用ConversationBufferMemory加return_messages=True，再把工具输出显式存进去，不然它真就丢。

我也踩过这坑，核心是得把工具输出显式写进memory，光靠chat_history不够，试试自定义个回调塞进去。

这个问题我上周刚踩过坑，AgentExecutor默认确实不会把工具输出自动塞回上下文，它只保留最终回复，所以多轮里你问“刚才订单状态”它只能重新查。我的做法是自定义一个memory，把每一步的Observation和Action都追加进chat_history，然后传给prompt里的{agent_scratchpad}，这样模型就能看到之前的工具结果了。另外你试下把工具输出格式化成“工具名+时间戳+结果摘要”，这样即使对话长，模型也能快速定位到关键信息，不然它容易在长上下文里“迷失”。还有个坑是memory和agent的message类型要匹配，比如你用ConversationBufferMemory，就得手动把工具输出转成AIMessage或HumanMessage塞进去，不然它不识别。代码上我建议直接改create_react_agent的prompt，把scratchpad模板里加上“之前的工具结果”这一栏，比硬塞memory更可控。你可以先打印一下每次调用的中间步骤，看看工具输出到底有没有进到LLM的输入里，八成是prompt里没引用那个变量。

我之前也踩过这个坑，LangChain的AgentExecutor确实默认不会把工具输出自动塞进memory，它只保留给LLM看的observation，但对话历史里存的那份和工具返回的是两回事。我后来是把工具结果显式format成一段文本，然后手动append到chat_history里，再传给下一轮，相当于自己维护一个“工具记忆”列表，不然光靠自带memory不太够。另外检查一下你的prompt里有没有让模型优先参考历史而不是重新调用工具，有时候是它觉得重查更可靠，不一定是上下文丢了。代码上可以试试在tool的return里直接拼上“已查询结果：xxx，下次不要再调用”这种强指令，实测对模型有点用。

这问题我当初也踩过坑，LangChain的AgentExecutor确实不会自动把工具输出塞回对话上下文，它只保留最后一步的observation。你光加memory没用，因为memory管的是用户和assistant的对话历史，跟工具调用的中间结果完全是两回事。我试过比较靠谱的做法是，在工具返回的结果里直接做个摘要，然后手动append到chat_history里，相当于伪造一轮assistant回复。或者干脆不用AgentExecutor，自己写个while循环，每轮把工具结果拼成一条新消息塞进messages列表再传给LLM，这样上下文就不会丢。另外你那个“重新查一遍”的问题，也可能是工具本身没做缓存，跟上下文丢失是两码事，建议先区分清楚。如果你用的是OpenAI函数调用，可以试试把工具结果放在function message里，然后确保上轮tool_message_id传对了，这块儿容易漏。prompt写法也有讲究，可以在system里明确告诉它“如果历史中有查询结果，直接引用，不要重复调用”。代码片段的话，核心就是别依赖默认的AgentExecutor，手动管理messages列表最可控。

试试把工具输出用Memory的returnMessages=True存进去，再在prompt里显式引用下，我这么改完就好了。

工具结果得用中间步骤变量带进下一轮，光靠chat_history不顶用，建议看下create_agent里怎么维护scratchpad。

这个问题我踩过一样的坑，AgentExecutor确实不会自动把工具输出塞回memory，你得自己在tool的return里把结果拼进一个全局变量或者直接在agent的prompt里手动加一段“当前已知信息”的占位符。我当时的做法是重写了个自定义的agent，把工具调用后的结果用Observation形式写回chat_history，而不是依赖默认的memory机制。你可以试试在每次工具执行后把结果格式化追加到messages里，再传给下一次迭代，别光靠LangChain的Memory组件。还有个坑是如果用create_react_agent，那个system prompt里得明确写“你可以引用之前获取的数据，不要重复查询”，不然模型真会当失忆症。

这问题太典型了，AgentExecutor默认确实不会把中间的工具输出自动塞回prompt，你光加memory没用，得自己在工具返回后手动拼到观察里。我之前也卡这儿，后来干脆把工具结果写入一个持久化的dict，然后在每次迭代前把最新状态作为system message的一部分传进去，或者直接用带缓存功能的agent类型比如Plan-and-Execute，能省不少事。还有个坑是prompt里得明确告诉模型“优先用历史观察，别重复查”，不然它总是倾向于调工具，你试试这个方向。

我之前也踩过这个坑，LangChain的AgentExecutor确实不会自动把工具结果写进memory，你得自己在工具函数里return时就把关键信息拼到observation里，或者手动往chat_history塞一条包含返回值的消息。另外建议试一下把memory的return_messages设成True，然后agent的prompt里明确引用{chat_history}，不然它容易只看到最近一轮的对话。我之前是干脆写了个自定义的callback，每次工具跑完就把结果存进一个全局dict，再在下次tool调用前先查一下，比硬靠memory稳多了。

我之前也踩过这坑，LangChain的AgentExecutor确实不会自动把工具返回塞回memory里，你得自己在工具函数里return前手动把结果append到chat_history，或者用个全局变量存一下最近几次的工具输出。另外你那个prompt里最好明确写一句“如果用户问的是之前查过的数据，直接引用历史结果”，不然模型分不清该不该重新调工具。我之前是把数据库查询结果转成简短的摘要塞回prompt，比存完整JSON好用很多，你可以试试。

试过把工具结果写进memory的buffer窗口吗？我之前发现光靠chat_history不够，因为默认的ConversationBufferWindow只存对话不存tool的observation，后来我直接把工具返回拼成一条assistant消息塞回去，效果立竿见影。还有个小坑是Agent的system prompt里要提醒它“优先复用已有信息”，不然它每次都觉得重新查更保险。

我猜问题不在memory配置，而是你工具返回的内容太长了，塞进上下文后被截断或者被模型忽略了。我之前是把数据库结果先做个聚合，比如只返回订单状态和关键时间点，然后丢进一个持久化的dict里，每次对话开始前把最近的几条记录注入prompt。另外你可以试试把AgentExecutor换成langgraph，它对状态流的控制更细，不会像老版那样糊里糊涂丢上下文。

这情况太典型了，LangChain的Agent

这问题我踩过类似的坑，关键不在memory，而是AgentExecutor默认只把工具返回的最终答案塞回prompt，中间的中间步骤（比如数据库查询结果）会被丢掉。你可以试试把工具的Observation显式写进返回的字符串里，或者用langchain的create_history_aware_retriever那套思路，手动把上次的工具输出拼到HumanMessage里再传给下一次调用。我后来是直接在tool的func里把结果存到全局变量，然后在下轮prompt里引用，虽然丑但比调memory靠谱多了。

这个问题我也踩过坑，AgentExecutor确实不会自动把工具输出塞回memory里，你得在tool的return值里手动拼一下，或者干脆自己写个callback把结果追加到chat_history。我之前是把每次工具调用的输出格式化后塞进prompt的system部分，效果比单纯靠memory稳定，不过token会涨得很快。还有个笨办法，就是工具返回时直接把关键信息提炼成一句摘要，别让大模型去翻原始结果，这样多轮对话基本就不会丢了。