求助：LangChain结合Agent与Memory功能失败（基于AWS Bedrock Claude）

尝试在LangChain中整合Agent的联网搜索功能（DuckDuckGo、Wikipedia）与基于AWS DynamoDB的对话历史记忆功能，使用Bedrock上的Claude模型作为交互模型，但将Memory传入AgentExecutor后未生效，无法保留对话历史。

问题根源分析 #

1. Prompt模板未包含对话历史变量：自定义的PromptTemplate没有加入chat_history输入变量，导致Agent无法获取对话历史。
2. 手动调用memory.save_context导致重复存储：在send_message函数中手动调用memory.save_context，但AgentExecutor本身会自动处理记忆存储，重复操作会导致数据混乱。
3. invoke时传入冗余参数：AgentExecutor.invoke只需要传入input参数即可，无需手动传入tools、tool_names、agent_scratchpad和chat_history，这些参数会由Agent和Memory自动处理。
4. Memory未指定输出键：ConversationBufferMemory需要指定memory_key="chat_history"，确保与Prompt中的变量名匹配。

修正后的完整代码 #

import boto3
import json
import os
from langchain import hub
from langchain.agents import create_react_agent
from langchain_community.agent_toolkits.load_tools import load_tools
from langchain_community.chat_message_histories import DynamoDBChatMessageHistory
from langchain.memory import ConversationBufferMemory
from langchain_aws import ChatBedrock
from langchain.prompts import PromptTemplate
from langchain_core.exceptions import OutputParserException
from langchain.agents import AgentExecutor


# AWS客户端配置
session = boto3.Session(region_name='ap-northeast-1')
secrets_client = session.client('secretsmanager')
bedrock_client = session.client(
    service_name='bedrock-runtime',
    region_name='ap-northeast-1',
    endpoint_url='https://bedrock-runtime.ap-northeast-1.amazonaws.com'
)


# 获取LangChain API密钥
def get_langchain_api_key(secret_name):
    response = secrets_client.get_secret_value(SecretId=secret_name)
    secret_string = response['SecretString']
    secret_dict = json.loads(secret_string)
    return secret_dict['LANGCHAIN_API_KEY']


api_key = get_langchain_api_key('LANGCHAIN_API_KEY')
os.environ["LANGCHAIN_API_KEY"] = api_key


# 会话ID设置
session_id = 'unique_session_id_20240827'


# DynamoDB对话历史存储配置
history = DynamoDBChatMessageHistory(table_name="chat-history-dynamodb", session_id=session_id)


# Bedrock Claude模型配置
chat_model = ChatBedrock(model_id='anthropic.claude-3-5-sonnet-20240620-v1:0', client=bedrock_client)


# 修正后的Prompt模板：加入chat_history变量
prompt = PromptTemplate(
    input_variables=["input", "tools", "tool_names", "agent_scratchpad", "chat_history"],
    template=(
        "你是一个乐于助人的助手，请结合以下对话历史和提供的工具回答用户问题：\n"
        "对话历史：{chat_history}\n"
        "可用工具：{tools}\n"
        "工具名称列表：{tool_names}\n"
        "思考记录：{agent_scratchpad}\n"
        "用户当前输入：{input}\n"
        "请按照以下格式输出：\n"
        "如果需要使用工具，输出：\n"
        "Action: <工具名称>\n"
        "Action Input: <工具输入内容>\n"
        "如果不需要工具直接回答，输出：\n"
        "Response: <回答内容>"
    )
)


# 修正后的Memory配置：指定memory_key与Prompt变量匹配
memory = ConversationBufferMemory(chat_memory=history, memory_key="chat_history", return_messages=False)


# 加载联网搜索工具
tools = load_tools(["ddg-search", "wikipedia"], llm=chat_model)


# 创建REACT Agent
agent = create_react_agent(
    llm=chat_model,
    tools=tools,
    prompt=prompt
)


# 初始化AgentExecutor：传入memory
agent_executor = AgentExecutor(agent=agent, tools=tools, memory=memory, verbose=True)


# 对话处理函数
def send_message(user_message):
    try:
        # 仅传入input参数，其余由AgentExecutor自动处理
        response = agent_executor.invoke({"input": user_message})
        output_text = response.get("output", str(response))
        return output_text

    except OutputParserException as e:
        print(f"输出解析错误：{e}")
    except AttributeError:
        print("错误：Agent对象不可调用，请检查Agent创建逻辑")
    except Exception as e:
        print(f"发生未知错误：{e}")

    return None


# 测试对话流程
# 第一步：告知名字
# user_message = '你好，我叫张三'
# response = send_message(user_message)
# print(response)

# 第二步：测试记忆
user_message = '你还记得我叫什么名字吗？'
response = send_message(user_message)
if response:
    print(response)
else:
    print("未能获取Agent响应")

关键修改说明 #

• Prompt模板新增chat_history变量：让Agent能读取对话历史内容
• Memory指定memory_key="chat_history"：确保Memory输出的键与Prompt中的变量名一致
• 移除手动调用memory.save_context：AgentExecutor会自动处理对话历史的存储
• 简化agent_executor.invoke参数：仅传入input即可，无需手动传递其他参数
• 优化输出格式提示：让Claude更清晰地理解需要遵循的输出规则

内容的提问来源于stack exchange，提问作者Ryou T