LangChain中CSV Agent结合对话记忆功能报错的解决方案咨询

问题根源 #

你之前的尝试错误在于：

• ConversationChain 是为纯文本对话场景设计的，仅接受LLM实例作为参数，无法直接兼容CSV Agent这类具备工具调用能力的Agent，因此传入CSV Agent会触发参数不匹配的报错。
• 替换为纯ChatOpenAI实例后，Bot失去了绑定的CSV分析工具，自然无法处理数据查询请求。

正确实现方式 #

直接通过create_csv_agent结合对话记忆组件实现，无需依赖ConversationChain。具体步骤如下：

1. 导入依赖模块 #

from langchain.agents import create_csv_agent
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.agents.agent_types import AgentType

2. 创建对话记忆组件 #

这里使用ConversationBufferMemory保存完整对话上下文，适合短对话场景；如果对话较长，可替换为ConversationSummaryMemory自动总结历史：

# 初始化对话记忆，指定记忆键为"chat_history"并返回消息格式
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)

3. 创建带记忆的CSV Agent #

通过agent_type指定聊天型Agent，并传入记忆组件：

agent = create_csv_agent(
    ChatOpenAI(temperature=0, model='gpt-4'),
    'csv_pat.csv',
    verbose=True,
    agent_type=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    memory=memory
)

4. 测试连续对话 #

现在Bot可以记住历史对话内容，完成连贯的CSV分析请求：

# 第一次查询
agent.run("What's the best performing month in terms of sales?")
# 基于历史的后续查询
agent.run("How does that compare to the worst performing month?")
# 基于历史趋势的预测请求
agent.run("Can you predict future sales based on this trend?")

关键说明 #

• AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION 类型的Agent会自动将对话历史纳入思考过程，确保Bot能结合上下文处理后续请求。
• 记忆组件的memory_key必须与Agent期望的上下文键匹配，默认情况下聊天型Agent使用"chat_history"作为记忆键。

内容的提问来源于stack exchange，提问作者lincolnab