LangChain中ChatAgent引入agent_scratchpad触发ValueError问题求助

问题核心 #

ChatAgent与ZeroshotAgent的prompt结构、输入变量逻辑差异较大，结合ConversationBufferMemory时，若prompt变量配置、记忆组件参数不匹配，就会触发输入键数量冲突的报错。

正确配置方案 #

以下是可直接复用的步骤和代码示例：

1. 定义适配ChatAgent的自定义Prompt
   ChatAgent基于聊天模型，需用MessagesPlaceholder来处理对话历史和agent思考过程，不能直接用字符串占位符。确保prompt包含chat_history、input、agent_scratchpad三个核心变量：

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

# 自定义系统提示词可根据需求修改
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的会话助手，结合对话历史和当前提问给出准确回答。"),
    MessagesPlaceholder(variable_name="chat_history"),  # 绑定对话记忆
    ("user", "{input}"),  # 接收用户输入
    MessagesPlaceholder(variable_name="agent_scratchpad"),  # 自动注入agent思考过程
])

2. 配置对话记忆组件
   指定记忆存储的键名与prompt中的chat_history一致，同时开启return_messages=True，确保返回格式匹配Chat模型的消息结构：

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True,
    output_key="output"
)

3. 初始化ChatAgent与执行器
   通过ChatAgent.from_llm_and_tools绑定模型、工具（可先传空列表后续添加）和自定义prompt，再用AgentExecutor整合记忆与agent：

from langchain.agents import ChatAgent, AgentExecutor
from langchain.chat_models import ChatOpenAI

# 初始化大语言模型，可替换为其他兼容的Chat模型
llm = ChatOpenAI(temperature=0)
# 初始化ChatAgent，tools参数后续可添加自定义工具
agent = ChatAgent.from_llm_and_tools(llm=llm, tools=[], prompt=prompt)
# 整合agent、记忆、工具，创建执行器
agent_executor = AgentExecutor(
    agent=agent,
    tools=[],
    memory=memory,
    verbose=True,
    handle_parsing_errors=True  # 可选，处理解析错误
)

关键注意事项 #

• 禁止手动在prompt中写{agent_scratchpad}字符串占位符，必须用MessagesPlaceholder，ChatAgent会自动将思考流程转化为消息格式注入。
• 记忆组件的memory_key必须与prompt中对话历史的变量名完全一致，且return_messages=True是必填项，否则会出现格式不兼容问题。
• 无需手动指定Agent的input_keys，AgentExecutor会自动处理输入变量的传递逻辑。

内容的提问来源于stack exchange，提问作者Roman