LangChain对话Agent：工具执行后终止链并返回原始输出

方法一：通过自定义回调强制终止链并返回工具结果 #

这种方法能在指定工具调用完成后立即终止Agent的后续处理，直接返回工具原始输出，适合需要严格避免LLM额外处理的场景（比如图表序列化数据）。

实现步骤 #

1. 定义回调处理器，检测目标工具调用并触发终止：

from langchain.callbacks.base import BaseCallbackHandler

class DirectToolResultCallback(BaseCallbackHandler):
    def __init__(self, target_tool_names):
        self.target_tool_names = target_tool_names  # 指定需要直接返回结果的工具名称

    def on_tool_end(self, output, tool_name, **kwargs):
        if tool_name in self.target_tool_names:
            # 抛出特定异常以终止Agent执行
            raise ValueError(f"DIRECT_RETURN:{output}")

2. 初始化Agent并添加该回调，同时封装运行逻辑捕获异常返回结果：

# 配置需要直接返回结果的工具名称（根据你的工具实际name字段调整）
target_tools = ["Calculator", "ChartSerializer"]

# 创建回调实例
result_callback = DirectToolResultCallback(target_tools)

# 初始化Agent
conversational_agent = initialize_agent(
    agent='chat-conversational-react-description',
    tools=[CalculatorTool()],  # 加入你的所有工具
    llm=llm_gpt4,
    verbose=True,
    max_iterations=2,
    early_stopping_method="generate",
    memory=memory,
    callbacks=[result_callback]
)

# 封装Agent运行函数
def run_agent(input_text):
    try:
        return conversational_agent.run(input_text)
    except ValueError as e:
        error_msg = str(e)
        if error_msg.startswith("DIRECT_RETURN:"):
            # 提取并返回工具原始输出
            return error_msg.split(":", 1)[1].strip()
        # 其他异常正常抛出
        raise

方法二：修改Agent提示词，让LLM直接返回工具输出 #

通过修改Agent的系统提示，明确告知LLM在调用指定工具后无需添加额外格式化内容，直接返回工具结果。这种方法更简洁，但依赖LLM遵循提示指令。

实现步骤 #

from langchain.agents.chat.prompt import CHAT_CONVERSATIONAL_REACT_DESCRIPTION_PROMPT

# 自定义系统提示，添加特定工具的返回规则
custom_system_prompt = """你是对话式助手，需按以下规则处理工具调用：
- 调用Calculator或ChartSerializer工具后，直接返回工具的输出结果，不要添加任何解释、格式化文本；
- 其他工具按正常流程处理，生成合适的最终回答。"""

# 替换原prompt的系统消息部分
custom_prompt = CHAT_CONVERSATIONAL_REACT_DESCRIPTION_PROMPT.partial(
    system_message=custom_system_prompt
)

# 使用自定义prompt初始化Agent
conversational_agent = initialize_agent(
    agent='chat-conversational-react-description',
    tools=[CalculatorTool()],
    llm=llm_gpt4,
    verbose=True,
    max_iterations=2,
    early_stopping_method="generate",
    memory=memory,
    agent_kwargs={"prompt": custom_prompt}
)

说明 #

• 方法一的优势是强制终止链，完全避免LLM后续处理，适合对输出准确性要求极高的场景（比如序列化图表数据）；
• 方法二更简洁，无需额外异常处理，但需要确保LLM能准确遵循提示中的规则。

内容的提问来源于stack exchange，提问作者Aviran