如何在LangChain的ConversationChain中传入自定义JSON上下文实现多轮对话？

1. 保留原有数据读取逻辑 #

先完成Excel到JSON数据集的转换，这部分代码可直接复用：

import boto3
import pandas as pd
import io
from langchain.chat_models import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
from langchain.prompts import PromptTemplate

# 读取S3中的Excel文件并转为JSON格式
s3 = boto3.client('s3')
obj = s3.get_object(Bucket='bucketname', Key='sample.xlsx')
data = obj['Body'].read()
df = pd.read_excel(io.BytesIO(data), sheet_name='randomsheetname')
json_data = df.to_dict("records")  # 获取自定义JSON数据集

2. 定义包含JSON数据的对话模板 #

将JSON数据集作为固定上下文嵌入prompt模板，同时预留对话历史和用户输入的占位：

# 构建对话模板，把JSON数据作为核心上下文传入
prompt_template = PromptTemplate(
    input_variables=["history", "input"],
    template="""请基于以下JSON数据集回答用户问题：
{json_data}

对话历史：
{history}

用户当前问题：{input}

请给出精准回答："""
)

# 提前填充模板中的固定JSON数据（若数据量过大，建议改用向量存储方案）
prompt = prompt_template.partial(json_data=str(json_data))

3. 配置对话记忆组件 #

使用ConversationBufferMemory保存对话历史，确保多轮交互时上下文连贯：

# 初始化对话记忆，指定输入和历史的key对应模板变量
memory = ConversationBufferMemory(input_key="input", memory_key="history")

4. 创建对话链条并执行多轮交互 #

整合LLM、模板和记忆组件，实现带上下文的多轮查询：

# 初始化ChatOpenAI实例
llm = ChatOpenAI(temperature=0.5, openai_api_key="your_api_key", model="gpt-4")

# 创建对话链条
conversation = ConversationChain(
    llm=llm,
    prompt=prompt,
    verbose=True,
    memory=memory
)

# 多轮交互示例
response1 = conversation.predict(input="数据总共有多少条记录？")
print(response1)

response2 = conversation.predict(input="其中status字段为success的记录有多少？")
print(response2)

关键注意事项 #

• 数据量适配：如果JSON数据集过大，直接嵌入prompt会消耗大量token，此时建议用LangChain的向量存储（如FAISS）将数据向量化，结合RetrievalQA和对话链条实现检索增强交互，避免token超限。
• 记忆组件选型：若需要限制记忆长度，可改用ConversationBufferWindowMemory；若需要压缩对话历史，可使用ConversationSummaryMemory。

内容的提问来源于stack exchange，提问作者Mahesh Manjunath