LangChain ReAct Agent 实现会话记录功能：让智能体拥有"记忆"

在基于LangChain构建智能体（Agent）的过程中，很多开发者都会遇到一个常见问题：默认的ReAct Agent缺乏会话记忆能力，每一次交互都是孤立的，无法记住上一轮的对话内容，导致多轮对话体验生硬，甚至无法完成连贯的交互任务。
比如当我们向智能体自我介绍后，再询问"我叫什么"，没有会话记录功能的智能体只会茫然无措。而今天，我们就来分享如何为ReAct Agent添加会话记录功能，让它拥有"记忆"，实现自然流畅的多轮对话，同时结合具体实践，拆解其核心实现逻辑，适合刚接触LangChain Agent开发的小伙伴参考。

一、核心痛点：为什么需要给ReAct Agent添加会话记录？

ReAct Agent的核心优势在于"推理-行动"的迭代循环，能够自主判断是否需要调用工具、如何调用工具来完成用户需求，但它的原生设计中，每一次调用都是无状态的------也就是说，智能体不会主动保存上一轮的对话信息，每一次交互都相当于"重新认识用户"。
这种无状态特性在单次交互场景下影响不大，但在多轮对话中会显得非常笨拙：无法衔接上下文、重复询问已告知的信息、无法基于历史对话推进复杂任务，这极大地降低了智能体的交互体验，也限制了其在实际场景中的应用。
而添加会话记录功能，本质上就是为ReAct Agent增加"短期记忆"，让它能够记录每一轮的用户输入和自身响应，在后续交互中调用这些历史信息，实现连贯、自然的多轮对话，这也是智能体走向实用化的关键一步。

二、关键实现思路：会话记录功能的核心逻辑

实现ReAct Agent的会话记录功能，核心围绕"记录-传递-调用"三个环节展开，无需复杂的额外依赖，基于LangChain原生组件即可完成，整体思路简洁易懂，具体可分为三个核心步骤，全程避开复杂代码，聚焦逻辑拆解：

1. 预留会话记录占位符

ReAct Agent的交互逻辑依赖提示词模板（PromptTemplate），我们需要在模板中预留出会话记录的占位位置，明确告知智能体"可以调用之前的对话历史"。这个占位符会作为后续传递会话信息的入口，让智能体知道需要从哪里获取历史对话内容。
这一步的核心是让提示词模板支持上下文传递，打破"单次交互孤立"的限制，为会话记忆提供基础载体。

2. 实时记录对话历史

在每一轮对话完成后，我们需要主动记录下"用户输入"和"智能体响应"这两组关键信息，将其整理成统一的格式，存储在一个可调用的容器中。这个容器就相当于智能体的"记忆库"，会随着多轮对话的推进，不断追加新的对话内容。
需要注意的是，对话历史的记录格式要与提示词模板的要求保持一致，确保智能体能够正确识别和解析这些历史信息，避免出现上下文混乱的情况。

3. 多轮调用时传递会话历史

在发起下一轮对话时，将"记忆库"中存储的所有历史对话信息，通过之前预留的占位符，传递给ReAct Agent的执行器。此时，智能体会结合当前的用户输入和历史对话内容，进行推理和响应，从而实现"记住上下文"的效果。
比如用户第一次自我介绍后，对话历史会被记录下来；当用户再次询问自身姓名时，智能体会从传递的历史信息中提取相关内容，准确给出回复，而不是陷入"不知道你叫什么"的困境。

三、实践亮点：轻量实现，无需额外依赖

本次实现会话记录功能的最大亮点，在于完全基于LangChain原生组件，无需引入额外的记忆模块，轻量且灵活，非常适合快速落地和调试。
我们不需要复杂的配置，只需通过简单的逻辑设计，就能实现会话历史的记录与传递，既保留了ReAct Agent原有的"推理-行动"能力，又新增了会话记忆功能，兼顾了功能性和简洁性。
同时，这种实现方式具有良好的可扩展性：如果后续需要实现会话记录的持久化（比如保存到文件或数据库），只需在"记忆库"的基础上，增加存储和读取逻辑即可，无需修改核心的会话传递流程。

四、效果验证：会话记录功能的实际价值

通过上述实现方式，我们可以轻松验证会话记录功能的效果：

第一轮对话：用户进行自我介绍，智能体给出响应，此时对话历史被成功记录到"记忆库"中；
第二轮对话：用户询问"我叫什么"，智能体通过传递的会话历史，准确提取出用户的姓名并回复，实现了上下文的连贯衔接；
多轮延伸：即使后续发起与历史对话相关的需求，智能体也能基于已记录的信息，快速响应，无需用户重复输入，极大提升了交互体验。

五、总结与延伸

为ReAct Agent添加会话记录功能，是提升智能体交互体验的关键一步，其核心逻辑就是"预留占位符-记录历史-传递上下文"，全程基于LangChain原生组件即可轻量实现，无需复杂代码。
对于开发者而言，这种实现方式不仅简单易上手，还能灵活扩展，后续可以根据实际需求，增加会话记录的持久化、清理、总结等功能，让智能体的"记忆"更高效、更实用。
代码实现：

复制代码

from langchain_openai import ChatOpenAI
from langchain_core.tools import Tool
from langchain.agents import create_react_agent  # 改用 ReAct 智能体
from langchain.agents import AgentExecutor
from langchain_core.prompts import PromptTemplate  # ReAct 用 PromptTemplate 而非 ChatPromptTemplate
from langchain_core.messages import AIMessage, HumanMessage

# 1. 初始化 LLM
DEEPSEEK_API_KEY = "123"  # 替换为实际的 API Key
llm = ChatOpenAI(
    api_key=DEEPSEEK_API_KEY,
    base_url="http://192.168.0.100:8085/v1",
    model="qwen3.5-27b-awq",
    temperature=0.3,
    max_tokens=1024,
)


# 2. 工具函数
def huawei_mall_search(query: str) -> str:
    """华为商城搜索工具"""
    print(f"[DEBUG] 工具被调用！搜索关键词：{query}")
    search_results = {
        "众测活动": "华为商城众测活动是让用户体验新品并反馈意见的活动。目前有Mate 60系列众测，参与可赢取礼品。",
        "手机": "华为商城最新手机：Mate 60系列、P60系列、nova系列等。",
        "笔记本": "华为MateBook X Pro、MateBook D系列笔记本电脑。",
        "手表": "华为Watch 4、Watch GT系列智能手表。",
        "默认": "请在华为商城官网查看详细信息或联系客服。"
    }
    for keyword in search_results:
        if keyword in query:
            return f"华为商城搜索结果：{search_results[keyword]}"
    return search_results["默认"]


# 3. 创建工具（保持不变）
huawei_tool = Tool(
    name="huawei_mall_search",
    description="查询华为商城相关信息，包括产品、活动、政策等",
    func=huawei_mall_search,
)
tools = [huawei_tool]

# 4. 定义 ReAct 提示词模板 （关键修改！）
react_prompt = PromptTemplate.from_template("""
Answer the following questions as best you can. You have access to the following tools:

{tools}

Use the following format:

Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question

Begin!

Previous conversation history:
{chat_history}

Question: {input}
Thought: {agent_scratchpad}
""")

# 5. 创建 ReAct 智能体
try:
    agent = create_react_agent(llm=llm, tools=tools, prompt=react_prompt)
    print("Agent 创建成功")
except Exception as e:
    print(f"创建 Agent 失败: {e}")
    exit()

# 6. 创建执行器
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    max_iterations=3,
    handle_parsing_errors=True,
    return_intermediate_steps=True
)

# 7. 测试
print("\n" + "=" * 60)
print("测试 Agent 工具调用")
print("=" * 60)

# 这里我们为 chat_history 传递一个空的消息列表，因为它是聊天中的第一条消息
chat1 = agent_executor.invoke({"input": "你好，我叫小老虎", "chat_history": []})

print(chat1)

history = [] + [HumanMessage(content=chat1['input']), AIMessage(content=chat1['output'])]

chat2 = agent_executor.invoke({"chat_history": history, "input": "我叫是什么？", })

print('---------------')
print(chat2['output'])
print('#################')
print(chat2)

输出：

Agent 创建成功

============================================================

测试 Agent 工具调用

============================================================

> Entering new AgentExecutor chain...

</think>

Thought: 用户是在打招呼并自我介绍，这不是一个需要查询华为商城信息的问题，我应该友好地回应这个问候。

Final Answer: 你好，小老虎！很高兴认识你。我是你的智能助手，有什么我可以帮助你的吗？比如查询华为商城的产品信息、活动优惠、购买政策等，都可以告诉我哦！

> Finished chain.

{'input': '你好，我叫小老虎', 'chat_history': [], 'output': '你好，小老虎！很高兴认识你。我是你的智能助手，有什么我可以帮助你的吗？比如查询华为商城的产品信息、活动优惠、购买政策等，都可以告诉我哦！', 'intermediate_steps': []}

> Entering new AgentExecutor chain...

</think>

Thought: 这个问题是关于用户自己的名字，从之前的对话历史中我可以看到用户已经自我介绍过叫"小老虎"，所以我不需要使用工具来查询，可以直接从对话历史中回答。

Final Answer: 你叫小老虎！这是你在我们第一次对话时告诉我的名字。

> Finished chain.

你叫小老虎！这是你在我们第一次对话时告诉我的名字。

#################

{'chat_history': [HumanMessage(content='你好，我叫小老虎'), AIMessage(content='你好，小老虎！很高兴认识你。我是你的智能助手，有什么我可以帮助你的吗？比如查询华为商城的产品信息、活动优惠、购买政策等，都可以告诉我哦！')], 'input': '我叫是什么？', 'output': '你叫小老虎！这是你在我们第一次对话时告诉我的名字。', 'intermediate_steps': []}

Process finished with exit code 0

更多学习资料尽在老虎网盘资源

AI开发-python-langchain框架（3-17-ReactAngent的增加会话记录）