智能Agent实战指南：记忆组件嵌入技巧（记忆）

前进的李工2026-05-09 16:13

本期接着前文的**智能Agent实战指南：从入门到精通（工具）**继续来进行探讨Agent嵌入记忆组件。需求：北京明天的天气怎么样？上海呢？（是要通过两次对话实现）

1、传统方式实现

1.1 以ReAct方式

python 复制代码 
from langchain_classic.memory import ConversationBufferMemory
from langchain_classic.agents import AgentType, initialize_agent
from langchain_classic.tools import Tool
from langchain_community.tools import TavilySearchResults
from langchain_openai import ChatOpenAI
import os
import dotenv
dotenv.load_dotenv()

# 读取配置文件
os.environ["TAVILY_API_KEY"] = os.getenv("TAVILY_API_KEY")

# 获取Tavily搜索工具实例
search = TavilySearchResults(max_results = 3)
search_tool = Tool(
    func = search.run,
    name = "search",
    description = "用于检索互联网上的信息",
)
# 获取大模型
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
)
# 获取记忆的实例:ConversationBufferMemory
memory = ConversationBufferMemory(
    return_messages= True,
    memory_key= "chat_history" # 必须设置memory_key的值为chat_history，因为提示词模版中使用的是chat_history，二者必须一致
)
# 创建agent示例
agent = AgentType.CONVERSATIONAL_REACT_DESCRIPTION
# 创建agentExecutor实例
agent_execute = initialize_agent(
    llm =llm,
    agent = agent,
    tools = [search_tool],
    verbose = True,
    memory = memory,
)
# 通过agentExecutor调用invoke()，并得到响应
result = agent_execute.invoke("查询西安今天天气情况")
# 处理响应数据
print(result)

此时再询问上海的：

python 复制代码 
result = agent_execute.invoke("上海呢？")
print(result)

这里我们的问题只是"上海呢？"具体指代的就是上海的天气，通过嵌入的记忆获取。

1.2 以function_call方式

python 复制代码 
from langchain_classic.memory import ConversationBufferMemory
from langchain_classic.agents import AgentType, initialize_agent
from langchain_classic.tools import Tool
from langchain_community.tools import TavilySearchResults
from langchain_openai import ChatOpenAI
import os
import dotenv
dotenv.load_dotenv()

# 读取配置文件
os.environ["TAVILY_API_KEY"] = os.getenv("TAVILY_API_KEY")

# 获取Tavily搜索工具实例
search = TavilySearchResults(max_results = 3)
search_tool = Tool(
    func = search.run,
    name = "search",
    description = "用于检索互联网上的信息",
)
# 获取大模型
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
)
# 获取记忆的实例:ConversationBufferMemory
memory = ConversationBufferMemory(
    return_messages= True,
    memory_key= "chat_history" # 必须设置memory_key的值为chat_history，因为提示词模版中使用的是chat_history，二者必须一致
)
# 创建agent示例
agent = AgentType.OPENAI_FUNCTIONS
# 创建agentExecutor实例
agent_execute = initialize_agent(
    llm =llm,
    agent = agent,
    tools = [search_tool],
    verbose = True,
    memory = memory,
)
# 通过agentExecutor调用invoke()，并得到响应
response = agent_execute.invoke({"input":"今天是周几"})
# 处理响应数据
print(response)

2、通用方式实现

2.1 以function_call方式

python 复制代码 
from langchain_classic.memory import ConversationBufferMemory
from langchain_core.prompts import ChatPromptTemplate
from langchain_classic.agents import AgentType, initialize_agent, create_tool_calling_agent, AgentExecutor
from langchain_classic.tools import Tool
from langchain_community.tools import TavilySearchResults
from langchain_openai import ChatOpenAI
import os
import dotenv
dotenv.load_dotenv()

# 读取配置文件
os.environ["TAVILY_API_KEY"] = os.getenv("TAVILY_API_KEY")

# 获取Tavily搜索工具实例
search = TavilySearchResults(max_results = 3)
# 2、获取对应工具实例

search_tool = Tool(
    func = search.run,
    name = "search",
    description = "用于检索互联网上的信息",
)
# 3、获取大模型
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
)
memory = ConversationBufferMemory(
    return_messages=True,
    memory_key="chat_history",
)
# 4、提示词模版（ChatPromptTemplate为例）
prompt_template = ChatPromptTemplate.from_messages([
    ("system","你是一个乐于助人的ai助手，根据用户的提问，必要时调用search工具，使用互联网检索数据"),
    ("system","{chat_history}"), # 添加一个chat_history的变量，用于记录上下文记忆
    ("human","{input}"),
    ("system","{agent_scratchpad}"), # agent_scratchpad必须声明  agent_scratchpad 放在 input 之前确实可能导致输出重复或混乱
])

# 5、获取Agent实例：create_tool_calling_agent()
agent = create_tool_calling_agent(
    llm = llm,
    prompt = prompt_template,
    tools = [search_tool],
)
# 6、获取AgentExecutor实例
agent_executor = AgentExecutor(
    agent = agent,
    tools = [search_tool],
    verbose = True,
    memory = memory,
)
# 7、通过AgentExecutor实例调用invoke方法，得到响应
response = agent_executor.invoke({"input":"查询今天的西安天气情况"})
# 8、处理响应
print(response)

此时继续询问上海的：

python 复制代码 
response = agent_executor.invoke({"input":"上海呢？"})
print(response)

2.2 以ReAct方式

直接使用现成的提示词模版

python 复制代码 
from langchain_classic import hub
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate
from langchain_classic.agents import AgentType, initialize_agent, create_tool_calling_agent, AgentExecutor, create_react_agent
from langchain_core.tools import StructuredTool
from langchain_classic.tools import Tool
from langchain_community.tools import TavilySearchResults
from langchain_openai import ChatOpenAI
import os
import dotenv
dotenv.load_dotenv()

# 读取配置文件
os.environ["TAVILY_API_KEY"] = os.getenv("TAVILY_API_KEY")

# 获取Tavily搜索工具实例
search = TavilySearchResults(max_results = 3)
# 2、获取对应工具实例

search_tool = Tool(
    func = search.run,
    name = "search",
    description = "用于检索互联网上的信息",
)
# 3、获取大模型
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
)
# 4、使用LangChain Hub中的官方ReAct提示模板
prompt_template = hub.pull("hwchase17/react-chat")

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

# 5、获取Agent实例：create_react_agent()
agent = create_react_agent(
    llm = llm,
    prompt = prompt_template,
    tools = [search_tool],
)
# 6、获取AgentExecutor实例
agent_executor = AgentExecutor(
    agent = agent,
    tools = [search_tool],
    verbose = True,
    memory = memory,
)
# 7、通过AgentExecutor实例调用invoke方法，得到响应
response = agent_executor.invoke({"input":"查询今天的西安天气情况"})
# 8、处理响应
print(response)

指定某一天的：

python 复制代码 
response = agent_executor.invoke({"input":"西安2026年3月30日的呢"})
print(response)
相关推荐
Cao_Ron5 小时前
用 ECharts graph 画出卡片式矩形节点
前端
为你学会写情书5 小时前
LangChain.js RAG 实战：爬取掘金文章，让 LLM 告别幻觉
agent
skiyee5 小时前
换个底座的 Wot Starter 居然让 AI 更懂项目！
前端·ai编程
带刺的坐椅5 小时前
SolonCode v2026.7.13 发布：多工作区协同、推理水平可控、子代理任务分组、工程体验再进化
llm·agent·codex·solon-ai·claudecode·opencode
anyup5 小时前
这一套绝了！AI 大模型写故事，星云 SDK 驱动 3D 数字人实时演绎
前端·人工智能·aigc
耀耀切克闹灬5 小时前
短链跳转
前端
孟陬5 小时前
高质量全方位的 AI 工具 sse-stuntman — Mock SSE 接口
前端·node.js·openai
Cao_Ron5 小时前
给 ECharts 6 graph 节点叠加角标：从原理到性能优化
前端
WebGirl6 小时前
内网穿透方式
前端
va学弟6 小时前
Java 网络通信编程（10）：Channel 和 Selector
java·开发语言
热门推荐
01GitHub 镜像站点02AI科技热点日报 | 2026年07月01日03幻兽帕鲁 - 服务器管理员权限与 GM 命令完全指南042026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片05GPT-5.5 对比 GPT-5.6 Sol、Terra、Luna：官方性能数据与选型分析062026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？072026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf082026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？09AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路10全面体验 Grok API 中转站（2025 · Grok 4 系列最新版）