conversational

Conversational Agent

ConversationalAgent 是专为对话场景设计的 Agent。它在 ReAct 范式的基础上，通过引入 chat_history（对话历史）来保持上下文连贯性。

核心功能

与标准的 ZeroShotAgent 不同，ConversationalAgent 的提示词模板包含一个专门用于存储历史对话的变量。这使得 Agent 能够记住之前的交互，而不仅仅是处理单一的请求。

• chat_history: 存储 Human 和 AI 之间之前的对话内容。
• ai_prefix / human_prefix: 用于在 Prompt 中标识不同说话者的前缀（默认为 "AI" 和 "Human"）。

执行逻辑 (Verbatim Snippet)

提示词结构 (ConversationalAgent.create_prompt)

@classmethod
def create_prompt(
    cls,
    tools: Sequence[BaseTool],
    prefix: str = PREFIX,
    suffix: str = SUFFIX,
    format_instructions: str = FORMAT_INSTRUCTIONS,
    ai_prefix: str = "AI",
    human_prefix: str = "Human",
    input_variables: list[str] | None = None,
) -> PromptTemplate:
    # 1. 渲染工具描述
    tool_strings = "\n".join(
        [f"> {tool.name}: {tool.description}" for tool in tools],
    )
    # 2. 注入对话相关的变量名
    if input_variables is None:
        input_variables = ["input", "chat_history", "agent_scratchpad"]
    
    # 3. 构造模板
    template = f"{prefix}\n\n{tool_strings}\n\n{format_instructions}\n\n{suffix}"
    return PromptTemplate(template=template, input_variables=input_variables)

提示词模板内容

{prefix}
{tool_strings}
{format_instructions}

{chat_history}
Human: {input}
Thought: {agent_scratchpad}

迁移指南 (LangGraph)

在现代 LangChain 中，对话能力通常由 LangGraph 的 State（状态）管理，而不是硬编码在 Prompt 模板中。

经典方式 (initialize_agent)

from langchain.memory import ConversationBufferMemory
from langchain.agents import initialize_agent, AgentType

memory = ConversationBufferMemory(memory_key="chat_history")
agent = initialize_agent(
    tools, 
    llm, 
    agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory,
    verbose=True
)

现代方式 (LangGraph)

from langgraph.checkpoint.memory import MemorySaver
from langgraph.prebuilt import create_react_agent

# 使用内存检查点来自动保存对话历史
memory = MemorySaver()
app = create_react_agent(model, tools, checkpointer=memory)

# 运行时提供 thread_id 以识别不同会话
config = {"configurable": {"thread_id": "user-123"}}
app.invoke({"messages": [("user", "My name is Bob")]}, config)
app.invoke({"messages": [("user", "What is my name?")]}, config)