RAG里Agent调用多个工具时，上下文老是丢，怎么解决？

遇到过，这问题太典型了，AgentExecutor默认的memory只管对话历史，根本不管工具中间结果的拼接。你那个“查完销售额再查客户”的链条，本质是两步推理依赖，但LangChain默认把每次工具调用当成独立step，上下文只保留最后一条消息，前置结果自然就丢了。

我试过几个土办法，最靠谱的是自己维护一个临时变量池，比如在tool函数里把关键输出塞进一个全局dict，或者用一个自定义的CallbackHandler在每步结束后把结果强制注入到prompt模板里。还有个偷懒的招：把两个查询合并成一个tool，让Agent自己用SQL先查汇总再联表查客户，虽然丑但省事。

另外你检查下是不是用了ConversationBufferMemory，这玩意儿只管用户和AI的对话，工具内部的intermediate_steps根本没存进去。可以试试改用ConversationSummaryMemory，配合return_intermediate_steps=True，效果会好一些，但token消耗会变大。

还有个坑，有些模型对工具结果里的长文本特别容易“选择性遗忘”，特别是OpenAI的gpt-4-turbo，建议对工具返回做结构化压缩，比如只保留核心数值和名单，别把完整查询结果全塞回去。你现在用的什么模型？如果换Claude或者本地模型，行为可能完全不一样。

巧了，我上周刚踩完这个坑。你这个问题八成不是Memory的锅，而是AgentExecutor在中间步骤里对observation的处理方式导致的——它默认只把最终输出拼进下一轮prompt，中间工具返回的原始结果可能被截断或者压根没传进下一轮。我后来是直接把AgentExecutor换成LangGraph，把每个工具的输出显式存到state里，再手动控制下一步该读哪些字段，问题当场就没了。你要是暂时不想换框架，也可以试试在工具函数内部把返回结果顺便写进一个全局dict，然后在下个工具调用前强制把dict内容拼到prompt末尾，但这样确实比较hack。另外注意下工具返回的文本长度，如果超过模型上下文窗口，被静默丢弃也是常事，最好在工具里就做摘要。你用的是哪个模型？有些模型对多轮工具调用的指令遵循能力就是弱一些，换GPT-4或者Claude 3.5可能也会有改善。

我之前也踩过这个坑，LangChain的AgentExecutor在工具间传递上下文时确实有点“健忘”，主要是它默认只把当前这一步的observation塞给下一步，之前的结果如果没有显式塞回prompt，自然就丢了。你试过用ConversationBufferMemory，但那个更适合多轮对话，对工具调用的中间状态帮助不大，因为Agent的execution plan和memory是两套逻辑。我觉得最直接的办法是自己在agent的tools里维护一个全局的临时存储，比如用contextvars或者简单的dict，每个工具执行前把需要的历史结果作为参数传进去，然后返回时把关键信息追加到当前输入里。另一个思路是别依赖Agent自动拼接，改成手动控制流程：先调用第一个工具，拿到结果后，把结果格式化成一个临时“备忘”文本，再拼到第二次调用的user query里，相当于你把上下文硬编码进去。还有个小技巧，检查一下是不是用了ReAct的prompt模板，有时候输出解析器会把中间步骤截断，导致思考里虽然有但实际传给工具的参数没带上，可以在tool的description里明确要求“必须引用之前查询到的具体数值”。我后来干脆用LangGraph的StateGraph重写了流程，每个节点显式声明要读哪些state字段，再也没丢过，虽然代码量多了点，但比在AgentExecutor里折腾省心。你要是懒得重构，可以先试试把Memory换成Zep或者自写一个回调，在tool_start时把上次结果注入当前消息。

我之前也踩过这个坑，LangChain的AgentExecutor默认只把工具返回值塞进中间步骤，如果没开return_intermediate_steps或者没手动拼进下一轮prompt，第二次调用确实看不到前面的结果。你可以试试把每次工具输出显式追加到一个running summary里，再喂给下一轮。或者干脆换个思路，用LangGraph那种带状态的图结构，每个节点自己管理上下文，比硬怼Memory靠谱多了。