用LangChain搭Agent，工具调用时上下文总丢，大佬们怎么解决的？

AgentExecutor默认不存工具结果到history，得手动把tool output拼进memory再传回去。

工具返回结果默认不进history，得手动塞进memory或用return_intermediate_steps，我踩过这坑。

这个坑我也踩过，AgentExecutor默认只把工具输出作为当轮观察传给LLM，下一轮不会自动进chat_history。你得手动把工具结果拼进memory，或者用ConversationBufferMemory加return_messages配合自定义prompt。我后来改用LangGraph的checkpointer，状态持久化省心多了，建议试试。

这个问题其实挺典型的，AgentExecutor默认确实不会把工具返回结果自动塞进对话历史里，它只是在当前轮次里把observation传给LLM做下一步决策，轮次结束就丢了。你加memory和chat_history方向是对的，但关键是要确认工具输出有没有被写进memory，很多人只存了Human和AI的对话，中间的tool message被过滤掉了。我之前踩过类似的坑，后来改成用LangGraph自己管state，把每次工具调用的输入输出都显式存到一个列表里，再拼进下一轮的context，就稳多了。还有个偷懒的办法是让工具本身带缓存，比如查订单这种，用订单号做key，Agent就算重新调也是命中缓存，用户感知上不会变慢。不过根子上还是得让模型知道“刚才查过了”，可以在system prompt里加一句提示，让它优先参考历史工具结果再决定要不要重新调用。你贴下你的memory配置和prompt，我看看是不是tool message没进去，这个细节坑了不少人。

你是不是没用agent的return_intermediate_steps？工具输出默认不会自动进对话历史，得手动把它拼回prompt里。我一般是在callback里把ToolMessage抓出来，塞进memory的chat_history再走下一轮。另外AgentExecutor本身确实不帮你保留工具结果，这块得自己接。

我之前也踩过这个坑，AgentExecutor默认确实不会把完整的工具返回塞进后续的prompt里，它只保留一个精简过的observation摘要，尤其是你用了return_direct或者early_stopping那套逻辑的时候更容易丢。你加memory和chat_history方向是对的，但得确认工具结果的格式能被Memory接住，很多时候是中间步骤的输出被截断或者序列化时丢了字段。我现在一般会在tool函数里手动把关键结果写回一个共享的state，或者在prompt里显式要求模型引用上一步的observation，不然它真的会傻乎乎重查。另外可以看看你用的agent类型，structured chat和openai functions对历史工具结果的处理差别挺大的，前者更依赖你手写的scratchpad。建议你把verbose打开，看一眼每轮实际拼进去的prompt长啥样，基本一眼就能定位是哪儿断了。

这问题我也踩过，AgentExecutor默认确实不会把工具返回自动塞进后续对话上下文，memory只管chat history那块。你可以在prompt里用agent_scratchpad占位，它会带上中间步骤，但多轮之间还是容易断。我之前是把工具结果手动存进一个dict，然后在system prompt里动态拼进去，虽然土但管用。或者换LangGraph试试，状态管理比AgentExecutor清楚不少，工具输出能显式保留。

AgentExecutor默认不保留工具输出，得手动把结果拼进chat_history才能记住。

这个问题挺典型的，LangChain的AgentExecutor默认确实不把工具返回结果自动塞回chat_history里，它只是在当前轮次里用一下。我之前也踩过这个坑，后来是手动把tool的输出append到memory里，或者用return_intermediate_steps=True拿到中间步骤再自己处理。另外你检查下prompt里有没有把agent_scratchpad正确传进去，这个很关键，缺了的话模型根本看不到工具调用历史。

AgentExecutor确实默认不把工具结果塞回chat_history，得手动用return_intermediate_steps或者自定义callback捞出来再拼进prompt。

这个坑我踩过，LangChain的AgentExecutor默认确实不会自动把工具输出长期留在对话上下文里，它每次跑完一轮，中间那些tool result基本就散了，除非你用的是带memory的chain显式串起来。你加memory和chat_history方向是对的，但关键在于工具返回结果有没有被写回memory，普通ConversationBufferMemory只记人类和AI的对话，工具那层它不一定捕获。可以试试用return_intermediate_steps=True把中间步骤拿到，然后自己把观察结果拼进下一轮输入，或者换成LangGraph那种显式管理state的方式，控制感强很多。另外prompt里最好明确告诉模型“如果历史里有相关工具结果就直接引用，不要重复调用”，这个约束挺有用的。我之前也遇到过反复查同一条数据的情况，后来把工具输出摘要后塞进system或者历史里就稳定多了。代码片段的话网上搜agent with memory and intermediate steps能翻到不少例子，照着改改就行。

AgentExecutor默认确实不存工具输出，你得手动把tool的结果append到chat_history里才行。

我踩过这个坑，AgentExecutor默认确实只把最终输出塞回chat_history，中间的工具返回结果是不进上下文的。你得用return_intermediate_steps=True，然后手动把intermediate_steps里的observation拼进下一轮的prompt里，或者干脆自定义个callback把工具结果写进memory。我后来是换成了自己写的循环，每次把tool result直接append到messages里，比LangChain那套黑盒好使多了。

这问题我也踩过，AgentExecutor默认只把工具输出当成中间步骤，不会自动塞回对话历史里。你可以试试在prompt里显式加个agent_scratchpad变量，或者改用LangGraph那套，它能更细粒度地控制状态传递。还有个土办法是自己包一层，把工具返回结果手动拼进下一轮的消息里。