LangChain AI Agent 记忆 - 工具 - 决策协同实战：全链路优化与落地

一、核心主题定位

本集聚焦 Agent 三大核心组件（记忆 / 工具 / 决策）的深度协同，核心解决 “记忆与工具调用脱节”“多场景下组件适配混乱”“复杂任务中状态丢失” 三大痛点。通过构建 “记忆保留关键信息→决策调用匹配工具→工具结果反哺记忆” 的闭环，让 Agent 在多轮复杂任务（如客户订单全流程管理、医疗随访）中既保持交互连贯性，又具备高效执行能力，适配企业级高要求业务场景。

---

二、协同核心逻辑与价值

1. 协同底层逻辑（三步闭环）

1. 记忆锚定关键信息：记忆模块（如向量 + 窗口混合记忆）优先存储工具调用所需参数（如订单号、客户 ID）与用户偏好，为决策提供依据；
2. 决策匹配工具与记忆：决策框架（ReAct+TOT）基于当前需求与记忆信息，判断是否调用工具（如 “记忆中有订单号→直接调用物流查询工具”）；
3. 工具结果更新记忆：工具执行结果（如物流状态 “已签收”）实时回写记忆，为后续交互（如 “确认收货反馈”）提供状态支撑。

2. 协同核心价值

• 无感知交互：用户无需重复提供关键信息（如多次咨询同一订单，无需反复说订单号）；
• 工具调用精准：决策层基于记忆自动补全工具参数，避免 “参数缺失→追问用户” 的低效循环；
• 复杂任务闭环：跨步骤任务（如 “下单→付款提醒→物流跟踪→售后反馈”）中，记忆持续保留状态，决策与工具协同推进流程。

---

三、核心实操：记忆 - 工具 - 决策协同落地

以 “企业客户订单管理 Agent” 为例，整合 “窗口 + 向量混合记忆”“多订单工具”“ReAct 决策框架”，实现 “订单查询→物流跟踪→售后申请” 全流程协同。

1. 环境准备

bash

运行

# 核心依赖（延续前序环境，补充工具扩展依赖）
pip install langchain==0.1.10 langchain-community==0.0.30 zhipuai chromadb sentence-transformers

2. 完整代码实现

（1）组件初始化（记忆 / 工具 / LLM）

python

运行

from langchain_community.llms import ZhipuAI
from langchain.memory import ConversationBufferWindowMemory, VectorStoreRetrieverMemory
from langchain.vectorstores import Chroma
from langchain.embeddings import HuggingFaceEmbeddings
from langchain_core.tools import Tool
from langchain.agents import initialize_agent, AgentType

# 1. 初始化混合记忆（窗口记忆+向量记忆）
# 窗口记忆：保留最近3轮实时交互
window_memory = ConversationBufferWindowMemory(
    return_messages=True,
    memory_key="chat_history",
    k=3,
    input_key="input"
)

# 向量记忆：存储历史关键信息（订单号、客户偏好）
embedding = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")
vector_db = Chroma(embedding_function=embedding, persist_directory="./order_agent_memory")
vector_retriever = vector_db.as_retriever(search_kwargs={"k": 2})
vector_memory = VectorStoreRetrieverMemory(
    retriever=vector_retriever,
    memory_key="chat_history",
    input_key="input"
)

# 混合记忆：合并窗口与向量记忆（通过Agent Prompt关联）
def get_hybrid_memory(input_text):
    # 向量记忆检索历史关键信息
    vector_context = vector_memory.load_memory_variables({"input": input_text})["chat_history"]
    # 窗口记忆获取近期交互
    window_context = window_memory.load_memory_variables({"input": input_text})["chat_history"]
    return {"chat_history": window_context + vector_context}

# 2. 定义订单管理工具（3个核心工具）
# 工具1：订单状态查询
def order_status_tool(order_id: str) -> str:
    mock_data = {"OD-20240501": "已付款", "OD-20240502": "已发货", "OD-20240503": "已签收"}
    return f"订单{order_id}状态：{mock_data.get(order_id, '订单号不存在')}"

# 工具2：物流跟踪
def logistics_tool(order_id: str) -> str:
    mock_data = {
        "OD-20240501": "待发货（预计24小时内发出）",
        "OD-20240502": "运输中（当前位置：北京朝阳区→上海浦东新区）",
        "OD-20240503": "已签收（签收时间：2024-05-04 15:30）"
    }
    return f"订单{order_id}物流：{mock_data.get(order_id, '无此订单物流信息')}"

# 工具3：售后申请（仅支持已签收订单）
def after_sales_tool(order_id: str, reason: str) -> str:
    status = order_status_tool(order_id)
    if "已签收" in status:
        return f"订单{order_id}售后申请提交成功，原因：{reason}，预计1-3个工作日处理"
    return f"订单{order_id}当前状态（{status}）不支持售后申请，仅已签收订单可申请"

# 工具列表（明确参数要求）
tools = [
    Tool(
        name="order_status",
        func=order_status_tool,
        description="查询订单状态，必须传入订单号（如OD-20240501）"
    ),
    Tool(
        name="logistics_track",
        func=logistics_tool,
        description="跟踪订单物流，必须传入订单号（如OD-20240501）"
    ),
    Tool(
        name="after_sales_apply",
        func=after_sales_tool,
        description="提交售后申请，必须传入订单号和申请原因（如“质量问题”）"
    )
]

# 3. 初始化核心LLM（决策驱动）
llm = ZhipuAI(
    model="glm-4",
    api_key="你的API_KEY",
    temperature=0.2,
    timeout=30
)

（2）Agent 构建与协同测试

python

运行

# 1. 构建协同Agent（融合记忆/工具/决策）
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    memory=window_memory,  # 主记忆用窗口，向量记忆通过Prompt关联
    verbose=True,
    agent_kwargs={
        "system_message": """
        你是企业客户订单管理Agent，需按以下规则协同工作：
        1. 记忆协同：先通过历史对话（含向量记忆中的订单号）获取关键参数，无参数再追问用户；
        2. 工具决策：
           - 查状态→调用order_status；
           - 查物流→调用logistics_track；
           - 售后申请→先查订单状态（调用order_status），已签收再调用after_sales_apply；
        3. 结果回写：工具执行结果需同步到记忆，供后续交互使用。
        """,
        "human_message_template": "{input}\n（历史关键信息参考：{chat_history}）"
    }
)

# 2. 多轮协同测试（验证记忆-工具-决策闭环）
print("=== 第一轮：首次查询订单 ===")
agent.run("帮我查下OD-20240502的状态")  # 调用order_status，结果回写记忆
# 向量记忆存储“订单号OD-20240502”

print("\n=== 第二轮：跟踪同一订单物流 ===")
agent.run("那它的物流到哪了？")  # 记忆自动关联“OD-20240502”，直接调用logistics_track

print("\n=== 第三轮：申请售后（隔天后，记忆保留订单号） ===")
agent.run("我想申请售后，原因是包装破损")  # 向量记忆检索到“OD-20240502”，先查状态再提交售后

---

四、核心场景适配与组件组合方案

1. 场景 - 组件组合表

业务场景	记忆组合	工具类型	决策框架	核心优势
电商客户订单管理	窗口记忆（近期交互）+ 向量记忆（订单号）	订单查询 / 物流 / 售后	ReAct	无需重复输入订单号，流程连贯
医疗患者随访	总结记忆（病情总结）+ 向量记忆（病史）	预约挂号 / 用药提醒 / 报告查询	ReAct+TOT	保留关键病史，避免重复问诊
企业项目管理	窗口记忆（任务进度）+ 总结记忆（会议纪要）	任务分配 / 进度跟踪 / 文件共享	TOT	跨部门协作中状态不丢失

2. 关键适配原则

• 参数驱动场景（如订单 / 医疗）：优先用 “向量记忆存储关键参数 + 窗口记忆保留近期交互”，确保参数不丢失；
• 流程驱动场景（如项目管理）：优先用 “总结记忆压缩流程节点 + 窗口记忆保留实时进度”，平衡效率与细节；
• 高风险场景（如金融 / 医疗）：决策层需增加 “记忆信息校验” 步骤（如 “确认记忆中的订单号是否为当前查询订单”），避免误操作。

---

五、协同落地避坑与优化指南

1. 常见问题与解决方案

问题现象	根本原因	解决方案
记忆与工具参数不匹配	记忆存储的参数名与工具要求不一致	统一参数名（如记忆与工具均用 “order_id”），在 Prompt 中明确 “从记忆提取 order_id 作为工具参数”
多记忆协同冲突	窗口记忆与向量记忆信息重复 / 矛盾	在 Agent Prompt 中定义优先级（如 “窗口记忆信息优先于向量记忆，矛盾时询问用户”）
工具结果未回写记忆	未明确记忆更新逻辑	工具执行后，通过memory.save_context手动回写结果（如 “将物流状态‘已签收’存入记忆”）
决策层忽略记忆信息	Prompt 未强调 “优先使用记忆信息”	在 system_message 中添加 “必须先检查记忆中的关键信息，无相关信息再追问” 的强制约束

2. 核心优化技巧

• 参数自动提取：在 Prompt 中添加 “从记忆文本中提取工具所需参数（如 order_id：XXX）”，减少决策层理解成本；
• 记忆更新触发：设置 “工具调用成功→自动回写记忆” 的钩子函数，无需手动干预；
• 协同日志监控：记录 “记忆读取→决策判断→工具调用→记忆更新” 全链路日志，便于定位协同断点。