Agent无记忆之痛：为什么用户说了3次“交互屏组装A线”它还在问？

🏭导航收藏不迷路—>制造业数据与AI践行者老蒋的技术博客全系列文章汇总（持续更新）

文章摘要

        与Agent对话时，用户分三次提供了意图、日期、产线名称，但Agent每次都重新询问缺失信息，仿佛患上“失忆症”。本文剖析Agent无状态（Stateless）的设计本质，揭示AgentExecutor默认不携带Memory的机制缺陷，并提供ConversationBufferMemory的接入方案。适用于所有基于LangChain构建对话Agent的开发者。

问题现象

        兄弟们，前面五篇排坑笔记你们一路跟下来了。导入链污染、版本碎片化、中文括号、嵌套JSON、花括号战争——我们一个接一个地解决了。

我以为Agent终于可以好好干活了。

然后我做了一个测试——模拟真实用户的对话习惯，分三次输入信息：

🧑‍💻 你: oee
🤖 Agent: 您好，请告知我要查询哪条产线以及具体是哪个日期的数据？

🧑‍💻 你: 2026-07-18
🤖 Agent: 您想查询哪条生产线在2026-07-18的OEE呢？请提供具体的产线名称。

🧑‍💻 你: 交互屏组装A线
🤖 Agent: 请问您想查询哪一天的OEE数据？

        我当时的第一反应又是：这不科学啊......😀

        我跟它说了三次话：第一次说我要查OEE，第二次给了日期，第三次给了产线名称。正常人（或者说正常程序）应该能把这三条信息拼在一起，然后给我答案吧？

        结果它倒好，我说OEE它问产线，我给产线它问日期，我给日期它又问产线——就像一条金鱼，记忆力只有3秒钟。

根因分析

        说句实在话，这其实不是Agent的Bug，而是它的出厂设置就是这样。但问题是，LangChain的文档里没有把这个“特性”用大字标出来，导致我一开始以为是自己代码写错了。

第一层：Agent是无状态的（Stateless by Design）

        LangChain的AgentExecutor在默认情况下，每次调用invoke()都是一次独立的对话。它不会记住上一次用户说了什么，也不会记住上一次它自己说了什么。

        每次调用时，Agent接收到的信息只有：

• 当前这一次的用户输入（input）

• 当前这一次的工具调用历史（intermediate_steps）

        它看不到之前的对话记录。

        这就意味着，当你分三次输入信息时，Agent的视角是这样的：

第1次调用：用户说"oee" → 我不知道产线和日期 → 我问他要
第2次调用：用户说"2026-07-18" → 我不知道这是日期还是别的什么 → 我问他产线
第3次调用：用户说"交互屏组装A线" → 我不知道日期 → 我问他日期

每一次都是全新的一轮对话，之前的上下文全部丢失。

第二层：为什么会这样设计？

        LangChain的设计者可能认为，Agent应该是无状态的、可独立调用的函数——每次输入都独立处理，不依赖外部状态。这样的设计在微服务架构、批量处理等场景下是合理的。

但问题是，我们做的是对话Agent。

        对话的本质是多轮交互，用户不会一次性把所有信息都告诉你，而是像跟人聊天一样，想到哪儿说到哪儿。一个没有记忆的对话Agent，就像一个每次见面都问你“你叫什么名字”的朋友——你会觉得他要么是记性太差，要么是根本不在乎你。

第三层：你可能会问——那我用ConversationBufferMemory不就行了吗？

        是的，ConversationBufferMemory就是解决方案。但LangChain 0.3.x版本中，AgentExecutor对memory的支持方式发生了变化，不是简单传进去就能用的。如果只是把memory塞给AgentExecutor，你会发现它根本不搭理你。

        这也是我花了点时间才搞明白的。

解决方案

        说实话，ConversationBufferMemory这个方案本身不复杂，但LangChain的文档写得跟天书一样，东一榔头西一棒槌。我踩了一遍坑之后，整理出一套能直接跑的办法。

第一步：在common/base_agent_builder.py中注入Memory

        修改BaseAgentBuilder的build方法，把memory挂到AgentExecutor上：

from langchain.memory import ConversationBufferMemory

class BaseAgentBuilder:
    def __init__(self, temperature: float = 0.1, max_iterations: int = 5, with_memory: bool = True):
        self.llm = get_llm(temperature=temperature)
        self.max_iterations = max_iterations
        self.with_memory = with_memory
        self._tools = None

    def build(self) -> AgentExecutor:
        tools = self._register_tools()
        prompt = PromptTemplate.from_template(self._get_prompt_template())
        agent = create_react_agent(self.llm, tools, prompt)
        
        # ---- 关键：注入Memory ----
        memory = None
        if self.with_memory:
            memory = ConversationBufferMemory(
                memory_key="chat_history",
                return_messages=True
            )
        
        executor = AgentExecutor(
            agent=agent,
            tools=tools,
            memory=memory,  # 这里传入memory
            verbose=True,
            max_iterations=self.max_iterations,
            handle_parsing_errors=True
        )
        return executor

第二步：修改Prompt模板，让Agent知道“历史记录”的存在

        这一步是很多人会漏掉的。你光给Agent塞了Memory，但如果不告诉它“你有历史记录可以用”，它还是会无视。

        在_get_prompt_template中，增加chat_history的引用：

def _get_prompt_template(self) -> str:
    return """
    你是一个专业的制造业AI助手。
    
    以下是对话历史记录：
    {chat_history}
    
    当前用户的问题是：{input}
    
    你有权使用以下工具：{tools}
    ...
    """

        这样Agent在每次推理时，都会把之前所有的对话记录都加载到Prompt里，实现“记忆”的效果。

第三步：验证——Agent终于“长记性”了

        修改之后，重新运行测试：

🧑‍💻 你: oee
🤖 Agent: 请问您要查询哪条产线、哪一天的OEE呢？

🧑‍💻 你: 交互屏组装A线
🤖 Agent: 好的，产线是交互屏组装A线，请问具体是哪一天呢？

🧑‍💻 你: 2026-07-12
🤖 Agent: 正在计算交互屏组装A线在2026-07-12的OEE...
🤖 Agent: 交互屏组装A线在2026-07-12的OEE为86.39%。

        这才是对话该有的样子！

经验总结

        怕你忘了，我再啰嗦一遍：Agent默认是金鱼记忆，想让它有长期记忆，你得主动给它装一个“记忆芯片”。

落到具体操作上就是四条：

1. AgentExecutor默认不携带memory。这是它的设计机制，不是Bug。想让Agent记住对话，必须主动注入ConversationBufferMemory或其它Memory类型。

2. 注入Memory的同时，必须在Prompt模板里添加{chat_history}占位符。如果你只注入不引用，Agent依然会无视历史记录——就像你给一个健忘症患者配了笔记本，但没告诉他要翻笔记本一样。

3. ConversationBufferMemory会随着对话变长而膨胀。如果对话轮次很多（超过20轮），建议换成ConversationSummaryMemory或ConversationBufferWindowMemory，避免Token超限。

4. Case02将完整实现带记忆的Agent。本文只介绍了核心原理和最小实现方案。在即将发布的Case02中，我们会做一个完整的、可直接复用的带记忆Agent，支持持久化存储和跨会话记忆。

系列导航

• 本文属于《数据与AI工程排坑笔记》系列

• 上一篇：离谱！PromptTemplate 遇上 JSON，花括号直接引发解析战争

• 下一篇：本智联工坊案例1系列已完结（6篇全部交付）

📚 排坑笔记系列汇总

至此，《数据与AI工程排坑笔记》系列6篇文章已全部交付：

编号	标题	状态
坑01	__init__.py导入链污染	✅ 已发布
坑02	LangChain版本碎片化	✅ 待发布
坑03	Pydantic中文括号SyntaxError	✅ 待发布
坑04	Agent嵌套JSON套娃	✅ 待发布
坑05	PromptTemplate花括号冲突	✅ 待发布
坑06	Agent无记忆之痛	✅ 待发布

---

本文问题源自：智联工坊实战：制造知识库工具调用Agent从零搭建（OEE+手册+排班）-优快云博客 完整源码及深度教程见该文详细内容。

💡 建议收藏：下次遇到Agent“金鱼记忆”问题，可以快速对照本文排查。

互动与交流

         你在使用LangChain Agent时，有没有被它“金鱼般的记忆”折磨过？欢迎在评论区吐槽，或者分享你配置Memory时遇到的奇葩问题——咱们互相支支招。

关于作者

        制造业数据与AI践行者老蒋，23年IT老兵。聚焦制造业数据架构与AI融合落地。全流程实战，全源码开源。

标签：#排坑笔记 #LangChain #Agent #记忆系统