基于对话历史提问
在 LangChain 中使用基础的 ReAct 代理，您可以通过保留代理的对话历史来继续追问。由于 LLM 可以访问之前的所有消息，您现在可以提出新问题，代理会利用完整的消息上下文来回答。
接下来，您将就另一个三角形的边继续提问。
为便于使用 HumanMessage 和 AIMessage 的功能，以下模块已为您导入：HumanMessage、AIMessage。
本练习是课程的一部分
使用 LangChain 设计 Agentic 系统
练习说明
- 将给定的自然语言问题赋给
new_query。 - 调用
app对象，传入所有消息，包括message_history和new_query。 - 使用列表推导，从
response["messages"]中提取标记为HumanMessage或AIMessage的消息。 - 将新问题作为输入，并通过将消息类传给
"agent_output"来打印提取的消息。
交互式实操练习
通过完成这段示例代码来试试这个练习。
message_history = response["messages"]
____ = "What about one with sides 12 and 14?"
# Invoke the app with the full message history
response = app.____({"messages": ____ + [("human", ____)]})
# Extract the human and AI messages from the result
filtered_messages = [msg for msg in ____["____"] if isinstance(msg, (____, ____)) and msg.content.strip()]
# Pass the new query as input and print the final outputs
print({
"user_input": ____,
"agent_output": [f"{msg.____.____}: {msg.content}" for msg in ____]
})