PandasAI 如何用 follow_up 在多轮对话中保持上下文-平芜编程栈

PandasAI 如何用 follow_up 在多轮对话中保持上下文

【免费下载链接】pandas-aiChat with your database or your datalake (SQL, CSV, parquet). PandasAI makes data analysis conversational using LLMs and RAG.项目地址: https://gitcode.com/GitHub_Trending/pa/pandas-ai

用pai.chat()问数据时，每次调用都是一次性的：它不会记得上一次问过什么。如果你想在回答之上继续追问——比如先问“总销售额是多少”，再问“那去年呢”——就需要使用 PandasAI 的Agent及其follow_up方法。follow_up与chat的区别在于：chat会开启新对话并清空会话记忆，而follow_up不清空记忆，agent 可以基于之前的问答理解上下文（Agent 文档）。本文给出从零配置到验证多轮对话上下文生效的完整路径。

准备条件

按 Installation & Quickstart，PandasAI 要求 Python3.8+ <=3.11。多轮对话本身还需要一个可用的 LLM，v3 中必须全局配置 LLM（迁移文档）。

# 安装主包（pip 或 poetry 均可） pip install pandasai # 以 OpenAI 为例，安装 LLM 扩展 pip install pandasai-litellm

全局配置 LLM（下面的 API key 和模型名需要你按自己账号替换，文档示例使用的是gpt-4.1-mini）：

import pandasai as pai from pandasai_litellm.litellm import LiteLLM llm = LiteLLM(model="gpt-4.1-mini", api_key="YOUR_OPENAI_API_KEY") pai.config.set({ "llm": llm })

如果没配 LLM 就调用chat，会抛出ValueError，提示 API key 未包含 LLM 额度，需要配置 OpenAI 或 LiteLLM key。

创建 Agent 并用 chat 开启对话

pai.chat()面向单会话的探索式分析；多轮对话需要实例化Agent。以 Agent 文档中的示例数据为例：

import pandas as pd from pandasai import Agent # 示例 DataFrame sales_by_country = pd.DataFrame({ "country": ["United States", "United Kingdom", "France", "Germany", "Italy", "Spain", "Canada", "Australia", "Japan", "China"], "sales": [5000, 3200, 2900, 4100, 2300, 2100, 2500, 2600, 4500, 7000], "deals_opened": [142, 80, 70, 90, 60, 50, 40, 30, 110, 120], "deals_closed": [120, 70, 60, 80, 50, 40, 30, 20, 100, 110] }) agent = Agent(sales_by_country) agent.chat('Which are the top 5 countries by sales?') # 文档示例输出: China, United States, Japan, Germany, Australia

注意chat的语义：在 Agent 源码中，chat会先调用start_new_conversation()（即清空记忆）再处理查询。所以每次调chat都是重新开始一轮对话，而follow_up才会接着上一轮说。

用 follow_up 保持上下文

开始新一轮对话用chat，之后所有延续性追问都用follow_up，两者都接受query和可选的output_type参数（源码）：

# Start a new conversation response = agent.chat('What is the total sales?') print("First response:", response) # Continue the conversation without clearing memory follow_up_response = agent.follow_up('What about last year?') print("Follow-up response:", follow_up_response)

文档对这一行为的说明是：follow_up方法与chat工作方式相同，但不清空会话记忆，agent 因此能理解来自之前消息的上下文。

响应对象打印时会自动输出其.value属性（见 Chat and Output），所以print(response)即可看到回答内容。追问是否真的“记得”上文，最直接的核对方式是检查追问回答是否引用了前一轮的对象（例如继续按国家、销售额口径回答，而不是把“What about last year?”当成一个没有参照的孤立问题来报错或泛泛回答）。同时可以用response.last_code_executed查看生成本次回答的执行代码，辅助判断追问是否落在正确的字段和口径上。

模块级入口：pai.follow_up

除了在 agent 实例上调follow_up，PandasAI 还提供了模块级pai.follow_up(query)（入口实现）。它与pai.chat(query, *dataframes)配对使用：pai.chat会创建并保存一个全局 agent，pai.follow_up继续这个 agent 的对话。

这里有一个明确的报错场景：如果还没有通过pai.chat建立过对话就调用pai.follow_up，会抛出ValueError，错误信息为"No existing conversation. Please use chat() to start a new conversation."。也就是说模块级follow_up的前置条件是先执行过一次pai.chat。

控制与重置对话记忆

Agent构造时接受memory_size参数，默认值为10（Agent 源码），用于限制带入下一轮提示的历史消息条数（Memory 实现）。官方文档示例中的写法：

agent = Agent([df1, df2], memory_size=10)

当需要丢弃历史、从零开始时，文档给出的路径是再次调用chat——因为chat自带清空记忆的行为；也可以显式调用agent.start_new_conversation()或agent.clear_memory()达到同样效果（源码）。

v2 用户迁移时注意

如果你是从 v2 迁移过来，follow_up是 v3 新增的 Agent 方法（Backwards Compatibility 文档）：

# Start conversation response = agent.chat('What is the total revenue?') # Follow up without losing context follow_up = agent.follow_up('What about last quarter?')

同一文档同时提醒：v2 中的clarification_questions()、explain()和rephrase_query()方法在 v3 中已被移除（迁移排查文档）。遇到AttributeError: 'Agent' object has no attribute 'clarification_questions'这类报错时，替代方式就是改用chat开启对话、follow_up延续上下文。

小结与边界

单会话探索用pai.chat()/df.chat()；多轮追问用Agent+follow_up（或模块级pai.chat+pai.follow_up）。
chat每次调用都会清空记忆；follow_up不清空，这是两者唯一的实质区别。
模块级pai.follow_up之前必须先有pai.chat，否则抛出ValueError: No existing conversation...。
memory_size控制带入上下文的历史消息量，默认 10。
v3 要求全局配置 LLM（pai.config.set），否则chat/follow_up都会因缺少 LLM 报错。