如何在LangChain中使用ReAct构建AI Agent（案例+源码）

最新推荐文章于 2025-04-24 20:06:37 发布

冻感糕人~

最新推荐文章于 2025-04-24 20:06:37 发布

阅读量825

点赞数 6

文章标签： langchain react.js 人工智能 ai大模型大模型训练大模型微调计算机技术

本文链接：https://blog.youkuaiyun.com/python12345_/article/details/141458674

版权

一、引言

当前，在各个大厂纷纷卷LLM的情况下，各自都借助自己的LLM推出了自己的AI Agent，比如字节的Coze，百度的千帆等，还有开源的Dify。你是否想知道其中的原理？是否想过自己如何实现一套AI Agent？当然，借助LangChain就可以。

ReAct（Reasoning and Action）是一个框架，其核心思想，就是通过思维链的方式，引导模型将复杂问题进行拆分，一步一步地进行推理（Reasoning）和行动（Action），同时还引入了观察（Observation）环节，在每次执行（Action）之后，都会先观察（Observation）当前现状，然后再进行下一步的推理（Reason）。

ReAct这个框架，就是要让LLM，进行推理，然后采取行动与外界环境互动。ReAct这个框架，就是要让开发者一步步引导LLM进行推理，然后根据推理的结果，判断采取哪个行动。

利用ReAct机制，LLM可以很好的结合外部环境和行动组件，形成一个完整的AI Agent。接下来我们使用LangChain定义一个ReAct机制的AI Agent。

二、实现过程

2.1 不使用ReAct机制

代码：

# 模型
api_key = "sk-xxxx"
api_base = "https://api.xxxx"
model = ChatOpenAI(model="gpt-3.5-turbo",
                   openai_api_key=api_key,
                   openai_api_base=api_base)

# 直接让模型计算数字
ai_msg = model.invoke([HumanMessage(content="你帮我算下，3.941592623412424+4.3434532535353的结果")])
print(ai_msg)

结果：

在不使用ReAct机制借助外部工具的情况下，让LLM帮我们计算两个小数相加，则直接出错。

2.2 使用ReAct机制构造出一个Agent

代码：

# 定义工具，要继承自LangChain的BaseTool
class SumNumberTool(BaseTool):
    name = "数字相加计算工具"
    description = "当你被要求计算2个数字相加时，使用此工具"

    def _run(self, a, b):
        return a["title"] + b["title"]

# 工具合集
tools = [SumNumberTool()]
# 提示词，直接从langchain hub上下载，因为写这个ReAct机制的prompt比较复杂，直接用现成的。
prompt = hub.pull("hwchase17/structured-chat-agent")
# 定义AI Agent
agent = create_structured_chat_agent(
    llm=model,
    tools=tools,
    prompt=prompt
)

# 使用Memory记录上下文
memory = ConversationBufferMemory(
    memory_key='chat_history',
    return_messages=True
)

# 定义AgentExecutor，必须使用AgentExecutor，才能执行代理定义的工具
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent, tools=tools, memory=memory, verbose=True, handle_parsing_errors=True
)

# 测试使用到工具的场景
ai_msg = agent_executor.invoke({"input": "你帮我算下3.941592623412424+4.3434532535353的结果"})
print(ai_msg)

结果：