LangGraph进阶:构建ReACT架构的智能Agent

langgraph的ReAct应用 本节主要介绍了langgraph的ReAct的基本原理、优势、及应用场景。并以代码示例的方式介绍了ReAct是如何工作的,比如添加记忆、添加系统提示词、人机交互等。 阅读详情

引言

在人工智能和大语言模型(LLM)快速发展的今天,如何构建高效、灵活的智能Agent成为了一个热门话题。LangGraph作为一个强大的工具,为我们提供了一种新的方式来实现复杂的AI工作流,特别是在构建ReACT(Reasoning and Acting)架构的智能Agent方面表现出色。本文将深入探讨如何使用LangGraph来实现ReACT架构,并提供详细的代码示例和解释。

LangGraph的基本概念

LangGraph是一个用于构建基于LLM的应用程序的Python框架。它的核心理念是将复杂的AI工作流程表示为一个状态图,其中包含节点、边和数据状态。这种方法使得我们可以更直观地设计和实现智能Agent的行为逻辑。

在LangGraph中,我们可以使用基础组件(节点、边、数据状态)来构建Agent,这也是LangGraph自由度高的一个重要优点。同时,LangGraph还提供了一些预构建的代理,如ReACT智能体和工具调用智能体,使得我们可以更快速地创建智能Agent。

ReACT架构简介

ReACT(Reasoning and Acting)是一种智能Agent架构,它结合了推理和行动的能力。在ReACT架构中,Agent通过不断地思考(Reasoning)、采取行动(Acting)和观察结果(Observing)来解决问题。这种方法使得Agent能够更灵活地应对复杂的任务,并且可以利用外部工具来增强其能力。

使用LangGraph实现ReACT架构

现在,让我们通过一个具体的例子来看看如何使用LangGraph实现ReACT架构的智能Agent。

1. 环境设置

首先,我们需要导入必要的库和模块:

import dotenv
fromimport GoogleSerperRun
fromimport OpenAIDALLEImageGenerationTool
fromimport GoogleSerperAPIWrapper
fromimport DallEAPIWrapper
fromimport BaseModel, Field
fromimport ChatOpenAI
fromimport create_react_agent

dotenv.load_dotenv()

2. 定义工具和参数模式

接下来,我们定义了两个工具:Google搜索和DALL-E图像生成。同时,我们也为这些工具定义了参数模式:

class GoogleSerperArgsSchema(BaseModel):
    query: str "执行谷歌搜索的查询语句")

class DallEArgsSchema(BaseModel):
    query: str "输入应该是生成图像的文本提示(prompt)")

google_serper  GoogleSerperRun(
    name"google_serper",
    description(
        "一个低成本的谷歌搜索API。""当你需要回答有关时事的问题时,可以调用该工具。""该工具的输入是搜索查询语句。"
    ),
    args_schemaGoogleSerperArgsSchema,
    api_wrapperGoogleSerperAPIWrapper(),
)

dalle  OpenAIDALLEImageGenerationTool(
    name"openai_dalle",
    api_wrapper"dall-e-3"),
    args_schemaDallEArgsSchema,
)

tools 

3. 创建语言模型

我们使用OpenAI的GPT-4模型作为我们的大语言模型:

"gpt-4o-mini"

4. 使用预构建函数创建ReACT智能体

LangGraph提供了预构建的函数来创建ReACT智能体,使用起来非常简单:

 create_react_agent(
    modelmodel,
    toolstools
)

5. 调用智能体并输出内容

最后,我们可以调用我们创建的智能体,并打印输出结果:

print"messages""human""帮我绘制一幅鲨鱼在天上飞的图片"

运行结果分析

当我们运行这段代码时,智能体会首先理解任务需求,然后决定使用DALL-E工具来生成图像。它会生成一个详细的图像描述,然后调用DALL-E API来创建图像。最后,它会返回生成的图像URL,并提供一个简短的描述。

输出内容可能如下所示:

'messages''帮我绘制一幅鲨鱼在天上飞的图片'), 
              AIMessage(content'''tool_calls': [...]}), 
              ToolMessage(content'https://dalleproduse.blob.core.windows.net/...'), 
              AIMessage(content'这是您请求的画面:一只鲨鱼在天上飞翔的图片。您可以点击下面的链接查看这幅图。\n\n![鲨鱼在天上飞](https://dalleproduse.blob.core.windows.net/...)')]
}

总结

通过这个例子,我们可以看到LangGraph如何简化了ReACT架构智能Agent的构建过程。它提供了高级抽象和预构建组件,使得我们可以快速实现复杂的AI工作流。同时,LangGraph的灵活性也允许我们根据需要自定义和扩展Agent的功能。

需要注意的是,LangGraph仍在快速发展中。例如,当前版本(截至文章撰写时)的预构建ReACT智能体是基于函数调用实现的,并且在0.3.0版本中可能会被移除。因此,在使用LangGraph时,建议关注其最新的文档和更新。

尽管如此,LangGraph的核心设计理念和封装思路仍然非常值得学习和借鉴。随着AI技术的不断进步,我们可以期待LangGraph在未来会提供更多强大和易用的功能,进一步简化智能Agent的开发过程。

大模型算是目前当之无愧最火的一个方向了,算是新时代的风口!有小伙伴觉得,作为新领域、新方向人才需求必然相当大,与之相应的人才缺乏、人才竞争自然也会更少,那转行去做大模型是不是一个更好的选择呢?是不是更好就业呢?是不是就暂时能抵抗35岁中年危机呢?

答案当然是这样,大模型必然是新风口!

那如何学习大模型 ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。但是具体到个人,只能说是:

最先掌握AI的人,将会比较晚掌握AI的人有竞争优势。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材,学也不是不学也不是,基于此我用做产品的心态来打磨这份大模型教程,深挖痛点并持续修改了近100余次后,终于把整个AI大模型的学习路线完善出来!

在这里插入图片描述

在这个版本当中:

您只需要听我讲,跟着我做即可,为了让学习的道路变得更简单,这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁:全网最全《LLM大模型学习资源包》免费分享(安全咨料,放心领取)👈

​

一、大模型经典书籍(免费分享)

AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套大模型报告(免费分享)

这套包含640份报告的合集,涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、大模型系列视频教程(免费分享)

在这里插入图片描述

四、2025最新大模型学习路线(免费分享)

我们把学习路线分成L1到L4四个阶段,一步步带你从入门到进阶,从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段:了解大模型的基础知识,以及大模型在各个行业的应用和分析,学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段:攻坚篇丨RAG开发实战工坊

L2阶段:AI大模型RAG应用开发工程,主要学习RAG检索增强生成:包括Naive RAG、Advanced-RAG以及RAG性能评估,还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段:跃迁篇丨Agent智能体架构设计

L3阶段:大模型Agent应用架构进阶实现,主要学习LangChain、 LIamaIndex框架,也会学习到AutoGPT、 MetaGPT等多Agent系统,打造Agent智能体。

img

L4阶段:精进篇丨模型微调与私有化部署

L4阶段:大模型的微调和私有化部署,更加深入的探讨Transformer架构,学习大模型的微调技术,利用DeepSpeed、Lamam Factory等工具快速进行模型微调,并通过Ollama、vLLM等推理部署框架,实现模型的快速部署。

img

L5阶段:专题集丨特训篇 【录播课】

img

全套的AI大模型学习资源已经整理打包,有需要的小伙伴可以微信扫描下方二维码,免费领取

👉优快云大礼包🎁:全网最全《LLM大模型学习资源包》免费分享(安全资料,放心领取)👈

​

L2 LangGraph_Components 参考自,以下为代码的实现。 阅读详情

相关推荐

从零构建AI Agent:基于LangGraph的智能体开发实战指南

AI Agent(智能体)是能够感知环境、进行决策并执行动作以实现目标的软件实体,其核心原理在于“感知-思考-行动”的自主循环。相较于传统对话系统,AI Agent通过集成规划、工具调用与记忆能力,实现了从被动响应到主动解决问题的技术跃迁,在自动化流程、智能助手与数据分析等场景中展现出巨大价值。本文以主流的LangChain/LangGraph框架为例,系统讲解如何从环境搭建、工具定义到状态管理,逐步构建一个具备网络搜索与信息整合能力的实战型研究助手Agent,为开发者提供一套可复用的工程化方案。

weixin_30363509的博客 398

LangGraph中ReAct的构建原理

以ReAct提示为例,在LangGraph基于图的实现过程中,用于构建中间的agent节点。当通过LangGraph预构建的ReAct组件创建自主循环代理节点并接收用户问题时,该节点(可以是agent、LM或直接的大模型 )会先接收start节点传来的原始输入,接着对输入信息进行修饰。若需调用工具,则进入循环过程,在工具库中选择工具执行,通过ToolNode预构建组件返回结果并封装在ToolMessage里,不断循环直至得到最终结果。其具备实验追踪功能,能记录模型、提示词、工具调用等数据;

qq_43588095的博客 1549

【LangGraph】create_react_agent 方法详细解释

create_react_agent是LangGraph中用于创建支持工具调用的React(推理-行动)代理的核心函数。它接受语言模型对象和工具列表作为主要参数,通过状态图实现智能代理功能。该函数提供多种配置选项,包括系统提示、响应格式化、状态管理、检查点和中断控制等。其核心工作原理是通过Agent节点调用模型、Tools节点执行工具操作,并支持循环处理工具调用直到任务完成。函数还包含版本控制(v1/v2),分别对应不同的工具处理方式。该功能适用于构建复杂的对话式AI应用,支持记忆、中断和异步等高级特性。

weiliang_Handan的博客 634

告别提示词时代!深度解析AI Agent的现代架构,让你成为未来的“AI架构师”

一个如此聪明的AI Agent是如何被构建出来的?今天,我将带你深入了解AI Agent的五大核心架构层,为你揭开其“大脑”的神秘面纱,帮助你从“会用”AI,升级到“会造”AI!

python1234567_的博客 620

在UI界面中播放视频_unity基础开发教程

之前我写过一篇在场景中播放视频的文章,但是在开发中有时候也会在UI的界面中播放视频,这期我们做一下在UI的界面中播放视频。操作步骤比较简单,到这里就完成了,如果有问题的话可以在评论区留言,下期见,拜拜!

为者常成,行者常至! 2010

【深度学习基础】Temporal Fusion Transformer

从下向上看:全连接(Dense) → ELU(指数线性激活函数(比relu好点,有利于模型收敛)) → 全连接(Dense) → 门控线性单元(Gate)(Gated Linear Units (GLUs)) → Layernorm。:一方面,它可以进行静态上下文变量和动态变量的融合,另一方面,通过门控进行了特征选择操作,门控体现在GLU(门控线性单元)中,用了sigmoid控制信息的通过程度,具有良好的适应性,能够自动选择有效信息,自适应地调整网络复杂性。输入:主输入,可选的上下文向量c。

weixin_41838721的博客 1227

从LangChain入门AI Agent:手把手实现ReAct智能体与核心原理剖析

AI Agent作为能够自主规划、调用工具完成复杂任务的智能系统,其核心在于如何让大语言模型(LLM)与外部工具协同工作。其基本原理通常遵循感知、规划、行动、反思的循环,其中ReAct(Reasoning+Acting)是一种经典范式,它让模型通过链式思考(Thought)来决策行动(Action)。这一技术价值在于将LLM的推理能力与专用工具的执行能力结合,极大地扩展了AI的应用边界,使其能处理计算、信息检索、数据查询等实际场景。本文聚焦于使用LangChain这一主流编排框架,通过构建一个具备天气查询与

weixin_29038537的博客 11

1panel面板实战:Docker容器存储路径迁移与优化指南

本文详细介绍了在1panel面板中迁移Docker容器存储路径的完整流程与优化方法。针对系统盘空间不足的常见问题,通过停服务、搬数据、改配置三个核心步骤,指导用户安全地将Docker数据目录迁移至更大容量的独立分区,并提供了迁移后的深度管理技巧与常见避坑指南,帮助用户优化服务器存储资源。

ol789012的博客 865

Week 4 --Day 5:总结输出与展望

在四个周的学习中,我们已经反复触及 LangSmith 的追踪功能,但 LangSmith 的能力远不止于此,它提供的评估(Evaluation)功能可以让你用数据集系统性地测试 Agent 在不同输入下的表现,实验(Experiments)功能支持 A/B 对比不同模型或提示词的效果,而 LangSmith Engine 则更进一步,能够自动监控线上 trace、检测异常模式、甚至提出修复建议。标签的入门级任务,从修复文档拼写错误到补充某个集成模块的测试用例,都是熟悉开源协作流程的练手机会。

喵叔 228

从零构建腾讯滑块验证码破解引擎:逆向工程与实战对抗

本文深入解析腾讯滑块验证码(原天御验证码)的防护机制,包括环境感知层、行为分析层和验证决策层的核心技术。通过JSVMP虚拟机保护、轨迹验证算法和动态加密体系,腾讯验证码实现了高效的人机识别。文章还提供了安全研究实践指南,涵盖环境模拟和验证码识别方案,并探讨了防御对抗的演进趋势与合规研究建议。

rl6adventurer的博客 830

DaVinci Developer中枚举类型变量的创建与实战应用

本文详细介绍了在DaVinci Developer中创建和使用枚举类型变量的方法与实战应用。通过智能温控系统的案例,阐述了枚举类型在嵌入式开发中的核心价值,包括提升代码可读性、类型安全性和维护便捷性。文章还提供了枚举类型在状态机实现和多模块协同中的高级应用技巧,以及调试与优化的实用建议。

ik678901234的博客 511

【LangGraph】langgraph.prebuilt.create_react_agent() 函数:快速创建基于 ReAct(Reasoning + Acting)架构的智能代理

langgraph.prebuilt.create_react_agent 是 LangGraph 库中的一个预构建函数,位于 langgraph.prebuilt 模块,用于快速创建基于 ReAct(Reasoning + Acting)架构的智能代理。LangGraph 是 LangChain 生态的扩展,专注于构建复杂、有状态的工作流,通过状态图(State Graph)管理节点和边,支持动态路由、循环和多代理协作。它通过封装 LLM、工具和状态管理,简化了开发流程,支持多轮对话、工具调用和流式输出。

彬彬侠的博客 8494

计算机视觉与深度学习 | 基于Matlab的多特征融合可视化指纹识别系统(附完整代码)

此系统展示了一个完整的指纹识别流程,实际应用中可以根据需求进一步优化算法,如改进方向场计算、增加脊线频率特征、使用更精确的匹配算法等。

尘世冰封的专栏 361

LangGraph实现ReACT架构Agent

本文介绍了LangGraph中预构建智能体的使用方法和核心组件。主要内容包括:1)通过预构建函数快速创建ReACT智能体和工具调用智能体;2)展示了完整实现示例,包括工具定义、模型创建和智能体调用流程;3)详细解析了LangGraph内置的高频组件,如MessagesState、ToolNode、ValidationNode和InjectedState的功能与使用方式。这些预构建组件能显著简化开发流程,同时保持系统灵活性,开发者可根据需求选择使用或自定义扩展。特别提示ReACT智能体在0.3.0版本后将更新

hh051020的博客 1078

30天入门 SAP BTP 开发系列之十八:保姆级教程 - 如何部署 SAP UI5 到 SAP BTP Cloud Foundry 环境

本文摘要: 本文详细介绍了如何将SAP UI5应用部署到Cloud Foundry环境。首先需完成前17篇教程学习,创建SAP BTP子账户并启用Cloud Foundry环境。在SAP Business Application Studio中创建Fiori开发空间,导入GitHub上的UI5项目代码。通过npm run build命令打包成mtar文件后,使用cf deploy命令部署到Cloud Foundry。部署成功后,可在BTP控制台查看应用或通过命令行获取访问URL。整个过程涵盖了环境准备、代码

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1020

yolov26改进 | 融合改进篇 | 基于 MobileNetV4 和双向特征金字塔网络BiFPN的融合改进(全网独家首发)

本文介绍BiFPN与MobileNetV4融合改进的YOLOv26。许多模块单独使用能够涨点,但直接叠加后可能因功能重复、通道不匹配、尺度冲突而掉点,因此融合前必须理解各模块作用。MobileNetV4利用UIB与Mobile MQA构建轻量主干,提升特征提取能力;BiFPN通过可学习权重完成双向多尺度融合,强化大、中、小目标的信息交互。两者优化Backbone与Neck,功能互补、结构冲突较少。本文提供代码、配置、消融对比及Codex修改思路,MobileNetV4也可替换其他主干,便于组合实验与二次创新

Snu77的博客 241

初识 LangGraph ReAct Agent:一步步教你构建自己的智能 Agent

摘要:本文介绍了如何构建具有自主思考和行动能力的ReAct智能体。ReAct框架通过"推理-行动-观察"循环,使AI能像人类一样完成复杂任务。文章首先区分了AI智能体与ReAct智能体的概念,指出ReAct是AI智能体的一种实现方式,适用于需要多步推理和工具调用的场景。随后提供了使用LangChain和LangGraph构建搜索型ReAct智能体的完整代码示例,包括环境配置、工具集成和执行流程。该智能体能自动搜索并分析2025年TIOBE指数排名前五的编程语言,展示了ReAct框架的实际

gto310850806的博客 1399

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

ReAct+LangGraph:构建智能AI Agent的完整指南(建议收藏)

在做智能解决方案系统的这段时间,我踩了不少坑,也学到了一些东西。ReAct范式确实在Agent落地方面解决了很多实际问题,总结下来主要是这个方面:可控性比智能性更重要用户说"只要3页",AI如果生成20页,即使内容再好,用户体验也是失败的。问题的根源在于AI的决策过程不透明,用户无法知道AI为什么生成了20页。ReAct让AI的思考过程变得透明,用户可以看到AI的推理过程,从而控制输出。这比让它变得更聪明更有价值。工具设计决定系统上限工具不是简单的API调用,而是AI的"手"和"眼"。

m0_48891301的博客 1788

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

深入浅出LangGraph AI Agent智能体开发教程(二)—LangGraph预构建图API快速创建Agent

本系列分享是笔者结合自己学习工作中使用LangChain&LangGraph经验倾心编写的,力求帮助大家体系化快速掌握LangChain&LangGraph AI Agent智能体开发的技能!

2301_81940605的博客 1151

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

2026 AI Agent 学习路线图:从小白到实战,系统掌握智能体开发

2026 最全 AI Agent 学习路线图:从 ReAct 原理到手写 Agent,四阶段(入门→进阶→实战→专家)系统学习路径,涵盖 LangGraph/CrewAI/AutoGen 框架对比、MCP 工具开发、Multi-Agent 协作,附完整可运行代码和 7 个避坑指南。

m0_73614031的博客 2万+

必学收藏|AI Agent架构全解析:从ReAct到LangGraph设计模式

本文全面介绍了AI Agent的五大架构类型(反应型、审议式、混合、神经符号和认知)及LangGraph中的三大设计模式(多Agent系统、规划Agent、反思批判)。详细阐述了各架构特点、应用场景和优缺点,从基础到高级展示了AI Agent构建方法,强调选择合适架构的重要性,提供丰富代码示例和实现思路。

weixin_72959097的博客 1267

基于LangGraph + MCP + ReAct Agent的智能体系统构建

本文提出了一种基于LangGraph、MCP协议与ReactAgent的智能代理系统架构,旨在解决传统问答机器人在企业级应用中的局限性。该系统支持多轮对话记忆、工具调用、状态持久化、任务中断和流式输出等核心功能。通过LangGraph实现对话状态管理,MCP协议统一工具接入标准,ReactAgent完成推理-行动闭环,形成高内聚、低耦合的生产级智能代理方案。文章详细解析了系统的初始化配置、流式响应封装、上下文记忆管理、主运行逻辑等核心模块,并展示了MCP工具调用的多种方式。该架构有效解决了传统Agent的状

2401_84204207的博客 946

LangGraph原生Agent架构:从ReAct到状态机的范式跃迁

Agent本质上是一种具备感知、决策与执行能力的智能体系统,其核心演进路径是从基于文本推理的ReAct模式,升级为以状态机、可插拔节点和持久化检查点为特征的确定性程序范式。这一转变使Agent从不可预测的‘语言游戏’走向可测试、可审计、可扩展的工程化系统。LangGraph作为底层执行引擎,通过state-node-edge抽象统一建模运行时行为,而create_agent则成为声明式构建LangGraph子图的轻量DSL。它天然支持多模型适配、细粒度流式更新(stream_mode='updates')与

weixin_34389926的博客 370

Agentic RAG系列:2、AI Agent 架构和原理-LangGraph实现ReAct代理

本文介绍了AI Agent的基本概念及其动态循环学习机制,通过ReAct框架实现推理与行动的协同。AI Agent通过感知环境输入、大脑处理(存储记忆与知识、决策制定)和执行行动,完成复杂任务。文章重点解析了ReAct技术,它结合思想链推理与实时行动观察循环,有效减少大语言模型的幻觉错误。通过LangGraph框架从零实现ReAct代理,展示了如何利用外部工具获取实时网络信息,并提供了测试代码验证功能。这种AI代理架构适用于聊天机器人、自动翻译等需要理解自然语言的场景。

1815

LangGraph中ReAct模式的深度解析:推理与行动的完美融合——从理论到实践的智能Agent构建指南

本文深入探讨了ReAct(Reasoning and Acting)模式及其在LangGraph中的实现,揭示了这一人工智能领域的重大突破。文章首先阐述了ReAct模式的核心思想:将推理与行动循环结合,模拟人类"思考-行动-观察"的认知过程,从而克服传统AI系统的封闭性局限。随后详细解析了LangGraph中ReAct模式的架构设计,包括Agent节点、工具节点和条件路由三大核心组件,以及精巧的状态管理机制。文章通过多个实战案例(如智能客服、数据分析助手、代码审查工具)展示了ReAct模

许泽宇的技术分享 1194
上一篇: LangGraph中的检查点与人机交互,大模型入门到精通,收藏这篇就足够了!
下一篇: RAG 应用开发入门:LangChain 文档处理全解析,大模型入门到精通,收藏这篇就足够了!
Llama-Turbo
博客等级 码龄4年 9901粉丝 2022原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值