什么是 ReAct 框架及 LangChain 中的代理？ | 豆包MarsCode AI刷题如何使用 LangChai

接下来探讨如何使用 LangChain 中的代理来增强大模型的推理和行动能力。这不仅提高了解决问题的效率，还增强了模型的可靠性和可解释性。

ReAct 框架概述

ReAct（Reasoning and Acting）框架的核心思想是结合推理（Reasoning）和行动（Acting）来完成复杂任务。通过推理，大模型分析当前环境并生成解决方案；通过行动，模型执行下一步操作，并根据结果调整推理过程。

推理（Reasoning）： 分析当前环境，生成推理轨迹。模型可以跟踪并调整行动计划。
行动（Acting）： 执行具体操作，如调用工具、收集信息或输出答案。
协同作用： 推理和行动相辅相成，使得大模型能够处理动态任务。

优势：

提升模型的任务完成能力，尤其是需要多步推理的场景。
增强模型的可解释性，每一步推理和行动都被记录。
支持与外部工具交互（如搜索引擎、计算器），获取实时信息。

代理（Agent）在 LangChain 中的角色

代理的作用是通过与工具集交互，协助大模型完成更复杂的任务。LangChain 中的代理通过 ReAct 框架实现了自主计划和行动的能力。

代理的三个核心组件：

大模型： 提供推理和决策能力。
工具集： 包括数据检索、计算器、搜索引擎等功能模块。
代理执行器（AgentExecutor）： 执行代理的推理和行动流程。

代理的流程：

计划（Planning）： 大模型生成推理轨迹并选择工具。
行动（Acting）： 执行选定工具的操作。
观察（Observation）： 收集工具的返回结果。
重复上述步骤，直到生成最终答案。

使用 LangChain 实现代理

示例 1：ZERO_SHOT_REACT_DESCRIPTION

此代理类型适合需要工具辅助的简单任务。例如，获取玫瑰的市场价格并计算加价后的售价。

实现代码：

from langchain.agents import load_tools, initialize_agent, AgentType
from langchain.llms import OpenAI

# 设置模型和工具
llm = OpenAI(temperature=0)
tools = load_tools(["serpapi", "llm-math"], llm=llm)

# 初始化代理
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

# 执行任务
agent.run("目前市场上玫瑰花的平均价格是多少？如果我在此基础上加价15%卖出，应该如何定价？")

输出解析：

第一轮：搜索价格
- 行动： 调用搜索工具。
- 观察： 返回玫瑰的市场价格。
第二轮：计算加价
- 行动： 调用计算器工具。
- 观察： 计算加价后的价格。
第三轮：输出结果
- 行动： 输出最终答案。

示例 2：STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION

此代理允许模型调用结构化工具集，如 PlayWright 工具包，用于复杂任务（如网页浏览）。

实现代码：

from langchain.agents.agent_toolkits import PlayWrightBrowserToolkit
from langchain.tools.playwright.utils import create_async_playwright_browser
from langchain.agents import initialize_agent, AgentType
from langchain.chat_models import ChatOpenAI

# 初始化工具包和代理
async_browser = create_async_playwright_browser()
toolkit = PlayWrightBrowserToolkit.from_browser(async_browser=async_browser)
tools = toolkit.get_tools()
llm = ChatOpenAI(temperature=0.5)

agent_chain = initialize_agent(
    tools,
    llm,
    agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
)

# 执行任务
import asyncio
async def main():
    response = await agent_chain.arun("What are the headers on python.langchain.com?")
    print(response)

loop = asyncio.get_event_loop()
loop.run_until_complete(main())

输出解析：

第一轮：浏览网页
- 行动： 使用 navigate_browser 工具访问网页。
- 观察： 返回网页状态码。
第二轮：获取标题
- 行动： 使用 get_elements 工具提取标题。
- 观察： 返回标题内容。
第三轮：输出结果
- 行动： 输出网页标题列表。

示例 3：Plan and Execute

此代理通过规划和执行的分离，处理需要更高推理能力的任务。

实现代码：

from langchain.chat_models import ChatOpenAI
from langchain_experimental.plan_and_execute import PlanAndExecute, load_agent_executor, load_chat_planner
from langchain import SerpAPIWrapper
from langchain.agents.tools import Tool

# 设置工具和模型
search = SerpAPIWrapper()
llm = ChatOpenAI(temperature=0)
tools = [
    Tool(name="Search", func=search.run, description="Search current events"),
    Tool(name="Calculator", func=lambda x: eval(x), description="Perform calculations")
]

# 初始化计划器和执行器
planner = load_chat_planner(llm)
executor = load_agent_executor(llm, tools, verbose=True)
agent = PlanAndExecute(planner=planner, executor=executor, verbose=True)

# 执行任务
agent.run("在纽约，100美元能买几束玫瑰？")

输出解析：

规划：
- 行动： 分解任务为两个子任务：
  - 获取玫瑰的单价。
  - 计算 100 美元可以买几束玫瑰。
执行：
- 行动 1： 使用搜索工具获取单价。
- 行动 2： 使用计算工具计算结果。
完成： 输出最终答案。

总结

在本讲中，我们学习了以下内容：

ReAct 框架： 推理与行动协同，解决复杂任务。
代理的核心组件： 模型、工具和执行器。
代理的类型和应用：
- ZERO_SHOT_REACT_DESCRIPTION： 适合简单工具交互。
- STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION： 适合复杂工具组合调用。
- Plan and Execute： 适合多步推理和执行任务。

思考题：

在结构化工具对话代理中，如何自定义工具集以适应特定任务？
Plan and Execute 代理如何分解任务，确保每个子任务都能准确完成？