一、LangChain 框架概述
LangChain （Hub - LangSmith）是一个专为开发基于大型语言模型（LLM）的应用程序设计的框架，其核心目标是简化 LLM 与外部工具、数据的集成流程，提升复杂应用的开发效率。
核心组件
- 模型接口（Model I/O）
统一封装不同 LLM 的调用接口（如 OpenAI、Hugging Face 等），支持模型参数配置与流式响应处理。
- 提示工程（Prompt Engineering）
提供模板管理、提示优化工具，支持动态构建上下文（如 Few-Shot 提示、Chain-of-Thought 提示）。
-
链（Chains） 将多个组件串联成工作流，例如：
-
检索 - 回答链：先检索知识库再生成回答
-
工具调用链：触发 API 或函数获取外部数据
-
-
记忆（Memory）
存储对话历史或中间结果，支持短期记忆（对话上下文）和长期记忆（知识库存储）。
- 代理（Agents）
自主决策工具调用策略，如 ReAct 风格的代理可动态决定是否调用工具。
使用此LangSmith框架构建ReAct Agent
二、ReAct 范式的核心思想
ReAct（Reasoning + Action）是一种让 LLM 具备 "推理 - 行动" 循环能力的方法论，通过显式结合推理过程与工具调用，解决纯语言模型的知识局限问题。
1. ReAct 的组成要素
- 推理（Reasoning）
LLM 生成思考过程，明确当前需要解决的问题、已有的信息缺口。
- 行动（Action）
基于推理结果决定调用工具（如 API、函数），并格式化参数。
- 观察（Observation）
接收工具返回结果，作为新信息补充到上下文中。
- 循环机制
重复 "推理 - 行动 - 观察" 直到满足回答条件。
2. ReAct 的实践优势
-
可解释性：思考过程显式化，便于调试与优化
-
知识更新：通过工具调用获取实时数据（如天气、股价）
-
任务分解：将复杂问题拆解为多个可执行步骤
三、实战演练：股票收盘价分析
1. 核心组件准备
语言模型 llm.py
# 定义一个客户端，用于从LLM获取响应
from openai import OpenAI
import os
from dotenv import load_dotenv
load_dotenv('.env.local')
client = OpenAI(
api_key=os.getenv('DEEPSEEK_API_KEY'),
base_url='https://api.deepseek.com/v1'
)
提示词模板 prompt.py
REACT_PROMPT = """
{instructions}
TOOLS:
------
你可以使用以下工具：
{tools}
使用工具时，请使用以下格式
` ``
思考：我需要使用工具吗？{yes_or_no}
行动：要采取的行动，必须是{tool_name}其中之一
行动输入：该行动的输入参数
观察：行动的结果
` ``
当你有要回复给用户的内容，或者你不需要使用工具时，你必须使用以下格式：
`` `
思考：我需要使用工具吗？否
最终答案：[你的回复内容]
`` `
开始！
新的输入: {input}
{agent_scratchpad}
"""
工具 tools.py
# 工具列表，第三方函数的说明书
tools = [
{
"name": "get_closing_price",
"description": "使用该工具获取指定股票的收盘价格",
"parameters": {
"type": "object",
"properties": {
"name": {
"type": "string",
"description": "股票名称，例如：贵州茅台、青岛啤酒等"
}
},
"required": ["name"]
}
}
]
def get_closing_price(name):
name = name.strip().replace(' ', '')
if '茅台' in name:
return '1488'
elif '青岛' in name or '啤酒' in name:
return '67'
else:
return '未搜索到该股票'
2. 构建ReAct工作流
1. 导入必要的库
import json # 用于处理JSON数据
from llm import client # 导入LLM客户端
from prompt import REACT_PROMPT # 导入预设的提示模板
from tools import get_closing_price,tools # 导入工具函数
import re # 导入正则表达式库
- 功能：导入处理 JSON、调用大模型、格式化提示词、调用外部工具以及正则匹配所需的库。
2. 定义发送消息到 LLM 的函数
def send_messages(messages):
response = client.chat.completions.create(
model="deepseek-chat",
messages=messages,
)
return response
- 功能：封装与大模型的通信，将消息列表发送给
deepseek-chat模型并返回响应。
3. 主程序初始化
if __name__ == "__main__":
# 设置助手角色和用户查询
instructions = "你是一个股票助手，可以回答股票相关的问题"
query = "青岛啤酒和贵州茅台的收盘价哪个贵？"
# 构建提示词
prompt = REACT_PROMPT.format(
instructions=instructions,
tools=tools,
tool_name="get_closing_price",
input=query,
yes_or_no="是",
agent_scratchpad=""
)
# 初始化消息列表
messages = [{"role": "user", "content": prompt}]
- 功能：设置助手角色和用户问题，使用预设模板格式化提示词，并初始化与模型的对话。
4. 对话循环处理
while True:
# 获取模型回复
response = send_messages(messages)
response_text = response.choices[0].message.content
print("大模型的回复：", response_text)
# 检查是否有最终答案
final_answer_match = re.search(r'最终答案\s*[:：]\s*([\s\S]*)', response_text, re.IGNORECASE)
if final_answer_match:
final_answer = final_answer_match.group(1).strip()
print("最终答案:", final_answer)
break
# 检查是否需要调用工具
action_match = re.search(r'行动：\s*(\w+)', response_text)
action_input_match = re.search(r'行动输入：\s*({.*?}|".*?")', response_text, re.DOTALL)
if action_match and action_input_match:
tool_name = action_match.group(1)
params = json.loads(action_input_match.group(1))
# 调用工具获取观察结果
if tool_name == "get_closing_price":
price = get_closing_price(params["name"])
observation = f"{params['name']}的收盘价为{price}元"
print("调用第三方API结果:", observation)
messages.append({'role': 'user', 'content': f"观察：{observation}"})
else:
print("未检测到行动或最终答案")
break
-
功能：
- 获取回复：调用大模型获取回答。
- 检查最终答案：通过正则匹配检查是否包含 "最终答案" 标记，若有则输出并结束对话。
- 检查工具调用：通过正则匹配提取工具名和参数，调用
get_closing_price获取股票收盘价。 - 循环更新：将工具调用结果（观察）添加到消息列表，继续对话直到得到最终答案或无法解析。
3.执行结果
工作流程总结：
- 一个良好的 prompt 设计
- 向 LLM 提问
- LLM 接收到问题后，根据我们设定的步骤去思考，去调用外部工具
- 将LLM 返回的结果，和思考过程，回传给 LLM 模型—— （轮询）
- LLM 先分析出来自己是要用哪一个工具函数的
- 我们再将 LLM 的分析结果传回给大模型
- 大模型调用对应的工具函数得到数据
- 继续将得到的数据传给 LLM
5.大模型得到最终答案后返回结果终止循环
