AgentScope深入分析-ReActAgent

不被AI替代的BOT
55 阅读7分钟

智能体的心脏：ReActAgent 深度解析

请关注公众号【碳硅化合物AI】

摘要

ReActAgent 是 AgentScope 框架中最核心的智能体实现，它完美诠释了"推理-行动"（Reasoning-Acting）循环的精髓。本文将深入分析 ReActAgent 的类继承关系、核心执行流程，以及状态管理、钩子机制、实时介入等关键技术点。通过阅读本文，你会理解智能体如何与模型交互、如何执行工具、如何处理中断，以及这些机制背后的设计考量。

image.png

入口类与继承关系

类继承层次

ReActAgent 的类继承关系非常清晰，体现了良好的设计：

image.png

这个继承层次的设计非常巧妙：

  • StateModule：提供状态管理能力，让智能体可以保存和恢复状态
  • AgentBase：定义智能体的基本行为（reply、observe、print）
  • ReActAgentBase：抽象出推理和行动两个核心方法
  • ReActAgent：实现具体的 ReAct 逻辑

关键代码：AgentBase 的核心方法

让我们看看 AgentBase 是如何定义智能体基本行为的：

async def reply(self, *args: Any, **kwargs: Any) -> Msg:
    """The main logic of the agent, which generates a reply based on the
    current state and input arguments."""
    raise NotImplementedError(
        "The reply function is not implemented in "
        f"{self.__class__.__name__} class.",
    )

这是一个抽象方法，子类必须实现。AgentBase 还提供了 observe 和 print 方法，分别用于接收消息（不返回响应）和显示消息。

AgentScope 整体架构

框架整体架构图

在深入 ReActAgent 之前，我们先看看 AgentScope 的整体架构，这样能更好地理解智能体在整个框架中的位置： image.png

这个架构图展示了 AgentScope 的四层设计：

  • 应用层：Pipeline 和 MsgHub 负责多智能体的编排和消息路由
  • 智能体层：AgentBase 及其子类（ReActAgent、UserAgent）是框架的核心
  • 支撑层：模型、工具、记忆、RAG 等为智能体提供各种能力
  • 基础设施层：StateModule 和 Message 提供基础能力

关键文件目录结构

了解源码目录结构，能帮你快速定位相关代码。AgentScope 的源码主要位于 src/agentscope/ 目录下：

src/agentscope/
├── __init__.py              # 框架入口，包含 init() 函数
├── _logging.py              # 日志系统
├── _run_config.py           # 运行时配置
│
├── agent/                   # 智能体模块
│   ├── __init__.py
│   ├── _agent_base.py       # AgentBase 基类（核心）
│   ├── _agent_meta.py       # Agent 元类，处理钩子机制
│   ├── _react_agent_base.py # ReActAgentBase 基类
│   ├── _react_agent.py      # ReActAgent 实现（核心）
│   ├── _user_agent.py       # UserAgent 实现
│   └── _user_input.py       # 用户输入处理
│
├── model/                   # 模型模块
│   ├── _model_base.py       # ChatModelBase 接口
│   ├── _openai_model.py     # OpenAI 实现
│   ├── _dashscope_model.py  # DashScope 实现
│   └── ...
│
├── formatter/               # 格式化器模块
│   ├── _formatter_base.py   # FormatterBase 基类
│   ├── _openai_formatter.py
│   └── ...
│
├── tool/                    # 工具模块
│   ├── _toolkit.py          # Toolkit 实现
│   ├── _types.py            # 工具类型定义
│   └── _coding/             # 代码执行工具
│
├── memory/                  # 记忆模块
│   ├── _memory_base.py      # MemoryBase 基类
│   ├── _in_memory_memory.py # 内存记忆实现
│   ├── _long_term_memory_base.py
│   └── _reme/               # ReMe 长期记忆
│
├── message/                 # 消息模块
│   ├── _message_base.py     # Msg 类定义
│   └── _message_block.py    # 消息块（TextBlock、ToolUseBlock 等）
│
├── module/                  # 基础模块
│   └── _state_module.py     # StateModule 基类（状态管理）
│
├── pipeline/                # 管道模块
│   ├── _msghub.py           # MsgHub 实现
│   ├── _class.py            # Pipeline 类
│   └── _functional.py       # Pipeline 函数式接口
│
├── rag/                     # RAG 模块
│   ├── _knowledge_base.py   # KnowledgeBase
│   ├── _document.py         # Document
│   └── _store/              # 向量存储
│
└── ...                      # 其他模块（session、tracing、evaluate 等）

关键文件说明：

  1. agent/_agent_base.py：智能体的基类，定义了 reply、observe、print 等核心方法
  2. agent/_react_agent.py：ReActAgent 的完整实现，包含推理-行动循环
  3. module/_state_module.py：状态管理的基础实现，所有有状态对象都继承自它
  4. message/_message_base.py：消息类的定义，是框架中最重要的数据结构
  5. tool/_toolkit.py：工具集的实现，管理工具的注册和执行

当你想要深入某个功能时，可以从这些关键文件入手。比如想理解状态管理，就从 _state_module.py 开始；想理解工具执行，就从 _toolkit.py 开始。

关键流程：ReAct 执行循环

ReAct 循环的完整流程

ReActAgent 的核心是 reply 方法，它实现了完整的推理-行动循环：

image.png

这个流程展示了 ReAct 模式的核心：智能体在推理和行动之间循环，直到生成最终答案或达到最大迭代次数。

关键代码：reply 方法的核心逻辑

让我们看看 reply 方法的关键部分：

# -------------- The reasoning-acting loop --------------
for _ in range(self.max_iters):
    # -------------- The reasoning process --------------
    msg_reasoning = await self._reasoning(tool_choice)
    
    # -------------- The acting process --------------
    futures = [
        self._acting(tool_call)
        for tool_call in msg_reasoning.get_content_blocks("tool_use")
    ]
    # Parallel tool calls or not
    if self.parallel_tool_calls:
        structured_outputs = await asyncio.gather(*futures)
    else:
        # Sequential tool calls
        structured_outputs = [await _ for _ in futures]
    
    # -------------- Check for exit condition --------------
    if not msg_reasoning.has_content_blocks("tool_use"):
        # Exit the loop when no tool call is needed
        return msg_reasoning

这段代码展示了几个关键点：

  1. 循环控制：最多执行 max_iters 次
  2. 并行工具调用：如果启用 parallel_tool_calls，工具会并行执行
  3. 退出条件：当没有工具调用时，返回结果

关键技术点

1. 状态管理机制

ReActAgent 继承自 StateModule，这意味着它可以自动管理状态。当你给 ReActAgent 设置 Memory 或 Toolkit 时：

agent = ReActAgent(
    memory=InMemoryMemory(),  # 自动被纳入状态管理
    toolkit=Toolkit(),        # 自动被纳入状态管理
    ...
)

这些子模块会自动被 StateModule 追踪，支持嵌套状态序列化：

def __setattr__(self, key: str, value: Any) -> None:
    """Set attributes and record state modules."""
    if isinstance(value, StateModule):
        if not hasattr(self, "_module_dict"):
            raise AttributeError(...)
        self._module_dict[key] = value
    super().__setattr__(key, value)

这样，你可以轻松保存和恢复整个智能体的状态，包括记忆、工具集等所有子组件。

2. 钩子（Hook）机制

AgentScope 提供了强大的钩子机制，让你可以在关键节点插入自定义逻辑。ReActAgent 支持以下钩子类型：

  • pre_reasoning / post_reasoning：推理前后
  • pre_acting / post_acting：行动前后
  • pre_reply / post_reply：回复前后
  • pre_print / post_print：打印前后

钩子可以是类级别的（所有实例共享）或实例级别的（仅当前实例使用）。这种设计让你可以：

  • 在推理前修改输入参数
  • 在行动后处理工具结果
  • 在打印前格式化输出
  • 等等

3. 实时介入（Realtime Steering）

这是 AgentScope 的一个亮点功能。智能体在执行过程中可以被中断：

except asyncio.CancelledError as e:
    interrupted_by_user = True
    raise e from None

finally:
    # Post-process for user interruption
    if interrupted_by_user and msg:
        # Fake tool results
        tool_use_blocks: list = msg.get_content_blocks("tool_use")
        for tool_call in tool_use_blocks:
            msg_res = Msg(
                "system",
                [
                    ToolResultBlock(
                        type="tool_result",
                        id=tool_call["id"],
                        name=tool_call["name"],
                        output="The tool call has been interrupted by the user.",
                    ),
                ],
                "system",
            )
            await self.memory.add(msg_res)

当用户中断时，框架会：

  1. 捕获 CancelledError
  2. 为未完成的工具调用生成"假"结果
  3. 将中断信息加入记忆
  4. 智能体可以在下一轮推理中感知到中断

这种设计让智能体能够优雅地处理中断，而不是简单地崩溃。

4. ReAct 模式的实现

ReAct 模式的核心是分离推理和行动。让我们看看 _reasoning 和 _acting 的实现：

推理过程（_reasoning）：

async def _reasoning(
    self,
    tool_choice: Literal["auto", "none", "required"] | None = None,
) -> Msg:
    # 格式化消息
    prompt = await self.formatter.format(
        msgs=[
            Msg("system", self.sys_prompt, "system"),
            *await self.memory.get_memory(),
            *await self._reasoning_hint_msgs.get_memory(),
        ],
    )
    
    # 调用模型
    res = await self.model(
        prompt,
        tools=self.toolkit.get_json_schemas(),
        tool_choice=tool_choice,
    )
    
    # 处理流式输出
    # ...

行动过程（_acting）：

async def _acting(self, tool_call: ToolUseBlock) -> dict | None:
    tool_res_msg = Msg(...)
    try:
        # 执行工具调用
        tool_res = await self.toolkit.call_tool_function(tool_call)
        
        # 处理流式结果
        async for chunk in tool_res:
            # ...
    except Exception as e:
        # 错误处理
        # ...

这种分离让代码更清晰，也更容易扩展和测试。

总结

ReActAgent 的设计体现了 AgentScope 框架的几个核心理念：

  1. 模块化：通过组合不同的组件（模型、格式化器、工具集、记忆）来构建智能体
  2. 透明性：所有关键流程都对开发者可见，可以精确控制
  3. 可扩展性：通过钩子机制和状态管理，可以轻松扩展功能
  4. 异步优先：充分利用 Python 异步编程，支持并发和流式处理

理解 ReActAgent 的实现，是深入 AgentScope 框架的关键。在下一篇文章中，我们会分析 RAG、Memory 和状态管理系统的实现，这些组件为智能体提供了"记忆"能力。

avatar
文章
阅读
粉丝