基于ReACT架构的Agent智能体设计与实现

基于ReACT架构的Agent智能体设计与实现

一、这是什么？（概念解释）

ReACT（Reasoning + Acting） 是一种让LLM智能体同时进行"推理"和"行动"的架构模式。

核心思想：

• Reasoning（推理）：让LLM思考要做什么
• Acting（行动）：让LLM执行具体的工具调用
• 循环迭代：通过 观察 -> 思考 -> 行动 的循环，逐步完成任务

ReACT循环：

Thought（思考） -> Action（行动） -> Observation（观察） -> Thought（思考） -> ...

直到得出最终答案（Final Answer）。

---

二、有什么用？（应用场景）

场景	说明
复杂问答	需要多步推理才能回答的问题
信息检索	先搜索信息，再整合回答
数据分析	查询数据 -> 分析 -> 生成报告
任务规划	将复杂任务分解为多个步骤
决策系统	根据实时信息做出决策
智能客服	理解问题 -> 查询知识库 -> 回答用户
个人助理	安排日程、查询信息、执行任务

---

三、完整示例代码

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import dotenv
from langchain_classic.agents import create_react_agent, AgentExecutor
from langchain_community.tools import GoogleSerperRun
from langchain_community.utilities import GoogleSerperAPIWrapper
from langchain_core.prompts import ChatPromptTemplate
from pydantic import BaseModel, Field
from langchain_core.tools import render_text_description_and_args
from langchain_openai import ChatOpenAI

dotenv.load_dotenv()

# ============ 第一步：定义工具 ============

class SearchArgsSchema(BaseModel):
    query: str = Field(description="执行谷歌搜索的查询语句")

# 定义搜索工具
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_schema=SearchArgsSchema,
    api_wrapper=GoogleSerperAPIWrapper(),
)

tools = [google_serper]

# ============ 第二步：定义 ReACT Prompt ============

prompt = ChatPromptTemplate.from_template(
    "Answer the following questions as best you can. You have access to the following tools:\n\n"
    "{tools}\n\n"
    "Use the following format:\n\n"
    "Question: the input question you must answer\n"
    "Thought: you should always think about what to do\n"
    "Action: the action to take, should be one of [{tool_names}]\n"
    "Action Input: the input to the action\n"
    "Observation: the result of the action\n"
    "... (this Thought/Action/Action Input/Observation can repeat N times)\n"
    "Thought: I now know the final answer\n"
    "Final Answer: the final answer to the original input question\n\n"
    "Begin!\n\n"
    "Question: {input}\n"
    "Thought:{agent_scratchpad}"
)

# ============ 第三步：创建 ReACT Agent ============

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

agent = create_react_agent(
    llm=llm,
    prompt=prompt,
    tools=tools,
    tools_renderer=render_text_description_and_args,  # 渲染工具描述
)

# ============ 第四步：创建 Agent 执行器 ============

agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 打印执行过程
    max_iterations=5,  # 最大迭代次数
    handle_parsing_errors=True,  # 处理解析错误
)

# ============ 第五步：执行 Agent ============

result = agent_executor.invoke({
    "input": "查询下2026年3月5日深圳天气，包括温度、湿度、风力等，用中文回答"
})

print(result)

---

四、ReACT 循环流程图

┌─────────────────────────────────────────────────────────────────────────┐
│                    ReACT 智能体执行流程                                   │
└─────────────────────────────────────────────────────────────────────────┘


  用户问题                    Agent LLM                 工具执行
     │                          │                         │
     ▼                          ▼                         │
  "深圳今天天气？" ──────────────▶│ 思考 (Thought 1)        │
     │                          │ "我需要查询深圳天气"     │
     │                          │                         │
     │                          ▼                         │
     │                     决定行动 (Action 1)            │
     │                     "使用 google_serper"           │
     │                          │                         │
     │                          ▼                         │
     │                     准备参数 (Action Input 1)       │
     │                     "深圳天气 2026-03-05"          │
     │                          │                         │
     ▼                          ▼                         ▼
  调用工具 ──────────────────────────────────────────────▶│
     │                                          执行搜索
     │◀─────────────────────────────────────────│
     │                          │                         │
     ▼                          ▼                         ▼
  观察 (Observation 1)                         返回结果
  "深圳今天晴天，25°C"         │                         │
     │                          │                         │
     ▼                          ▼                         │
  思考 (Thought 2)             │                         │
  "我已经获得天气信息，         │                         │
   现在可以回答用户了"          │                         │
     │                          │                         │
     ▼                          ▼                         │
  最终回答 (Final Answer)       │                         │
  "根据查询结果，深圳           │                         │
   今天晴天，温度25°C"          │                         │
     │                          │                         │
     ▼                          ▼                         ▼
  返回给用户                                           完成


  ┌─────────────────────────────────────────────────────────────────────────┐
  │                         ReACT 核心要素                                   │
  └─────────────────────────────────────────────────────────────────────────┘

  Thought (思考):     LLM 分析当前情况，决定下一步做什么
  Action (行动):      LLM 选择要调用的工具
  Action Input (参数): LLM 为工具准备参数
  Observation (观察): LLM 获取工具执行结果
  Final Answer (答案): LLM 整合所有信息，给出最终答案

---

五、执行示例

假设用户问："深圳今天天气怎么样？"

第1轮迭代：

Thought: 我需要查询深圳今天的天气信息
Action: google_serper
Action Input: 深圳今天天气
Observation: 根据搜索结果，深圳今天晴天，温度25°C，湿度60%

第2轮迭代：

Thought: 我已经获得了深圳今天的天气信息，现在可以回答用户了
Final Answer: 根据查询结果，深圳今天晴天，温度25°C，湿度60%，风力3级

---

六、ReACT vs 其他 Agent 架构

特性	ReACT	Plan-and-Execute	Self-Ask
思维方式	边想边做	先规划后执行	自问自答
适用场景	通用任务	复杂多步任务	信息检索
灵活性	高	中	低
实现复杂度	低	中	中
Token消耗	中	高	低

---

参考资源

• LangChain Agents：python.langchain.com/docs/module…
• ReACT 论文：arxiv.org/abs/2210.03…
• AgentExecutor 文档：python.langchain.com/docs/module…

---

总结一句话：ReACT 让 Agent 拥有了"思考-行动-观察"的循环能力，是实现通用智能体的经典架构模式！