2.5 LangGraph 之 ReAct agent¶

一、ReAct 概念¶

ReAct 是一种大模型应用中的智能体架构，和流行的前端框架 react 不是一个东西，ReAct 是 Re (Reasoning，推理)和 Act（Action，行动）两个单词的简写，用通俗的话来说，它可以让大模型像人一样“思考”和“行动”，实现更强的任务处理能力。这里把它拆解为两个关键部分来说明：

Re（Reasoning，推理）¶

大模型通过“推理”步骤来理解任务或者问题。就像你面对一个复杂的问题时，先分析现状、列出条件，然后在脑海中一步步推导出答案一样，ReAct 中的“推理”部分会利用模型的语言理解能力，生成逻辑清晰的分析路径。

Act（Action，行动）¶

仅仅推理还不够，智能体还需要“行动”，也就是执行特定的操作。比如：

通过调用某个工具（例如计算器、数据库查询、外部api接口）来获取信息或解决问题。
根据现有信息做出决定并采取下一步行动。

在 ReAct 框架中，“行动”这一步和“推理”紧密结合。模型不会一次性给出答案，而是以“边想边做”的方式，循环地进行推理和行动，直到完成任务。

实际运作流程¶

模型先“想”一想：分析问题，给出可能需要的步骤。
模型再“做”一做：如果需要，它可以去查外部信息、调用工具，或者生成一个具体操作。
根据结果再“想”：拿到行动的反馈后，重新推理，调整步骤，直到问题解决。

一个简单的例子¶

问题：今天北京的天气怎么样？适合跑步吗？

模型首先推理：
- 我需要知道“北京的天气”。
- 再判断天气是否适合跑步。
模型行动：
- 先查天气预报，获取北京当前的温度、降雨量、风速等信息。
模型推理并回答：
- 如果天气晴朗、温度适中，就回答“适合跑步”；
- 如果下雨或者天气恶劣，则回答“不适合跑步”。

ReAct 的特点¶

动态灵活：不像传统模型“一问一答”，ReAct 模型会动态地调整策略。
能调用外部工具：通过执行操作（例如数据库查询或API调用），可以解决大模型本身无法直接处理的问题。
更接近人类思维：这种“想一步，做一步”的方式更像人类解决复杂问题的过程。

通俗来说，ReAct 就是让模型“像人一样，先动脑后动手，再动脑接着手”，在不断循环中完成任务。

二、工具调用¶

在之前的章节，我们使用工具调用完成了天气查询工具以及联网搜索工具的开发，回顾一下当时的流程图

ReAct

chatbot 节点和tools 节点相互调用，如用户询问北京的天气，此时graph 的执行流程如下

chatbot 节点无法直接回复问题，但是会根据大模型绑定的天气查询工具的参数，返回一个tool 调用的结构
tools 节点根据大模型的返回信息，进行相应的工具调用，获取到北京的实时气象信息
tools 节点之后会继续调用大模型chatbot节点，将工具调用的结果和之前的用户问题再次调用大模型，此时大模型已经知道了北京的天气，这时就可以正确回答用户的问题了。

这个流程和上面介绍的 ReAct 过程是一样的，大模型经过了 Reasoning 推理后，需要调用天气查询工具，之后tools 节点执行Action行动，再调用大模型进行推理，在大模型和工具进行了多次Reasoning 与 Action 以后，得到最终的答复内容。

回顾一下之前的代码

import json  
import os  
from typing import Type, TypedDict, Annotated  
import requests  
from langchain_community.tools import TavilySearchResults  
from langchain_core.messages import ToolMessage, HumanMessage, AIMessage  
from langchain_core.tools import BaseTool  
from langgraph.graph import add_messages, StateGraph, START, END  
from pydantic import BaseModel, Field  
from langchain_openai import ChatOpenAI  
from langgraph.prebuilt import ToolNode  


class State(TypedDict):  
    messages: Annotated[list, add_messages]  


class GaoDeWeatherInput(BaseModel):  
    city: str = Field(description="要查询天气的城市名称")  


class GaoDeWeather(BaseTool):  
    """  
    高德天气查询  
    """    
    name: str = "高德天气查询"  
    description: str = "高德天气查询，输入城市名，返回该城市的天气情况，例如：北京"  
    args_schema: Type[BaseModel] = GaoDeWeatherInput  
    api_key: str  

    def _run(self, city):  
        # 与之前代码一样，可参考之前文章
        ...

def _set_env(var: str, value):  
    if not os.environ.get(var):  
        os.environ[var] = value  


_set_env("TAVILY_API_KEY", "tvly-xxxx")  

tavily_tool = TavilySearchResults(max_results=2)  
weather_tool = GaoDeWeather(api_key='xxxx')  

llm = ChatOpenAI(  
    model_name="qwen-turbo",  
    temperature=0.7,  
    max_tokens=1024,  
    top_p=1,  
    openai_api_key="sk-xxxx",  
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"  
)  

tools = [weather_tool, tavily_tool]  
llm_with_tools = llm.bind_tools(tools)  
toolnode = ToolNode(tools)  


# 大模型执行节点  
def chatbot(state: State):  
    return {"messages": [llm_with_tools.invoke(state["messages"])]}  


# 定义一个条件节点  
def condition_tools(state: State):  
    ai_message = state["messages"][-1]  
    if ai_message.tool_calls:  
        return "tools"  
    return END  


graph_builder = StateGraph(State)  

# 添加节点  
graph_builder.add_node("chatbot", chatbot)  
graph_builder.add_node("tools", toolnode)  

# 添加边  
graph_builder.add_edge(START, "chatbot")  
graph_builder.add_conditional_edges("chatbot", condition_tools)  
graph_builder.add_edge("tools", "chatbot")  

app = graph_builder.compile()  

inputs = {"messages": [HumanMessage(content="我今天要去上海，我想知道那边的天气如何？")]}  

for result in app.stream(inputs, stream_mode="values"):  
    message = result.get("messages")[-1]  
    if isinstance(message, tuple):  
        print(message)  
    else:  
        message.pretty_print()

这里 chatbot 绑定了两个工具 [weather_tool, tavily_tool]，当询问天气相关的内容是，大模型会根据 weather_tool 工具的参数定义推理出对应的参数。

================================ Human Message =================================

我今天要去上海，我想知道那边的天气如何？
================================== Ai Message ==================================
Tool Calls:
  高德天气查询 (call_0f6e5e03e3244180a7c14b)
 Call ID: call_0f6e5e03e3244180a7c14b
  Args:
    city: 上海
================================= Tool Message =================================
Name: 高德天气查询

[
    {
        "date": "2024-12-25",
        "week": "3",
        "dayweather": "阴",
        "daytemp_float": "11.0",
        "daywind": "北",
        "nightweather": "多云",
        "nighttemp_float": "6.0"
    },
    {
        "date": "2024-12-26",
        "week": "4",
        "dayweather": "晴",
        "daytemp_float": "11.0",
        "daywind": "北",
        "nightweather": "晴",
        "nighttemp_float": "3.0"
    },
    ...
]
================================== Ai Message ==================================

明天（2024年12月26日）在上海，天气预计会从阴转为晴，白天温度大约在11摄氏度左右，风向是北方。夜间天气预测为多云，气温会降到3摄氏度。记得带件外套，晚上可能会有点冷。

三、LangGraph 中的 ReAct agent¶

再次观察下面的工具执行流程图

ReAct

这种在 llm 和 tools 之间相互调用是一种很常见的需求，所以 LangGraph 内部直接集成了这个agent，通过 langgraph.prebuilt.create_react_agent 方法简化上面的代码

# 引入 create_react_agent 
from langgraph.prebuilt import create_react_agent

tavily_tool = TavilySearchResults(max_results=2)  
weather_tool = GaoDeWeather(api_key='xxxx')  

tools = [weather_tool, tavily_tool]  

llm = ChatOpenAI(  
    model_name="qwen-plus",  
    temperature=0.7,  
    max_tokens=1024,  
    top_p=1,  
    openai_api_key="sk-xxxx",  
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"  
)  


app = create_react_agent(llm, tools=tools) 

inputs = {"messages": [HumanMessage(content="我今天要去上海，我想知道那边的天气如何？")]}  

for result in app.stream(inputs, stream_mode="values"):  
    message = result.get("messages")[-1]  
    if isinstance(message, tuple):  
        print(message)  
    else:  
        message.pretty_print()

create_react_agent 方法，可以将上面的构建图的流程简化，简单到只需要传入大模型client 和工具列表即可, 这个方法内部会将工具绑定到llm 上，并且构建图，你不必执行以下操作

无需定义条件节点
无需调用 add_node
无需调用 add_edge
无需定义 State

你只需要关注工具的定义。

上面定义了两个工具，天气查询和tavily 搜索，这次我问一个复杂的问题，看看这个ReAct 智能体如何解决我的问题

我今天要去上海出差，我应该穿什么衣服？那边的迪士尼后天营业吗？有什么好玩的推荐吗？

这次我使用了 qwen-plus 模型，之前一直使用的 qwen-turbo 的推理能力不太好，我们来看一下得到的回复

================================ Human Message =================================

我今天要去上海出差，我应该传什么衣服？ 那边的迪士尼后天营业吗？ 有什么好玩的推荐吗？
================================== Ai Message ==================================
Tool Calls:
  高德天气查询 (call_60c891f13fd9497fae4205)
 Call ID: call_60c891f13fd9497fae4205
  Args:
    city: 上海
================================= Tool Message =================================
Name: 高德天气查询

[
    {
        "date": "2024-12-25",
        "week": "3",
        "dayweather": "阴",
        "daytemp_float": "11.0",
        "daywind": "北",
        "nightweather": "多云",
        "nighttemp_float": "6.0"
    },
    {
        "date": "2024-12-26",
        "week": "4",
        "dayweather": "晴",
        "daytemp_float": "11.0",
        "daywind": "北",
        "nightweather": "晴",
        "nighttemp_float": "3.0"
    },
    ...
]
================================== Ai Message ==================================
Tool Calls:
  tavily_search_results_json (call_b3499a3e15674626b8b7fd)
 Call ID: call_b3499a3e15674626b8b7fd
  Args:
    query: 上海迪士尼后天营业吗
================================= Tool Message =================================
Name: tavily_search_results_json

[{"url": "http://sh.bendibao.com/tour/20221124/263251.shtm", "content": "11月24日，上海迪士尼乐园发布消息称：上海迪士尼乐园将于2022年11月25日起恢复运营。 11月25日，上海迪士尼乐园的运营时间为8:30-20:30。 请通过上海迪士尼度假区官方网站、App、官方微信公众号、预订服务中心或联系度假区官方旅游合作伙伴以查询上海迪士尼"}, {"url": "https://baijiahao.baidu.com/s?id=1748183310036681067", "content": "上海迪士尼今起暂时关闭!恢 复营业时间待定，官方明确了票务退改细则 ... 通过上海迪士尼度假区官方网站、App、微信公众号、上海迪士尼度假区预订服务中心、度假区飞猪官方旗舰店或京东官方旗舰店购买门票的游客，可以通过上海迪士尼度假区官方App提交"}]
================================== Ai Message ==================================
Tool Calls:
  tavily_search_results_json (call_c28412f8aa53444d81de51)
 Call ID: call_c28412f8aa53444d81de51
  Args:
    query: 上海有什么好玩
================================= Tool Message =================================
Name: tavily_search_results_json

[{"url": "https://markandhazyl.com/must-visit-places-in-shanghai/", "content": "上海景點推薦 1. 東方明珠電視塔 東方明珠電視塔 Oriental Pearl TV Tower. 這座外觀融合了宇宙、火箭和原子元素的立柱球體肯定是上海最具標誌性的建築之一了，位於上海浦東陸家嘴金融貿易區上，搭乘至地鐵『陸家嘴站』出站即可抵達，整體氣勢雄偉有東方元素卻又不失現代風格，除了外觀吸睛外"}, {"url": "https://hk.trip.com/blog/shanghai-attractions/", "content": "上海，這座充滿活力和魅力的城市，絕對會讓你心動不已!想像一下，走在外灘的濱江大道上，迎面吹來黃浦江的微風，眼前是璀璨的東方明珠塔和現代化的摩天大樓群，簡直美得讓人驚歎!想要在2024年玩轉上海嗎？這份最新的上海必去景點清單帶你去探秘最火打卡地，附上詳細攻略和貼心建議"}]
================================== Ai Message ==================================

根据上海的天气预报，今天（2024年12月25日）上海将是阴天，最高气温约11℃，夜间转为多云，最低温度降至6℃。风向主要是北风。考虑到后几天气温会有所下降，建议携带一些适合春秋季节的衣物，例如长袖衬衫、薄毛衣和一件外套。

关于上海迪士尼乐园的信息，根据最新资料，它会在2024年11月25日起恢复运营，所以后天（12月27日）是营业的。不过在前往之前，建议再次确认官方公告或通过官方网站查询最新的运营时间，以保证出行顺利。

至于好玩的地方推荐，上海有很多值得一游的景点：

1. 东方明珠广播电视塔 - 这里不光可以俯瞰整个上海市区的美景，本身也是上海的标志性建筑之一。
2. 外滩 - 漫步于黄浦江边，欣赏对岸陆家嘴金融区的现代化高楼大厦。
3. 上海迪士尼度假区 - 如果你喜欢迪士尼的氛围和故事，这是一个不容错过的好地方。

除此之外，还有很多其他有趣的景点和活动等着你去发现。希望这些建议对你有帮助，祝你在上海出差愉快！

我们根据输出看一下这个agent 的执行流程

第一次调用大模型返回的是 Tool Calls，需要调用『高德天气查询』工具
tools 节点调用完高德天气查询以后，返回上海的气象信息
带上上海的气象信息，再次请求大模型，这次依然返回 Tool Calls，这次需要调用的是 tavily_search_results_json，搜索词是 "上海迪士尼后天营业吗"
tools 节点调用 tavily 工具进行搜索，得到检索结果
再次调用大模型，此时大模型推理出还需要调用 tavily_search_results_json, 搜索词是 "上海有什么好玩"
tools 继续调用 tavily 工具执行搜索
再次调用大模型，这时大模型意识到，所有的问题都得到了答案，该进行最终的归纳总结了
最后大模型根据前面的问题和答案，生成了最终的回复内容，此时，没有再返回 Tool Calls ，langGraph 走到了 __end__ ，结束了整个图的调用

如何添加 system prompt ?¶

有时我我们需要添加系统消息，如让大模型使用英文回答，可以通过 state_modifier 参数将系统消息传进来。

app = create_react_agent(llm, tools=tools, state_modifier="请用英文回答")

注意问题¶

循环次数¶

虽然 ReAct agent 可以完成一些复杂的问题，但是由于需要在 llm 和 tools 反复调用，LangGraph 不允许无限次的调用，默认最多可以反复调用25次，如果超过25次还没有结束，则会抛出异常。

可以通过config 参数在执行graph 时限制递归次数

graph.invoke(inputs, config={"recursion_limit": 5}})

总结¶

本文先介绍了大模型中的 ReAct 理论内容，之后通过LangGraph 实现了 ReAct 智能体，先使用自定义工具调用的方式，之后又使用 LangGraph 中内置的 create_react_agent 方法创建，create_react_agent 会极大的方便创建 ReAct 智能体。