-推荐关注-

• 1. ReAct是什么

• 2. 代码实现

• 2.1 导入基于ReAct的提示词

• 2.2 创建大模型实例

• 2.3 定义搜索工具

• 2.4 创建ReAct智能体

• 2.5 执行ReAct智能体

• 3. 完整代码

• 3.1 执行结果(可以看到整个思考过程)

• 参考

智能体有3个核心组件：规划、记忆、工具。其中规划（同时也包含决策）能力，以有效地执行更复杂的任务，这涉及到子目标的分解、连续的思考、自我反思和批评，以及对表征行动的反思。

见: 从0到1开发AI Agent（智能体）（一）|  基于大模型的AI Agent技术框架

1. ReAct是什么

ReAct框架正是这个自我反思环节使用到的一个框架，用于指导大模型完成复杂任务的结构化思考和决策过程。ReAct框架包括一系列的步骤，使得大模型能够以更系统和高效的方式处理和回应查询，确保它能够全面和准确地回应用户的需求。

通过 ReAct 框架，Agent获得了动态决策能力。当遇到自己内部知识无法解决的问题时，Agent先搜索或调用工具，拓展自己的知识面。Agent还利用工具的灵活性，协调使用各种工具，在多个数据点之间进行切换，以获得最终的决策数据。Agent在执行每一步后会观察结果，并将新信息用于接下来的决策过程，这体现了Agent出色的学习能力与适应性。

ReAct框架的设计哲学是:在动态和不确定的环境中，有效的决策需要持续的学习和适应，以及快速将推理转化为行动的能力，即形成有效的观察 一 思考 一 行动 一 再观察的循环(见图)

图1

该循环过程主要涉及如下3个步骤

思考(Thought): 涉及对下一个行动进行推理。在这一步骤中需要评估当前情况并考虑可能的行动方案。

行动(Action): 基于思考的结果，决定采取什么行动。这一步骤是行动计划的选择过程。

观察(Observation): 执行行动后，需要观察并收集反馈。这一步将对行动结果进行评估。它可能影响或改变下一轮次思考的方向。

在LangChain中ReAct框架的实现流程:Agent首先接到任务，然后自动进行推理，最后自主调用工具来完成任务。

整个 ReAct 框架的实现流程强调自主 Agent 在完成任务时如何利用大模型的推理能力和使用外部工具，以及如何与环境互动以产生结果。这个框架凸显了大模型在推理和决策中的中心作用，并说明了工具如何为大模型扩展能力，以及 Agent如何通过与环境的动态交互来驱动任务的完成。

2. 代码实现

整个代码分为几个部分：

• 导入基于ReAct的提示词

• 创建大模型实例

• 定义搜索工具

• 创建ReAct智能体

• 执行ReAct智能体

代码基于LangChain v0.3

2.1 导入基于ReAct的提示词

从LangChain的Hub(可以理解成一个社区)中直接将hwchase17 这个用户设计好的 ReAct 提示词“拉”进来。

from langsmith import Client

client = Client()
# 从Hub中获取ReAct的提示词模板
prompt  = client.pull_prompt("hwchase17/react")
print(prompt)

提示词：

input_variables=['agent_scratchpad', 'input', 'tool_names', 'tools'] 
input_types={} partial_variables={} metadata={'lc_hub_owner': 'hwchase17', 'lc_hub_repo': 'react', 'lc_hub_commit_hash': 'd15fe3c426f1c4b3f37c9198853e4a86e20c425ca7f4752ec0c9b0e97ca7ea4d'} 
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}'

把上边提示词翻译成如下伪代码，可以更方便理解这个 ReAct 框架。

尽你所能回答以下问题，你可以访问以下工具:
{tools}
请使用以下格式回答
问题:你必须回答的输入问题
思考:你每次都应该思考接下来怎么做
行动:要采取的行动，应该是[tool_names}中的一个
行动输人:行动的输入
观察:行动的结果
......(这个思考 一 行动 一 行动输入 一 观察 过程可以重复N次)
思考:我现在知道最终答案了
最终答案:原始输入问题的最终答案
开始!
问题:{input}
思考:{agent_scratchpad}

而有了这个提示，大模型就会按照图1中的思路走，经过思考，它明白该搜索时就调用搜索工具，而不会轻易“胡言乱语”

这个决策过程或工作流程包含了开始提到的3个步骤：行动、观察、思考和最终答案

2.2 创建大模型实例

若要构建 Agent，首先应创建大模型的实例。因为大模型是 Agent 的推理引擎。

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    base_url="https://api.openai-hk.com/v1"
)

LangChain 支持许多不同的语言模型，可以使用它们进行互换

langchain_openai是其中之一，langchain集成的openai的功能包

其他比如还有集成google的模型：pip install -qU langchain-google-vertexai

其他语言模型、ChatOpenAI的使用见：

https://python.langchain.com/docs/tutorials/llm_chain/#using-language-models

https://python.langchain.com/api_reference/openai/chat_models/langchain_openai.chat_models.base.ChatOpenAI.html#langchain_openai.chat_models.base.ChatOpenAI

这个地方"https://api.openai-hk.com/v1"用的是openai的一个代理服务，解决国内因为网络不能访问openai api的问题，

如果网络可以访问openai，请使用openai的地址：https://api.openai.com/v1

见：10分钟解决国内不能访问OpenAI API的一个方案

2.3 定义搜索工具

我们已经设置了大模型实例，接下来配置工具--此处只有一个搜索工具。

# 导入SerpAPIWrapper即工具包
from langchain_community.utilities import SerpAPIWrapper
from langchain.agents import Tool
# 实例化SerpAPIWrapper
search = SerpAPIWrapper()
# 准备工具列表
tools = [
    Tool(
        name="Search",
        func=search.run,
        description="当大模型没有相关知识时，用于搜索知识"
    ),
]

SerpAPIWrapper是一个包装器，其中封装了与SerpApi的交互以便通过编程方式访问 SerpApi提供的搜索服务。SerpApi是一个服务，它提供了对多个搜索引擎(如 Google、Bing 等)的查询接口。

Tool类则是LangChain Agent 可以使用的工具的基础类。一个 Tool实例代表Agent 可以访问的一个外部功能或服务。列表 tools 中包含 Tool 类的实例。列表中的每个元素都代表一个工具，Agent可以利用这些工具来执行任务。

2.4 创建ReAct智能体

有了大模型、工具，以及 ReAct框架提示，接下来就可以开始构建 ReAct Agent的实例。

# 导入create_react_agent功能
from langchain.agents import create_react_agent
# 构建ReAct代理
agent = create_react_agent(llm, tools, prompt)

llm是之前实例化的大模型，tools是之前定义的SerpApi搜索工具，而 prompt 则是包含 ReAct 框架的提示，用来定义 Agent 的行为和任务。

2.5 执行ReAct智能体

最后，创建专门负责运行Agent的AgentExecutor，并通过 AgentExecutor的invoke 方法来执行 ReAct Agent 的实例，以便观察结果。

# 导入AgentExecutor
from langchain.agents import AgentExecutor
# 创建代理执行器并传入代理和工具
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 调用代理执行器，传入输入数据
agent_executor.invoke({"input": "请用中文回答：2024年底，AI Agent最新研究进展是什么?"})

3. 完整代码

环境：Python 3.10.11

依赖版本：

langchain                       0.3.9
langchain-community      0.3.9
langchain-core                0.3.21
langchain-openai            0.2.11
langchain-text-splitters   0.3.2
langchainhub                  0.1.21
langsmith                       0.1.147

import os

os.environ['OpenAI_API_KEY'] = 'hk-iwtbie10000491e427'
os.environ['SERPAPI_API_KEY'] = '66bebeb62a4d8462a334'

from langsmith import Client

client = Client()
prompt  = client.pull_prompt("hwchase17/react")
print(prompt)

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    base_url="https://api.openai-hk.com/v1"
)

# 导入SerpAPIWrapper即工具包
from langchain_community.utilities import SerpAPIWrapper
from langchain.agents import Tool
# 实例化SerpAPIWrapper
search = SerpAPIWrapper()
# 准备工具列表
tools = [
    Tool(
        name="Search",
        func=search.run,
        description="当大模型没有相关知识时，用于搜索知识"
    ),
]

# 导入create_react_agent功能
from langchain.agents import create_react_agent
# 构建ReAct代理
agent = create_react_agent(llm, tools, prompt)

# 导入AgentExecutor
from langchain.agents import AgentExecutor
# 创建代理执行器并传入代理和工具
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 调用代理执行器，传入输入数据
agent_executor.invoke({"input": "请用中文回答：2024年底，AI Agent最新研究进展是什么?"})

3.1 执行结果(可以看到整个思考过程)

参考：