LangChain ReAct Agent实战：从零构建一个能思考会行动的智能体
1. 认识LangChain ReAct Agent：当AI学会"边想边做"
想象一下，你正在教一个实习生完成市场调研任务。优秀的实习生不会直接给你答案，而是会先思考："我需要先查行业报告，再联系几家供应商比价，最后整理成表格"。这正是ReAct Agent的工作方式——它让AI像人类一样先规划再行动，而不是机械地生成文本。
LangChain中的ReAct Agent由三个核心部件组成：
- 大脑（LLM）：通常是GPT-4或Claude这类大模型，负责思考决策
- 工具集（Tools）：就像实习生的调研工具包，可能包含搜索引擎、计算器、数据库查询等
- 执行引擎（AgentExecutor）：负责协调思考与行动的循环流程
我最近用这个技术帮朋友做了个智能购物助手。当用户问"3件T恤加2条牛仔裤总价多少？"时，Agent会：
- 调用商品查询工具获取单价
- 使用计算器工具进行运算
- 最后生成带优惠建议的完整回复
2. 搭建开发环境：五分钟快速起步
在开始编码前，我们需要准备以下工具：
pip install langchain langchain-openai python-dotenv建议在项目根目录创建.env文件存储API密钥：
OPENAI_API_KEY=你的密钥 OPENAI_API_BASE=https://api.deepseek.com/v1 # 国内可用替代端点这里有个实用技巧：使用temperature=0.1能让Agent的决策更稳定。我在早期测试时曾设为0.7，结果Agent经常突发奇想调用错误工具，比如用计算器工具查询天气。
基础配置代码示例：
from langchain_openai import ChatOpenAI from dotenv import load_dotenv import os load_dotenv() llm = ChatOpenAI( model="deepseek-chat", temperature=0.1 # 降低随机性 )3. 定义智能体的"双手"：工具开发实战
工具(Tool)是Agent与真实世界交互的接口。去年我帮电商客户开发库存管理系统时，就为Agent定制了这些工具：
价格查询工具（关键代码）：
from langchain_core.tools import tool @tool def query_product_price(product_name: str) -> float: """查询商品单价，输入应为商品全称""" price_map = { "T恤": 99.9, "牛仔裤": 199.0, "运动鞋": 299.0 } return price_map.get(product_name, 0.0)折扣计算工具：
@tool def calculate_discount(total: float, discount: float) -> float: """计算折后价格，示例：calculate_discount(100, 0.1)返回90""" return total * (1 - discount)开发工具时我踩过两个坑：
- 描述不准确：曾把工具描述为"处理价格计算"，结果Agent把运费计算也塞进来
- 缺少类型提示：没有声明参数类型时，Agent常会传入错误格式
建议每个工具都像这样写文档字符串：
"""【明确功能】 查询商品当前库存量 参数： - product_id: str 商品SKU编号 返回： int 可用库存量，缺货返回0 """4. 组装智能大脑：Agent初始化详解
完整的Agent构建流程就像组装乐高：
- 准备工具包：
tools = [query_product_price, calculate_discount]- 设计提示词模板：
from langchain_core.prompts import PromptTemplate prompt = PromptTemplate.from_template(""" 你是一个专业的购物助手，请用中文回答。 可用工具：{tools} 按照以下格式响应： 问题：用户的问题 思考：你的分析过程 行动：要调用的工具名 行动输入：工具参数 观察：工具返回结果 ...（循环直到解决问题） 最终答案：给用户的完整回复 当前问题：{input} {agent_scratchpad} # 这里会自动填充历史记录 """)- 创建Agent执行器：
from langchain.agents import create_react_agent, AgentExecutor agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True, # 调试时建议开启 max_iterations=5 # 防止无限循环 )这里有个性能优化技巧：使用ConversationBufferMemory可以让Agent记住对话历史。有次用户连续问"T恤价格"和"搭配什么裤子"，没有记忆功能的Agent就像金鱼一样每次都重新开始。
5. 实战演示：拆解购物咨询案例
让我们看一个完整的工作流程。当用户询问："买2件T恤和1条牛仔裤，会员能打8折吗？"
Agent的执行日志会显示：
> 进入思考链... 思考：需要先获取T恤和牛仔裤的单价 行动：query_product_price 行动输入："T恤" 观察：99.9 思考：还需要牛仔裤价格 行动：query_product_price 行动输入："牛仔裤" 观察：199.0 思考：计算总价：(2*99.9 + 199) = 398.8 行动：calculate_discount 行动输入："398.8, 0.2" 观察：319.04 最终答案：2件T恤和1条牛仔裤原价398.8元，会员折后319.04元我在测试中发现几个常见问题及解决方案：
- 工具选择错误：通过优化工具描述，加入"不要用于..."的说明
- 参数格式错误：在工具中添加输入验证
- 循环卡死：设置max_iterations并添加超时监控
6. 高级技巧：让Agent更智能的秘诀
经过多个项目的实战，我总结出这些提升Agent表现的方法：
1. 少样本学习（Few-shot Learning）在提示词中加入示例能显著提高工具调用准确率。比如：
示例1： 问题：3个苹果多少钱？ 思考：需要查询苹果单价 行动：query_price 行动输入："苹果" 观察：5.0/个 最终答案：共15元2. 错误处理机制为工具添加try-catch块，我常用这个模板：
@tool def safe_query(参数): try: # 正常逻辑 except Exception as e: return f"工具执行失败：{str(e)}"3. 混合工具策略简单任务用单一工具，复杂任务启用多工具协作。就像我开发的客服Agent：
- 商品咨询 → 知识库工具
- 订单查询 → 数据库工具
- 投诉处理 → 工单系统工具
4. 实时监控看板用LangSmith搭建监控系统，跟踪：
- 工具调用成功率
- 平均思考步数
- Token消耗分析
7. 避坑指南：我踩过的那些坑
在开发旅游规划Agent时，曾遇到这些典型问题：
问题1：无限循环现象：Agent反复查询相同信息 解决：在AgentExecutor中添加：
early_stopping_method="generate" # 当连续两次生成相同Action时停止问题2：工具过载现象：简单计算也调用外部API 优化：为LLM添加工具使用规范：
优先使用内置计算能力，仅在需要实时数据时调用工具问题3：敏感操作教训：曾有Agent意外执行了删除操作 防护措施：
@tool def delete_item(id): """【危险操作】需要二次确认""" if not confirm("确定删除？"): raise Exception("操作已取消")这些经验让我意识到：好的Agent设计=强大能力+安全护栏。就像教孩子骑车，既要放手让他尝试，又要准备好保护措施。