Agent 进阶：用 ReAct 框架实现多步推理 + 工具链调用（LangChain）

Agent 进阶：用 ReAct 框架实现多步推理 + 工具链调用（LangChain）

前言

在前两篇中，我分别实现了：

• 单工具调用（天气查询）
• 多工具调用（商品价格 + 商品介绍）

但这些都属于：“简单任务 → 一步完成”

这次我尝试一个更真实的场景：需要多步推理 + 多次调用工具，最后再计算结果

比如：

根据多门成绩，计算平均分

一、完整代码（ReAct Agent）

from langchain.agents import create_agent from langchain_community.chat_models import ChatTongyi from langchain_core.tools import tool @tool(description="获取C语言成绩") def get_score_c() -> int: return 99 @tool(description="获取Java成绩") def get_score_java() -> int: return 89 agent = create_agent( model=ChatTongyi(model="qwen3-max"), tools=[get_score_c, get_score_java], system_prompt="""你是一个严格遵循ReAct框架的智能助手，按照[思考->观察->再思考]的流程回答问题， 每轮仅思考并调用一个工具类，同时告知我你的思考过程""" ) for chunk in agent.stream( { "messages": [ {"role": "user", "content": "期末考试只有C和Java的成绩，请给出平均成绩。"}, ] }, stream_mode="values" ): latest_message = chunk['messages'][-1] if latest_message.content: print(type(latest_message).__name__, latest_message.content) try: if latest_message.tool_calls: print(f"工具调用: {[tool['name'] for tool in latest_message.tool_calls] }") except AttributeError: pass

二、什么是 ReAct？

ReAct 是一种 Agent 推理模式：Reason（推理） + Act（行动）

核心思想：

• 先思考（Reason）
• 再调用工具（Act）
• 根据结果继续思考

执行流程

思考 → 调用工具 → 得到结果 → 再思考 → 再调用工具 → 输出结果

三、运行结果解析

我的输出：

工具调用: ['get_score_c'] ToolMessage 99 工具调用: ['get_score_java'] ToolMessage 89 AIMessage 平均成绩为 94 分

四、Agent 内部到底发生了什么？

我们把整个过程拆开

Step 1：第一次思考

需要计算平均分 → 必须先拿到成绩

Step 2：调用第一个工具

get_score_c()

得到：

99

Step 3：第二次思考

还缺 Java 成绩

Step 4：调用第二个工具

get_score_java()

得到：

89

Step 5：最终计算

(99 + 89) / 2 = 94

五、核心能力提升点（重点）

对比前两篇：

本质升级： Agent 开始具备“分步骤解决问题”的能力

六、关键代码解析

1. ReAct 的核心：system_prompt

system_prompt = """ 你是一个严格遵循ReAct框架的智能助手， 按照[思考->观察->再思考]的流程回答问题 """

这一步非常关键：Agent 的“推理方式”是通过 Prompt 控制的

2. 单步调用限制（很重要）

每轮仅思考并调用一个工具

好处：

• 控制推理过程
• 更容易调试
• 更符合 ReAct 思想

3. stream 输出（可观测性）

agent.stream(...)

让我看到：

• 每一步调用了什么工具
• 推理过程是什么