原生 Python 实现 ReAct Agent（计算器版）

完全不用 LangChain 等第三方框架，只用原生 Python + 豆包 OpenAI 兼容接口，实现一个能自主调用计算器、解决数学题的 ReAct Agent，代码结构清晰、注释详细，你可以直接运行、修改、扩展。

一、核心设计思路

1. ReAct 三大核心要素（严格遵循论文定义）

表格

2. 计算器工具安全设计

用 Python 内置的eval函数，但严格限制输入，只允许数字、运算符、括号，防止代码注入，保证安全。

二、完整可运行代码

import os import re from dotenv import load_dotenv from openai import OpenAI # ====================== 1. 初始化配置 ====================== # 加载环境变量（.env文件里放你的豆包API Key） load_dotenv() # 初始化豆包客户端（完全兼容OpenAI接口） client = OpenAI( api_key=os.getenv("DOUBAO_API_KEY"), base_url="https://ark.cn-beijing.volces.com/api/v3" ) # ====================== 2. 定义工具：安全计算器 ====================== def safe_calculator(expression: str) -> str: """ 安全的计算器工具，只允许数学运算，防止代码注入 :param expression: 数学表达式，比如 "35*24+18" :return: 计算结果 """ # 安全检查：只允许数字、运算符、括号、空格 if not re.fullmatch(r'^[\d+\-*/().\s]+$', expression): return "错误：表达式包含非法字符，只允许数字、运算符、括号" try: # 计算表达式，限制全局命名空间，防止代码注入 result = eval(expression, {"__builtins__": None}, {}) return f"计算结果：{result}" except ZeroDivisionError: return "错误：除数不能为0" except SyntaxError: return "错误：表达式语法错误" except Exception as e: return f"错误：{str(e)}" # 工具字典：LLM 可以调用的所有工具 AVAILABLE_TOOLS = { "calculator": safe_calculator } # ====================== 3. ReAct 核心 Prompt 模板 ====================== REACT_SYSTEM_PROMPT = """ 你是一个严格遵循 ReAct 框架的智能数学助手，你的任务是解决用户的数学问题。 ## 核心规则（必须严格遵守，不能改变格式） 1. 每一轮你只能输出 **Thought** 或 **Action** 中的一种，不能同时输出 2. **Thought（思考）**： - 分析当前问题，判断是否需要调用计算器 - 如果需要计算，明确说明要计算什么表达式 - 如果不需要计算，直接给出答案 3. **Action（行动）**： - 只有当你需要计算时才输出 Action - 格式必须严格为：Action: calculator("数学表达式") - 数学表达式里不要有中文，只保留数字、运算符、括号 4. **Observation（观察）**： - 这是计算器返回的结果，你不需要生成 - 你需要根据 Observation 的结果继续思考 5. **Final Answer（最终答案）**： - 当你获取了足够的信息，能完整回答用户的问题时，输出：Final Answer: 你的完整答案 - 最终答案要清晰、完整，包含计算过程和结果 ## 可用工具 - calculator(expression)：安全计算器，输入数学表达式，返回计算结果 ## 示例 用户问题：35乘以24加上18等于多少？ 你的执行过程： Thought：用户的问题需要计算 35*24+18，我需要调用计算器工具。 Action: calculator("35*24+18") Observation：计算结果：858 Thought：我已经得到了计算结果，现在可以给出最终答案了。 Final Answer: 35乘以24加上18的计算过程是：35×24=840，840+18=858，最终结果是858。 现在开始解决用户的问题： """ # ====================== 4. ReAct 核心执行循环 ====================== def react_math_agent(question: str, max_rounds: int = 5) -> str: """ ReAct 数学 Agent 主函数 :param question: 用户的数学问题 :param max_rounds: 最大执行轮数，防止无限循环 :return: 最终答案 """ # 初始化上下文记忆 messages = [ {"role": "system", "content": REACT_SYSTEM_PROMPT}, {"role": "user", "content": question} ] print(f"🧑 用户问题：{question}\n") print("🤖 ReAct Agent 开始执行...\n") # 循环执行 ReAct 流程 for round_num in range(1, max_rounds + 1): print(f"===== 第 {round_num} 轮执行 =====") # 1. 调用 LLM 生成 Thought/Action response = client.chat.completions.create( model="doubao-lite-32k", # 推荐用 lite 模型，速度快、效果好 messages=messages, temperature=0.3, # 数学题用低温度，保证严谨 max_tokens=500 ) llm_output = response.choices[0].message.content.strip() print(f"🤖 LLM 输出：\n{llm_output}\n") # 2. 把 LLM 输出加入上下文记忆 messages.append({"role": "assistant", "content": llm_output}) # 3. 判断是否已经输出最终答案 if "Final Answer:" in llm_output: final_answer = llm_output.split("Final Answer:")[-1].strip() print("===== 🎉 执行完成，最终答案 =====") return final_answer # 4. 解析 Action，调用工具 if "Action:" in llm_output: # 提取工具名和参数 try: action_part = llm_output.split("Action:")[-1].strip() # 匹配 calculator("表达式") 格式 tool_match = re.match(r'(\w+)\("([^"]+)"\)', action_part) if not tool_match: raise ValueError("Action 格式错误，正确格式是：Action: calculator(\"表达式\")") tool_name = tool_match.group(1) tool_param = tool_match.group(2) # 检查工具是否可用 if tool_name not in AVAILABLE_TOOLS: raise ValueError(f"没有找到工具：{tool_name}，可用工具：{list(AVAILABLE_TOOLS.keys())}") # 调用工具，获取 Observation print(f"🔧 调用工具：{tool_name}，参数：{tool_param}") observation = AVAILABLE_TOOLS[tool_name](tool_param) observation_str = f"Observation: {observation}" print(f"📊 工具返回：{observation_str}\n") # 把 Observation 加入上下文记忆 messages.append({"role": "user", "content": observation_str}) except Exception as e: error_msg = f"Observation: 执行错误：{str(e)}" print(f"❌ {error_msg}\n") messages.append({"role": "user", "content": error_msg}) # 超过最大轮数，结束执行 return "⚠️ 执行轮数已达上限，未能完成任务，请尝试简化问题。" # ====================== 5. 测试运行 ====================== if __name__ == "__main__": # 测试问题1：简单混合运算 test_question1 = "35乘以24加上18等于多少？" # 测试问题2：简单应用题 test_question2 = "一个长方形的长是12.5厘米，宽是8.4厘米，它的面积是多少平方厘米？" # 测试问题3：多步计算 test_question3 = "小明有100元钱，买了3本笔记本，每本12.8元，又买了2支笔，每支8.5元，他还剩多少钱？" # 运行测试 result = react_math_agent(test_question3) print(result)

执行结果示例：

🧑 用户问题：小明有100元钱，买了3本笔记本，每本12.8元，又买了2支笔，每支8.5元，他还剩多少钱？ 🤖 ReAct Agent 开始执行... ======第1轮执行====== 🤖LLM输出： Thought：首先，需要计算小明买笔记本和笔总共花费了多少钱。笔记本的总费用是3*12.8元，笔的总费用是2*8.5元。然后从100元中减去这个总数得到剩余的钱数。我将先计算总支出。 Action: calculator("3*12.8+2*8.5") 🔧调用工具：calculator, 参数: 3*12.8+2*8.5 📊 工具返回：observation=计算结果：55.400000000000006 ======第2轮执行====== 🤖LLM输出： Thought：根据计算器的结果，小明购买笔记本和笔总共花费了55.4元。接下来，我将从他原有的100元中减去这个数，以确定他还剩下多少钱。 Action: calculator("100-55.4") 🔧调用工具：calculator, 参数: 100-55.4 📊 工具返回：observation=计算结果：44.6 ======第3轮执行====== 🤖LLM输出： Thought：根据计算器的结果，小明在购买了笔记本和笔之后还剩下44.6元。现在我可以给出最终答案了。 Final Answer: 小明有100元钱，买了3本笔记本（每本12.8元）和2支笔（每支8.5元）。笔记本的总费用是\(3 \times 12.8 = 38.4\)元，笔的总费用是\(2 \times 8.5 = 17\)元，总共花费\(38.4 + 17 = 55.4\)元。因此，他还剩下\(100 - 55.4 = 44.6\)元。所以，小明最后还剩44.6元。 🎉 执行完成，最终答案 小明有100元钱，买了3本笔记本（每本12.8元）和2支笔（每支8.5元）。笔记本的总费用是\(3 \times 12.8 = 38.4\)元，笔的总费用是\(2 \times 8.5 = 17\)元，总共花费\(38.4 + 17 = 55.4\)元。因此，他还剩下\(100 - 55.4 = 44.6\)元。所以，小明最后还剩44.6元。

三、代码结构详解

1. 核心模块说明

表格

2. 关键安全设计

• 正则限制输入：只允许[\d+\-*/().\s]，禁止其他字符
• 限制eval命名空间：eval(expression, {"__builtins__": None}, {})，防止访问内置函数
• 异常处理：捕获除零、语法错误等常见问题，返回友好提示

四、运行效果演示

以测试问题 3 为例：

小明有 100 元钱，买了 3 本笔记本，每本 12.8 元，又买了 2 支笔，每支 8.5 元，他还剩多少钱？

执行过程：

五、如何扩展这个 Agent

你可以基于这个代码，轻松添加更多功能：

1. 添加更多工具：比如搜索工具、文件读写工具、数据库工具，只需要在AVAILABLE_TOOLS字典里添加新函数
2. 优化 Prompt：根据你的需求，调整REACT_SYSTEM_PROMPT，比如添加更多示例、更严格的规则
3. 增加记忆功能：用向量数据库存储历史任务经验，实现跨会话的记忆复用
4. 增加反思机制：执行失败后，让 LLM 自动反思错误原因，修正计划后重新执行