【第5章 AI Agent 与工具调用】5.6 章节实战（一）：用 LangChain 构建 ReAct Agent

在前面

让我们先来看一个生活中常见的场景。假设你让 AI 助手帮你完成这样的任务："帮我查一下明天北京到上海的机票，找出最便宜的选项，然后帮我订那个航班，最后把行程添加到日历里。"

这个任务对人类来说，需要思考、查询、比较、操作等多个步骤的组合。但早期的 AI 助手往往只能做一件事：要么回答问题，要么生成文字，无法真正去"动手"完成任务。就像一个只会读菜谱却从不下厨的人，理论知识丰富，真正动手时却不知所措。

这就是 ReAct 框架（Reasoning and Acting，推理与行动）诞生的背景。它让大语言模型不仅能够思考和推理，还能够调用外部工具、执行具体操作，形成一个完整的"思考-行动-观察"闭环。

一、ReAct 框架：让推理与行动协同

1.1 什么是 ReAct

ReAct 的全称是 Reasoning and Acting，即推理与行动。它的核心思想是用一个简单的循环来表示 AI 的工作方式：思考（Reasoning）→ 行动（Acting）→ 观察（Observation）→ 继续思考。这个循环不断迭代，直到任务完成。

举个例子，当用户问："北京现在的温度是多少摄氏度？" 一个 ReAct Agent 会这样工作：

**第一轮循环：**
- Thought：我需要调用天气查询工具来获取北京的实时温度
- Action：调用 weather_tool，输入 "北京"
- Observation：返回 "北京当前温度：28°C，晴"

**第二轮循环：**
- Thought：工具返回了温度信息，我可以给用户一个完整的回答了
- Action：生