第24课：LangChain｜内置Agent使用【ReAct、OpenAI Function Calling实战】

课程导读 & 学习目标

在上一节课中，我们深入剖析了Agent的核心原理，并使用LangGraph从零构建了一个支持工具调用的ReAct Agent。你理解了“LLM + 工具 + 循环”的工作机制。但是，在实际开发中，我们往往不需要从头编写所有节点和边——LangChain和LangGraph提供了更高级的抽象和预置模式，可以大幅简化Agent的开发工作。

本节课将聚焦于两种最主流的Agent模式：ReAct和OpenAI Function Calling。ReAct（Reasoning + Acting）是一种基于提示词模板的通用模式，通过引导LLM输出“Thought/Action/Action Input/Observation”结构来实现工具调用，兼容任何支持文本生成的LLM。OpenAI Function Calling则是OpenAI、智谱GLM-4等模型原生支持的结构化工具调用方式，模型直接返回JSON格式的工具参数，更加可靠和高效。

需要注意的是，LangChain旧版中的initialize_agent、AgentExecutor等API已被标记为废弃。现代开发中，我们推荐使用LangGraph的统一框架来实现这两种模式。本节课将教你如何在LangGraph中优雅地实现ReAct Agent和Function Calling Agent，并对比它们的适用场景。

学完本节课，你将达到以下目标：

1. 深刻理解ReAct Agent的工作机制：掌握如何通过提示词模板引导模型输出结构化的“思考-行动-观察”序列。
2. 掌握OpenAI Function Calling Agent的实现：学会使用llm.bind_tools()构建原生工具调用的Agent，体验更可靠的工具使用。
3. 对比两种模式的优缺点：了解何时选择ReAct（兼容任何模型），何时选择Function Calling（模型原生支持，精度更高）。
4. 能够快速构建具备多工具调用能力的Agent：通过LangGraph预置组件简化代码。
5. 完成两个完整的实战项目：基于本地Ollama模型的ReAct Agent（无需function calling支持）和基于智谱GLM-4的Function Calling Agent。

前置知识与环境准备

1.1 环境沿用

继续使用前几课的langchain_course虚拟环境，Python 3.10+。

# 激活虚拟环境sourcevenv/bin/activate# Mac/Linux# venv\Scripts\activate # Windows# 升级pippipinstall--upgradepip

1.2 依赖包安装

# 核心依赖pipinstalllangchain==0.3.7 langchain-core==0.3.21 langchain-community==0.3.7 langchain-openai==0.2.8 python-dotenv==1.0.1# LangGraph 基础pipinstalllanggraph# 本地模型支持（ReAct Agent演示用）pipinstalllangchain-ollama# 验证安装python-c"from langgraph.prebuilt import create_react_agent; print('✓ LangGraph预置ReAct Agent可用')"python-c"from langchain_core.messages import HumanMessage; from langchain_openai import ChatOpenAI; llm=ChatOpenAI(model='gpt-3.5-turbo'); llm.bind_tools([]); print('✓ Function calling支持')"

1.3 模型选择

本节课将演示两种Agent：

• ReAct Agent：使用Ollama本地模型（如qwen2.5:7b），不需要function calling能力，通用性最强。
• OpenAI Function Calling Agent：使用智谱GLM-4（兼容OpenAI接口）或真正的OpenAI GPT-4。

确保你的.env文件中配置了对应的API密钥（如果是智谱或OpenAI）。Ollama用户请确保已下载模型并启动服务。

1.4 上节课回顾与本课定位

第23课我们手写了LangGraph Agent的所有组件（agent_node、tools_node、条件边）。本节课我们将使用LangGraph提供的create_react_agent预置函数快速构建ReAct Agent，并演示如何利用bind_tools实现更简洁的Function Calling Agent。两者的核心思想相同，但实现方式和适用场景不同。学完本课，你将对Agent的工程实践有更全面的掌握。

核心概念深度拆解

2.1 ReAct Agent：提示词驱动的通用模式

ReAct（Reasoning and Acting）是2022年由Google Research提出的Agent范式。它通过提示词引导LLM输出一个特定的格式，包含：

• Thought：模型的推理过程。
• Action：要调用的工具名称。
• Action Input：传递给工具的参数。
• Observation：工具返回的结果（由系统填充，不是模型生成）。

LangGraph的create_react_agent函数封装了这一模式。你只需要提供工具列表和LLM，它会自动构建状态图、解析器、工具执行器等。核心逻辑是：将工具的描述和调用规范注入到系统提示词中，然后解析模型输出中的Action和Action Input。

这种模式的优势是兼容任何文本生成模型，包括不支持原生function calling的开源模型（如Llama 2、Qwen 1.5等）。缺点是依赖模型严格遵循输出格式，对提示词工程要求较高，且解析可能失败。

2.2 OpenAI Function Calling：原生结构化调用

OpenAI、智谱GLM-4、DeepSeek-V4等模型在API层面支持functions或tools参数。通过bind_tools将工具schema传给模型后，模型直接返回一个结构化的tool_calls字段，包含工具名称和参数JSON。这种方式无需手动解析文本，极其可靠。

在LangGraph中，我们可以使用ToolExecutor和自定义节点来处理tool_calls，或者在create_react_agent中也支持传入state_modifier来指定使用function calling。

优势：高可靠性、支持复杂参数类型、并行工具调用。劣势：要求模型API支持function calling，不适用于普通本地模型（除非通过Ollama的兼容模式，但部分模型仍不支持）。

2.3 两种模式的对比总结

2.4 LangGraph中的create_react_agent函数

create_react_agent是LangGraph提供的预置Agent构建器。其签名如下：

fromlanggraph.prebuiltimportcreate_react_agent agent=create_react_agent(model:BaseChatModel,tools:List[BaseTool],state_modifier:Optional[str]=None,messages_modifier:Optional[Callable]=None,checkpointer:Optional[BaseCheckpointSaver]=None,interrupt_before:Optional[List[str]]=None,interrupt_after:Optional[List[str]]=None,)

• model：支持bind_tools的聊天模型（如果模型不支持，可以传一个自定义的model，内部会使用ReAct提示词）。
• tools：工具列表。
• state_modifier：系统提示词，用来指导Agent行为。
• checkpointer：可选的状态持久化。

该函数返回一个编译后的StateGraph实例，可以像普通LangGraph应用一样调用.invoke或.stream。

对于不支持function calling的模型，create_react_agent会自动降级为ReAct模式，提示词中包含工具描述和输出格式指令。对于支持function calling的模型，它会使用原生工具调用方式。这意味着create_react_agent是一个统一的接口，你无需关心底层实现，它会自动选择最优策略。

底层运行原理剖析

3.1 ReAct Agent的内部实现

当create_react_agent检测到模型不支持bind_tools时，它会构建一个ReAct提示词模板。该模板包括：

你是一个非常有用的AI助手，能够使用以下工具来解决问题： {tools} 使用格式如下： Thought: 你当前的想法。 Action: 工具名称，必须是[{tool_names}]之一 Action Input: 工具的输入，应该是JSON字符串。 ……（重复Thought/Action/Action Input/Observation直到获得最终答案） Final Answer: 对用户的最终回复

LLM的输出会被正则表达式或json.loads解析，提取Action和Action Input。然后ToolExecutor执行工具，生成Observation，再将Observation附加到消息历史中，重复循环。

3.2 Function Calling Agent的内部实现

如果模型支持bind_tools，create_react_agent会：

1. 调用model.bind_tools(tools)获得一个绑定好工具的模型实例。
2. 构建一个代理节点，调用该模型，期望模型返回AIMessage对象，其tool_calls属性非空。
3. 如果tool_calls存在，路由到tools_node执行工具调用，将结果以ToolMessage形式追加。
4. 如果没有tool_calls，则直接输出content作为最终答案。

这种模式避免了文本解析，直接使用API原生功能。

3.3 思维链（Chain-of-Thought）与ReAct的关系

ReAct是思维链的一种扩展。思维链只关注推理步骤，而ReAct在此基础上增加了“行动”和“观察”，使模型不仅能思考，还能与外部环境交互。

核心API/组件源码解读

4.1 create_react_agent 快速上手

fromlanggraph.prebuiltimportcreate_react_agentfromlangchain_community.toolsimporttoolfromlangchain_openaiimportChatOpenAI@tooldefadd(a:int,b:int)->int:"""两数相加"""returna+b llm=ChatOpenAI(model="gpt-3.5-turbo")agent=create_react_agent(llm,[add])result=agent.invoke({"messages":[("human","3加5等于多少？")]})print(result["messages"][-1].content)

4.2 自定义系统提示词（state_modifier）

agent=create_react_agent(llm,tools,state_modifier="你是一个数学专家。请一步步思考，使用计算器工具辅助计算。")

state_modifier会作为系统消息插入到对话开头，指导Agent的行为风格。

4.3 手动实现ReAct Agent（不借助create_react_agent）

如果需要完全控制提示词格式，可以手动实现ReAct Agent，但通常没有必要。create_react_agent已经足够灵活。

手把手项目实战教学

实战一：使用create_react_agent构建本地ReAct Agent（Ollama）

目标：使用本地Ollama模型（qwen2.5:7b）和create_react_agent构建一个ReAct Agent，配备计算器和时间查询工具。由于qwen2.5:7b支持function calling？需要确认。实际上qwen2.5:7b在Ollama中可能不支持原生function calling，但create_react_agent会自动使用ReAct模式。我们将演示跨平台兼容性。

importdatetimefromlangchain_ollamaimportChatOllamafromlangchain_core.toolsimporttoolfromlanggraph.prebuiltimportcreate_react_agent@tooldefcalculate(expression:str)->str:"""计算数学表达式。例如'2+2'"""try:returnstr(eval(expression))except:return"计算错误"@tooldefget_current_time()->str:"""获取当前时间"""returndatetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")llm=ChatOllama(model="qwen2.5:7b",temperature=0)tools=[calculate,get_current_time]agent=create_react_agent(llm,tools)result=agent.invoke({"messages":[("human","现在几点了？然后计算1234*5678")]})print(result["messages"][-1].content)

注意：第一次运行时，模型可能会尝试输出Action和Action Input，create_react_agent会自动解析并调用工具。

实战二：Function Calling Agent（智谱GLM-4）

目标：使用智谱GLM-4（支持OpenAI function calling）构建一个更为可靠的Agent。

importosfromdotenvimportload_dotenvfromlangchain_openaiimportChatOpenAIfromlangchain_core.toolsimporttoolfromlanggraph.prebuiltimportcreate_react_agent load_dotenv()@tooldefcalculate(expression:str)->str:"""计算数学表达式"""returnstr(eval(expression))llm=ChatOpenAI(model="glm-4",openai_api_key=os.getenv("ZHIPU_API_KEY"),openai_api_base=os.getenv("BASE_URL"),temperature=0)agent=create_react_agent(llm,[calculate])result=agent.invoke({"messages":[("human","计算(2+3)*4的结果")]})print(result["messages"][-1].content)

由于glm-4支持function calling，create_react_agent会自动切换到原生模式，无需手动解析文本。

实战三：对比ReAct和Function Calling的输出差异

通过流式输出查看内部步骤：

# ReAct模式（使用Ollama）forstepinagent.stream({"messages":[("human","2的10次方")]}):print(step)

你会看到agent节点输出包含thought和action字段的文本，而在Function Calling模式下，你会看到tool_calls字段。

完整可运行Python代码

整合上述实战，形成完整的演示脚本。

#!/usr/bin/env python# -*- coding: utf-8 -*-""" LangChain 第24课：内置Agent实战 演示两种模式： 1. 基于Ollama的ReAct Agent（通用） 2. 基于智谱GLM-4的Function Calling Agent """importdatetimeimportosfromdotenvimportload_dotenvfromlangchain_core.toolsimporttoolfromlanggraph.prebuiltimportcreate_react_agentfromlangchain_ollamaimportChatOllamafromlangchain_openaiimportChatOpenAI load_dotenv()# ========== 定义公共工具 ==========@tooldefcalculate(expression:str)->str:"""计算数学表达式的值。输入应为字符串格式，如 '2+2' 或 'sqrt(16)'。"""try:# 注意：生产环境请用安全计算库，这里仅演示returnstr(eval(expression))exceptExceptionase:returnf"计算错误:{e}"@tooldefget_current_time()->str:"""获取当前日期和时间"""returndatetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")defrun_react_agent():"""使用本地Ollama模型 + ReAct模式（自动降级）"""print("\n=== ReAct Agent (Ollama) ===")llm=ChatOllama(model="qwen2.5:7b",temperature=0)agent=create_react_agent(llm,[calculate,get_current_time])query="现在几点了？然后帮我计算 1234 * 5678 的结果。"print(f"用户:{query}")result=agent.invoke({"messages":[("human",query)]})final=result["messages"][-1].contentprint(f"Agent:{final}")defrun_function_calling_agent():"""使用智谱GLM-4 + Function Calling原生模式"""print("\n=== Function Calling Agent (智谱GLM-4) ===")llm=ChatOpenAI(model="glm-4",openai_api_key=os.getenv("ZHIPU_API_KEY"),openai_api_base=os.getenv("BASE_URL"),temperature=0)agent=create_react_agent(llm,[calculate])query="计算 (2+3)*4 的结果"print(f"用户:{query}")result=agent.invoke({"messages":[("human",query)]})final=result["messages"][-1].contentprint(f"Agent:{final}")if__name__=="__main__":run_react_agent()run_function_calling_agent()

环境依赖安装命令

# 激活虚拟环境sourcevenv/bin/activate# venv\Scripts\activate# 安装核心依赖pipinstalllangchain==0.3.7 langchain-core==0.3.21 langchain-community==0.3.7 langchain-openai==0.2.8 python-dotenv==1.0.1 langgraph langchain-ollama# 拉取本地模型（如未下载）ollama pull qwen2.5:7b# 验证安装python-c"from langgraph.prebuilt import create_react_agent; print('✓ create_react_agent可用')"

常见报错坑点与避坑方案

坑1：create_react_agent报错Model does not support bind_tools

原因：你使用的模型（如某些Ollama模型）确实不支持function calling，但create_react_agent仍会以ReAct模式运行，不会报错。如果报错，请升级langchain-core和langgraph到最新版。

解决方案：确保langgraph>=0.1.0。如果模型确实不支持，程序会自动降级，无需干预。

坑2：ReAct Agent 无法正确解析 Action

现象：模型输出不符合预期格式，Agent卡住或循环。

原因：模型能力较弱，不能很好地遵循输出格式指令。

解决方案：尝试更换更强的模型（如qwen2.5:14b、llama3.2）；或使用更精确的提示词模板，在state_modifier中明确要求“必须严格按格式输出”。

坑3：Function Calling Agent 调用工具时参数类型错误

现象：模型生成tool_calls但参数是字符串而非数字。

原因：工具函数的参数类型定义不清晰（如使用了int但docstring未说明）。

解决方案：使用Pydantic模型定义参数，并在工具注解中明确类型。@tool会自动从类型注解生成schema。

@tooldefadd(a:int,b:int)->int:"""相加两个整数"""returna+b

坑4：本地Ollama模型无响应或超时

原因：模型加载慢或硬件不足。

解决方案：减少max_tokens，或使用更小的量化模型（如qwen2.5:7b-q4_0）。

本节核心知识点总结

📌两种内置Agent模式：

• ReAct Agent：基于提示词模板，兼容任何模型，通过解析Action/Action Input文本调用工具。
• Function Calling Agent：利用模型原生的结构化输出，可靠、高效，但要求模型支持function calling。

📌create_react_agent是LangGraph提供的预置Agent构建器，它会根据模型能力自动选择ReAct或Function Calling模式。你只需提供LLM和工具列表，即可快速得到生产级的Agent。

📌核心参数：

• model：聊天模型实例。
• tools：工具列表。
• state_modifier：系统提示词，用于指导Agent行为。
• checkpointer：可选的状态持久化，支持断点续传。

📌适用场景：

• 本地开发、模型受限时使用ReAct模式。
• 生产环境、API模型推荐使用Function Calling模式。

📌与旧版AgentExecutor的对比：新版LangGraph的create_react_agent功能更强大，支持流式、状态持久化、人机交互，是官方推荐的统一接口。

课后练习题

选择题

1. 使用create_react_agent构建Agent时，如果本地模型不支持function calling，会发生什么？
A. 程序报错退出。
B. 自动降级为ReAct模式，通过文本解析调用工具。
C. 忽略工具列表，直接回答问题。
D. 自动下载支持function calling的模型。

答案及解析：B。create_react_agent会检测模型能力，自动选择合适模式。

2. 以下哪项是ReAct Agent相比Function Calling Agent的劣势？
A. 需要更多token。
B. 解析依赖模型输出格式，可靠性较低。
C. 不支持并行工具调用。
D. 以上都是。

答案及解析：D。ReAct模式通常需要更多token（因为要输出Thought），解析不可靠，且不支持并行调用。

3.state_modifier参数的作用是什么？
A. 修改工具列表。
B. 设置系统提示词，指导Agent行为。
C. 定义模型温度。
D. 开启记忆功能。

答案及解析：B。state_modifier作为系统消息注入，影响Agent的决策风格。

简答题

4. 请简述在LangGraph中，create_react_agent比手工编写Agent节点（如第23课）的优势。

参考答案：

• 代码量少：无需手动定义agent_node、tools_node、条件边，减少样板代码。
• 自动模式切换：根据模型能力自动选择ReAct或Function Calling，兼容性强。
• 内置解析器：处理ReAct的文本解析和Function Calling的tool_calls，避免自己写正则。
• 支持检查点：可选checkpointer参数轻松集成状态持久化。
• 流式支持：内置.stream方法，方便调试。

5. 解释为什么在生产环境中更推荐使用Function Calling Agent而非ReAct Agent。

参考答案：Function Calling Agent利用模型原生的结构化输出，避免了文本解析的不确定性和格式错误，可靠性大大提升。此外，它还支持复杂参数类型（嵌套对象、数组）和并行多工具调用，而ReAct通常只能处理简单字符串参数且单步单工具。Function Calling Agent的调试也更容易，因为tool_calls字段是机器可读的JSON。

实践题

6. 扩展本课的Function Calling Agent，添加一个“发送邮件”工具（模拟），要求工具的参数为收件人、主题、正文。然后让Agent发送一封测试邮件。

参考答案：

frompydanticimportBaseModel,FieldclassEmailInput(BaseModel):to:str=Field(description="收件人邮箱")subject:str=Field(description="邮件主题")body:str=Field(description="邮件正文")@tool(args_schema=EmailInput)defsend_email(to:str,subject:str,body:str)->str:"""发送邮件（模拟）"""print(f"[模拟] 发送邮件给{to}:{subject}-{body[:50]}...")returnf"邮件已发送至{to}"tools.append(send_email)# 然后让Agent执行：请发一封主题为 '测试' 的邮件给 admin@example.com，正文为 'Hello Agent'。

通过这个练习，你将体会到Function Calling对复杂参数类型的天然支持。

🔗《30节课 LangChain 从入门到精通》系列课程导航

去订阅

🌟 感谢您耐心阅读到这里！
💡 如果本文对您有所启发欢迎：
👍 点赞📌 收藏 📤 分享给更多需要的伙伴。
🗣️ 期待在评论区看到您的想法, 共同进步。
🔔 关注我，持续获取更多干货内容～
🤗 我们下篇文章见～