大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



---

---

本文章目录

• 前情摘要
• 零基础学AI大模型之旅游规划智能体之react_agent实战
• 一、为什么需要ReAct智能体？复杂任务的“推理刚需”
• 二、ReAct框架核心：推理+行动+观察
  • 2.1 三步循环流程
  • 2.2 标准格式示例
• 三、create_react_agent方法详解
  • 3.1 基础语法
  • 3.2 三大必填参数
  • 3.3 关键：ReAct Prompt模板
    • 3.3.1 快速使用官方模板
    • 3.3.2 模板核心内容解析
• 四、智能体创建方法对比选型
• 五、实战：打造旅游规划智能体
  • 5.1 环境准备
  • 5.2 步骤1：定义工具（Tool）
  • 5.3 步骤2：初始化大模型
  • 5.4 步骤3：获取ReAct Prompt模板
  • 5.5 步骤4：创建ReAct智能体和执行器
  • 5.6 步骤5：测试旅游规划任务
• 六、运行结果与解读
  • 6.1 完整运行日志（关键部分）
  • 6.2 结果解读
• 七、实战注意事项
• 八、总结

之前学的initialize_agent适合简单任务，create_tool_calling_agent擅长结构化参数传递，但面对需要多步推理的复杂任务（比如旅游规划），它们就显得力不从心：

• 无法清晰拆解任务（比如“查天气→荐活动→查股价”需要分步执行）
• 遇到错误不会自我修正（比如工具调用失败后不知道重试）
• 思考过程不透明（调试时看不到智能体“为什么这么做”）

而基于ReAct框架的create_react_agent，完美解决了这些问题——它让智能体像人一样“边想边做”，通过“推理→行动→观察”的循环，一步步拆解并完成复杂任务，特别适合旅游规划这类需要动态决策的场景。

ReAct（Reasoning + Acting）是一种让智能体具备“思考能力”的设计模式，核心是通过循环迭代完成任务，每一轮都包含三个步骤：

ReAct智能体的思考和行动有固定格式，一眼就能看懂它的“心路历程”：

[Thought] 我需要先查北京的天气，才能推荐活动，还要查腾讯股价 [Action] get_weather [Action Input] 北京 [Observation] 晴，25℃ [Thought] 天气是晴，适合推荐户外活动，现在调用推荐工具 [Action] recommend_activity [Action Input] 晴，25℃ [Observation] 推荐户外活动：公园骑⾏。 [Thought] 还需要查腾讯股价，用web_search工具 [Action] web_search [Action Input] 腾讯最新股价 [Observation] 来源：XX财经... 腾讯股价412港元... [Thought] 所有任务都完成了，可以整理结果 [Final Answer] 北京天气晴25℃，推荐公园骑⾏；腾讯最新股价412港元 

create_react_agent是LangChain专门用于创建ReAct框架智能体的方法，专为复杂推理任务设计。

from langchain.agents import create_react_agent agent = create_react_agent( llm: BaseLanguageModel,# 支持ReAct格式的大模型 tools: Sequence[BaseTool],# 工具列表（需详细文档字符串） prompt: ChatPromptTemplate # 包含ReAct特殊格式的提示模板)-> Runnable # 返回可直接调用的智能体

三个参数缺一不可，重点关注细节要求：

• llm：必须支持ReAct推理格式，比如qwen-plus、gpt-4、llama-3等，旧版模型可能不兼容
• tools：用@tool装饰的工具，每个工具的文档字符串要清晰（智能体靠文档判断“什么时候用”）
• prompt：核心中的核心，必须包含ReAct的固定格式（Thought/Action/Action Input/Observation）

3.3.1 快速使用官方模板

LangChain Hub提供了现成的ReAct模板，直接拉取即可使用：

from langchain import hub # 拉取官方ReAct模板（推荐，无需自己写格式） prompt = hub.pull("hwchase17/react")

3.3.2 模板核心内容解析

官方模板的核心逻辑如下（理解即可，无需修改）：

template =""" Answer the following questions using the following tools: {tools} # 注入工具列表 Use the following format: Question: the input question you must answer # 用户输入问题 Thought: you should always think about what to do # 每次都要写的思考过程 Action: the action to take, should be one of [{tool_names}] # 要调用的工具名（必须在工具列表中） Action Input: the input to the action # 工具的输入参数 Observation: the result of the action # 工具返回的结果 ...（可以重复Thought/Action/Action Input/Observation循环） Thought: I now know the final answer # 完成所有步骤后，表明可以输出最终结果 Final Answer: the final answer to the original input question # 最终回复用户的内容 """

面对三个常用智能体创建方法，该怎么选？记住“场景匹配”原则：

本次实战开发一个能完成“查城市天气→根据天气推荐活动→查实时股价”的旅游规划智能体，全程体验ReAct的“推理+行动”流程。

确保安装所需依赖，拉取官方ReAct模板需要LangChain Hub权限（注册即可）：

pip install -U langchain langchain-openai langchain-community langchain-hub 

创建3个核心工具，文档字符串要详细——ReAct智能体全靠文档判断工具用途：

import os from langchain.tools import tool from langchain_community.utilities import SearchApiAPIWrapper # ———————- 工具1：获取城市天气 ———————-@tooldefget_weather(city:str)->str:“”” 获取指定城市的天气信息，用于旅游活动推荐。 参数：city - 城市名称（如北京、上海、广州） “”“# 模拟天气数据（实际场景可替换为真实天气API） weather_data ={“北京”:“晴，25℃”,“上海”:“雨，20℃”,“广州”:“多云，28℃”,“深圳”:“晴，26℃”}return weather_data.get(city,f”暂不支持查询{city}的天气”)# ———————- 工具2：根据天气推荐活动 ———————-@tooldefrecommend_activity(weather:str)->str:“”” 根据天气信息推荐适合的旅游活动，必须先调用get_weather获取天气。 参数：weather - get_weather工具返回的天气字符串（如“晴，25℃”） “”“if”雨”in weather:return”推荐室内活动：博物馆参观、文创店打卡、特色美食探店”elif”晴”in weather:return”推荐户外活动：公园骑⾏、长城徒步、城市天际线拍照”elif”多云”in weather:return”推荐通用活动：老街漫游、主题乐园游玩、非遗体验”else:return”推荐灵活活动：根据现场天气调整行程”# ———————- 工具3：网页搜索（查实时股价） ———————-# 配置SearchApi密钥（需注册：https://www.searchapi.io/） os.environ[“SEARCHAPI_API_KEY”]=“xxx”@tool(“web_search”)defweb_search(query:str)->str:“”” 获取实时信息、最新事件（如股价、新闻）时使用，输入为搜索关键词。 “”“try: search = SearchApiAPIWrapper() results = search.results(query)# 获取前2条搜索结果return”

”.join([f”来源：{res[‘title’]} 内容：{res[‘snippet’]}“for res in results[‘organic_results’][:2]])except Exception as e:returnf”搜索失败：{str(e)}“# 整理工具列表 tools =[get_weather, recommend_activity, web_search]

使用支持ReAct的大模型（这里用通义千问qwen-plus）：

from langchain_openai import ChatOpenAI llm = ChatOpenAI( model_name=“qwen-plus”, base_url=”https://dashscope.aliyuncs.com/compatible-mode/v1”, api_key=“sk-xxx”,# 替换为自己的密钥 temperature=0.3# 降低随机性，提升推理稳定性)

直接拉取官方模板，避免自己写格式出错：

from langchain import hub # 拉取官方ReAct提示模板（核心：包含Thought/Action等固定格式） prompt = hub.pull(“hwchase17/react”)

用create_react_agent创建智能体，再用AgentExecutor包装（负责运行循环）：

from langchain.agents import AgentExecutor # 创建ReAct智能体 agent = create_react_agent( llm=llm, tools=tools, prompt=prompt )# 创建智能体执行器（控制运行参数） agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True,# 显示思考和行动过程（调试必备） max_iterations=5,# 最大循环次数（防止无限循环） handle_parsing_errors=“请检查输入格式，确保问题清晰”,# 错误处理 return_intermediate_steps=True# 返回中间推理步骤)

让智能体完成“北京3天旅游规划：查天气荐活动+查腾讯股价”的复杂任务：

# 发起用户查询 response = agent_executor.invoke({“input”:“我要去北京玩3天，根据天气推荐活动，顺便查下腾讯最新股价”})# 打印最终结果print(” “+”=“*80)print(“旅游规划智能体最终回复：”)print(response[“output”])

> Entering new AgentExecutor chain… Thought: I need to answer the user’s question which has two parts: recommend activities based on Beijing’s weather and check Tencent’s latest stock price. First, I should get Beijing’s weather using the get_weather tool. Action: get_weather Action Input: 北京 Observation: 晴，25℃ Thought: Now I have Beijing’s weather, which is sunny and 25℃. Next, I should use the recommend_activity tool to suggest suitable activities. Action: recommend_activity Action Input: 晴，25℃ Observation: 推荐户外活动：公园骑⾏、长城徒步、城市天际线拍照 Thought: Now I need to check Tencent’s latest stock price, which requires real-time information, so I should use the web_search tool. Action: web_search Action Input: 腾讯最新股价 Observation: 来源：腾讯控股股价行情-东方财富网 内容：腾讯控股（00700.HK）最新价412.00港元，涨跌幅+1.52%… Thought: I now know the final answer Final Answer: 北京3天旅游规划建议： 1. 天气情况：晴，25℃ 2. 推荐活动：公园骑⾏、长城徒步、城市天际线拍照 3. 腾讯最新股价：腾讯控股（00700.HK）最新价412.00港元，涨跌幅+1.52% 

• 推理清晰：智能体按“查天气→荐活动→查股价”的顺序拆解任务，每一步都有明确的思考过程
• 循环执行：通过3轮“Thought→Action→Observation”循环完成任务，符合ReAct框架
• 透明可调试：verbose模式下能看到完整思考链，出问题时能快速定位是哪一步出错

1. 大模型必须支持ReAct：如果用不支持的模型（如gpt-3.5-turbo-0301），会出现“不会循环推理”的问题，优先选qwen-plus、gpt-4、llama-3-70b等
2. 工具文档要“精准”：智能体靠文档判断工具用途，比如recommend_activity的文档写“必须先调用get_weather”，智能体就会按顺序调用
3. 控制循环次数：设置max_iterations（建议3-5次），防止智能体陷入无限循环
4. 官方模板优先用：自己写ReAct格式容易漏项，优先用hub.pull(“hwchase17/react”)
5. 调试靠verbose：遇到工具调用错误时，打开verbose=True，看智能体的“Thought”就能知道它“为什么这么做”

create_react_agent的核心价值是让智能体具备“边想边做”的推理能力，通过ReAct框架的“推理→行动→观察”循环，完美解决复杂任务的分步拆解问题——这正是旅游规划、复杂问答等场景所需要的。

本次实战我们掌握了：

• ReAct框架的三大核心步骤（推理、行动、观察）
• create_react_agent的参数配置（重点是ReAct Prompt模板）
• 旅游规划智能体的完整开发流程
• 三种智能体创建方法的选型技巧

有任何问题欢迎在评论区留言，喜欢就点赞、关注、收藏吧！