【Python大语言模型系列】如何在LangChain中使用ReAct构建AI Agent（案例+源码）

一、引言

========

当前，在各个大厂纷纷卷LLM的情况下，各自都借助自己的LLM推出了自己的AI Agent，比如字节的Coze，百度的千帆等，还有开源的Dify。你是否想知道其中的原理？是否想过自己如何实现一套AI Agent？当然，借助LangChain就可以。

ReAct（Reasoning and Action）是一个框架，其核心思想，就是通过思维链的方式，引导模型将复杂问题进行拆分，一步一步地进行推理（Reasoning）和行动（Action），同时还引入了观察（Observation）环节，在每次执行（Action）之后，都会先观察（Observation）当前现状，然后再进行下一步的推理（Reason）。

ReAct这个框架，就是要让LLM，进行推理，然后采取行动与外界环境互动。ReAct这个框架，就是要让开发者一步步引导LLM进行推理，然后根据推理的结果，判断采取哪个行动。

利用ReAct机制，LLM可以很好的结合外部环境和行动组件，形成一个完整的AI Agent。接下来我们使用LangChain定义一个ReAct机制的AI Agent。

二、实现过程

==========

2.1 不使用ReAct机制

代码：

# 模型api_key = "sk-xxxx"
api_base = "https://api.xxxx"
model = ChatOpenAI(model="gpt-3.5-turbo",                
   openai_api_key=api_key,                
      openai_api_base=api_base)
# 直接让模型计算数字
ai_msg = model.invoke([HumanMessage(content="你帮我算下，3.941592623412424+4.3434532535353的结果")])print(ai_msg)

结果：

在不使用ReAct机制借助外部工具的情况下，让LLM帮我们计算两个小数相加，则直接出错。

2.2 使用ReAct机制构造出一个Agent

代码：

# 定义工具，要继承自LangChain的BaseTool
class SumNumberTool(BaseTool):   
  name = "数字相加计算工具"   
  description = "当你被要求计算2个数字相加时，使用此工具"
    def _run(self, a, b):       
     return a["title"] + b["title"]
     
# 工具合集tools = [SumNumberTool()]
# 提示词，直接从langchain hub上下载，因为写这个ReAct机制的prompt比较复杂，直接用现成的。
prompt = hub.pull("hwchase17/structured-chat-agent")
# 定义AI Agent
agent = create_structured_chat_agent(    
    llm=model,    
    tools=tools,   
    prompt=prompt
)

# 使用Memory记录上下文
memory = ConversationBufferMemory(  
   memory_key='chat_history',    
   return_messages=True
 )
# 定义AgentExecutor，必须使用AgentExecutor，才能执行代理定义的工具
agent_executor = AgentExecutor.from_agent_and_tools(    
   agent=agent, tools=tools, memory=memory, verbose=True, handle_parsing_errors=True
)

# 测试使用到工具的场景
ai_msg = agent_executor.invoke({"input": "你帮我算下3.941592623412424+4.3434532535353的结果"})
print(ai_msg)

结果：

借助ReAct机制，会让LLM自动使用自定义工具，最终计算正确。

免费电子书籍，带你入门人工智能：

👉[CSDN大礼包🎁：全网最全《大模型入门电子书籍》免费分享（安全链接，放心点击）]()👈

在大模型时代，我们如何有效的去学习大模型？

现如今大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家_。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，下面是我整理好的一套完整的学习路线，希望能够帮助到你们学习AI大模型。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF书籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型各大场景实战案例

结语

【一一AGI大模型学习 所有资源获取处（无偿领取）一一】
所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈