Agent系列之LangChain中ReAct的实现原理浅析

上一篇我们拆解了ReAct论文的主要内容，了解了以Thought → Action → Observation为主要内容的框架。那么在实际场景中如何使用呢，主要原理是什么，让我们看看在LangChain中ReAct的实现，通过分析代码简单解读下。 

上代码

参考Sam Witteveen 的分享，YT_Exploring_ReAct_on_Langchain，通过LangChain框架创建ReAct的Agent，导入OpenAI和Wiki模块，实现与Wikipedia文档库进行交互，并利用OpenAI的文本生成功能。

看一下执行的情况：

输入的问题是：美国总统多大年纪。

结合问题使用ReAct框架按照Thought、Action、Observation 进行分析处理。

1. Thought（对问题进行思考规划）：搜索美国总统，查找他的年龄然后结束。

2. Action（执行）:调用工具搜索美国总统。

3. Observation（获得执行结果）:美国总统介绍的检索结果，内容太多不过多描述了。

4. Thought：针对执行结果思考当前内容和最初问题目标是否匹配，以便于下一步规划。可以看出当前内容已经可以得到答案，所以决定输出。

5. Action（执行）:输出最终结果。

看看Prompt如何

从上图，我们可以看出按照Question→Thought→Action→Observation(T→A→O可能循环执行n次)→Thought→Action结构，制定了一些内容示例（共6个）作为prompt内容输入给了LLM，以便于LLM能够了解学习并按照此方式进行问题的分析处理。那么执行过程如何，我们接着往下拆解。

实现步骤解析

那么实际执行过程如何，继续上代码：

-----这段Observation太长，截断了(后续prompt场景也同样处理)-----

可以看出针对问题经历了三轮Thought→Action→Observation循环然后输出了问题的结果，那么基于langchain是如何实现的呢，我们继续往下看（代码太长我们分段解析）：

首先根据输入的问题开启了chain，将预设的6个问题作为小样本提示与输入的问题一并喂给了LLM，LLM认真思考并制定了规划输出了Thought与Action，chain 得到了Thought与Action后结束。

chain结束后调用了tool工具针对关键内容信息进行了检索并获得结果后，开启了一个新的chain,将问题作为input，所有与这个问题相关的Thought、Action、Observation作为agent scrathpad进行输入；LLM依旧是将小样本提示内容+agent scrathpad 内容作为prompt作为输入，思考并输出。由于问题目前没有得到解决，需要再次执行Thought→Action→Observation的循环，chain收到LLM的输出后再次调用tool工具执行任务（信息检索）。

tool工具执行完成后，同样将结果通过chain传给了LLM，LLM判定可以获得符合条件的结果，chain关闭并输出了最终的问题结果。

看起来有点绕，我们简化并总结下流程：

读一次可能不太容易搞懂，可以尝试多读几次，你会发现整个流程并不繁琐。

---

关于我：AI产品经理（目前在寻找新机会），主要关注AI Agent 应用。公众号：AI奋进者。如有好的想法欢迎一起沟通交流。

Agent系列文章已经逐步更新：

Agent 系列之 ReWOO框架解析https://blog.csdn.net/letsgogo7/article/details/138259507

Agent系列之 Plan-and-Solve Prompting 论文解析https://blog.csdn.net/letsgogo7/article/details/138259154

Agent系列之LangChain中ReAct的实现原理浅析https://blog.csdn.net/letsgogo7/article/details/138197137

Agent系列之ReAct: Reasoning and Acting in LLM 论文解析https://blog.csdn.net/letsgogo7/article/details/138259590Agent 系列之 LLM Compiler框架解析https://blog.csdn.net/letsgogo7/article/details/138284351