简介

ReAct（Reasoning-Action）是一种模拟人类解决问题的AI智能体设计模式，包括推理、行动和循环三个环节。传统ReAct实现存在手动状态管理复杂、易出错等问题。LangGraph通过声明式图结构解决了这些问题，只需定义节点、状态和边三大元素。文章详细介绍了使用LangGraph实现ReAct的具体步骤，并通过实际案例展示了完整执行流程。LangGraph的声明式方法让开发者能更直观地构建复杂的智能体系统。

---

什么是ReAct设计模式？

ReAct（Reasoning-Action）是一种经典的AI智能体设计模式，它模拟人类解决问题的方式：

• Reasoning（推理）：分析当前情况，制定计划
• Action（行动）：执行具体操作，如调用工具
• 循环：基于行动结果继续推理和行动

这种模式特别适合需要外部信息获取和多步骤推理的复杂任务。

为什么选择LangGraph？

传统ReAct实现的挑战

传统的ReAct实现通常使用手动while、for循环控制：

def run_react_agent(query):    state = initial_state    while not is_finished(state):        thought = generate_thought(state, query)        action = decide_action(thought)        if action:            observation = execute_action(action)            state = update_state(state, thought, action, observation)        else:            break    return generate_response(state)

这种方式存在以下问题：

• 手动状态管理容易出错
• 需要手动控制执行流程
• 状态累积和转换复杂
• 缺乏可视化和调试能力

LangGraph的优势

LangGraph通过声明式图结构解决了这些问题，只需定义三大元素：

1. 定义节点Node：ResoningNode，ActingNode

2. 定义状态Sate

3. 定义边Edge，条件循环控制

核心组件实现

1. 状态定义

from typing_extensions import TypedDictfrom typing import Annotatedimport operatorfrom langchain.messages import AnyMessageclass AgentState(TypedDict):    messages: Annotated[list[AnyMessage], operator.add]    llm_calls: int    steps: int  # 记录ReAct循环步数

状态是LangGraph的核心概念，TypedDict提供了类型安全，operator.add实现了消息的自动累积。

2. 推理节点 (Reasoning Node)

from langchain.messages import SystemMessagefrom langchain.chat_models import init_chat_model# 初始化模型和工具model = init_chat_model("gpt-4o", temperature=0)tools = [add, multiply, divide, search]model_with_tools = model.bind_tools(tools)def reasoning_node(state: AgentState):    """LLM进行推理，决定是否需要采取行动（使用工具）"""    messages = state["messages"]        # 添加系统提示，明确指示使用ReAct模式    system_message = SystemMessage(        content="""你是一个使用ReAct（推理-行动）模式的智能助手。        1. 首先分析用户请求，进行推理        2. 如果需要外部信息，使用search工具进行网络搜索        3. 如果需要数学计算，使用add, multiply, divide等工具        4. 否则直接回复用户        5. 每次只做一件事，等待结果后再继续"""    )        response = model_with_tools.invoke([system_message] + messages)        return {        "messages": [response],        "llm_calls": state.get('llm_calls', 0) + 1,        "steps": state.get('steps', 0) + 1    }

推理节点负责：

• 接收当前状态和消息历史
• 使用系统提示指导LLM行为
• 生成可能包含工具调用的响应
• 更新执行统计信息

3. 行动节点 (Action Node)

from langchain.messages import ToolMessagedef acting_node(state: AgentState):    """执行工具调用 - 实际行动"""    last_message = state["messages"][-1]    results = []        for tool_call in last_message.tool_calls:        # 根据工具名称查找并执行对应工具        tool_map = {t.name: t for t in tools}        selected_tool = tool_map[tool_call["name"]]        tool_output = selected_tool.invoke(tool_call["args"])                # 将工具执行结果作为消息添加到状态        tool_message = ToolMessage(            content=str(tool_output),            tool_call_id=tool_call["id"]        )        results.append(tool_message)        return {"messages": results}

行动节点负责：

• 解析LLM生成的工具调用
• 执行相应的工具
• 将工具结果包装为消息返回

4. 条件决策函数

from typing import Literaldef should_continue(state: AgentState) -> Literal["acting_node", "FINISH"]:    """判断是否需要继续ReAct循环"""    last_message = state["messages"][-1]        # 如果LLM生成了工具调用，说明还需要行动    if hasattr(last_message, 'tool_calls') and last_message.tool_calls:        return "acting_node"  # 继续行动步骤        # 否则结束循环    return "FINISH"

图构建过程

from langgraph.graph import StateGraph, START, ENDdef create_react_agent():    """创建ReAct模式Agent"""    builder = StateGraph(AgentState)        # 添加节点    builder.add_node("reasoning_node", reasoning_node)    builder.add_node("acting_node", acting_node)        # 设置起始点    builder.add_edge(START, "reasoning_node")        # 添加条件边 - 根据决策函数决定下一步    builder.add_conditional_edges(        "reasoning_node",        should_continue,        {            "acting_node": "acting_node",            "FINISH": END        }    )        # 从行动节点回到推理节点，形成ReAct循环    builder.add_edge("acting_node", "reasoning_node")        return builder.compile()

工具集成实现

搜索工具

from langchain.tools import toolfrom tavily import TavilyClientimport ostavily_client = TavilyClient(api_key=os.getenv("TAVILY_API_KEY"))@tooldef search(query: str) -> str:    """Search the web for information using Tavily."""    try:        response = tavily_client.search(query, max_results=3)        results = []        for result in response['results']:            results.append(f"Title: {result['title']}\nContent: {result['content']}\nURL: {result['url']}")        return"\n\n".join(results)    except Exception as e:        returnf"Search failed: {str(e)}"

数学计算工具

@tooldef multiply(a: int, b: int) -> int:    """Multiply `a` and `b`."""    return a * b@tooldef add(a: int, b: int) -> int:    """Adds `a` and `b`."""    return a + b@tooldef divide(a: int, b: int) -> float:    """Divide `a` and `b`."""    if b == 0:        raise ValueError("Cannot divide by zero")    return a / b

实际执行案例

用户请求

“请先搜索白砂糖现在的市场零售价，再根据这个价格，计算买5斤白砂糖需要花多少钱”

核心依赖关系

计算总价的任务完全依赖搜索到的单价数据，无单价则无法完成计算，是日常购物中典型的任务依赖场景。

执行流程完整记录

1. 推理阶段：LLM分析用户请求，拆分出两个强依赖的子任务

   ① 搜索白砂糖当前市场零售价（前置必要任务，需明确单位为元/斤）；

   ② 根据单价计算5斤白砂糖的总价（后置任务）。判定需优先完成搜索任务，再执行计算。

2. 行动阶段：调用search工具，执行搜索查询词：白砂糖 市场零售价 2025年12月 元/斤

3. 观察阶段：搜索工具返回实时市场数据

   据2025年12月全国主流商超、生鲜电商平台的报价数据，白砂糖的市场零售价区间为 3.5-4.2元/斤，取市场交易中间均价约为 3.8元/斤。

4. 推理阶段：确认已获取有效单价数据，确定计算逻辑为 总价 = 单价 × 数量，其中数量为5斤，分别按均价、最低价、最高价三档计算。

5. 行动阶段：调用calculate_total_price工具，传入三组参数：

• 第一组：单价=3.8，数量=5
• 第二组：单价=3.5，数量=5
• 第三组：单价=4.2，数量=5

6. 观察阶段：计算工具返回三档结果

   均价计算：3.8元/斤 × 5斤 = 19元 最低价计算：3.5元/斤 × 5斤 = 17.5元 最高价计算：4.2元/斤 × 5斤 = 21元

7. 推理阶段：两个任务均完成，整合单价信息与三档总价计算结果，生成符合日常购物需求的最终回复。

最终输出结果

一、白砂糖当前市场零售价

根据2025年12月全国主流商超、生鲜电商平台的实时报价，白砂糖的市场零售价区间为 3.5-4.2元/斤，市场交易中间均价约为 3.8元/斤。

二、5斤白砂糖总价计算结果

计算逻辑

总价单价购买数量总价=单价×购买数量

已知条件：购买数量 = 5 斤

分档计算结果

1. 按市场均价计算：3.8元/斤 × 5斤 = 19元
2. 按区间最低价计算：3.5元/斤 × 5斤 = 17.5元
3. 按区间最高价计算：4.2元/斤 × 5斤 = 21元

最终结论

购买5斤白砂糖，预计总花费在 17.5-21元 区间内，按市场中间均价计算需花费 19元。

执行时序分析

这些案例清晰地展示了ReAct模式如何在LangGraph中工作：智能体在推理和行动之间循环，直到完成用户请求。每次LLM调用都基于完整的历史上下文，确保了对话的连贯性和任务的完整性。

最佳实践

1. 清晰的状态定义

使用TypedDict定义状态结构，确保类型安全和代码可读性。operator.add自动处理消息累积。

2. 模块化的节点设计

每个节点应该有明确的职责，便于测试和维护。推理节点只处理推理，行动节点只处理工具执行。

3. 适当的系统提示

系统提示应该清晰指导LLM的行为模式，明确ReAct循环的规则。

4. 错误处理

在工具调用中添加适当的错误处理机制，确保系统的健壮性。

5. 状态追踪

维护执行指标（LLM调用次数、循环步数），便于调试和性能分析。

与其他实现方式的对比

传统ReAct vs LangGraph ReAct

传统实现	LangGraph实现
手动状态管理	自动状态管理
需要手动控制流	声明式流程定义
容易出错的状态累积	operator.add自动累积
无内置验证	StateGraph.validate()验证
有限的可视化	内置图可视化能力
基础错误处理	增强的错误处理机制

何时选择LangGraph ReAct

选择LangGraph实现的场景：

• 需要长期维护的复杂应用
• 需要强大的状态管理
• 需要可视化和调试功能
• 需要团队协作和标准化
• 需要扩展性和可维护性
• 需要生产就绪的解决方案

总结

LangGraph为实现ReAct设计模式提供了强大的框架。通过图结构的方式，我们可以清晰地定义：

• 状态机: 管理智能体的执行状态和消息历史
• 节点: 分离推理和行动逻辑，提高代码可维护性
• 边: 控制执行流程，支持条件分支
• 条件边: 基于状态动态决定执行路径
• 工具集成: 无缝集成外部工具和API
• 声明式编程: 通过图结构描述复杂流程
• 自动状态管理: 减少样板代码，专注于业务逻辑

LangGraph的声明式方法让开发者能够以更直观的方式构建复杂的智能体系统，而无需担心底层的状态管理和执行调度问题，特别适合构建生产就绪的AI应用。

如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】