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”

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。

二、ReAct框架核心：推理+行动+观察

在这里插入图片描述

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：

2.1 三步循环流程

步骤	核心动作	示例（旅游规划场景）
推理（Reason）	分析当前状态，决定下一步“该做什么”（调用工具/直接回答）	“要推荐活动，得先查北京天气，所以调用get_weather工具”
行动（Act）	执行决策（调用指定工具，传入正确参数）	调用get_weather，输入参数“北京”
观察（Observe）	获取行动结果，更新状态，判断是否需要进入下一轮循环	得到天气“晴，25℃”，接下来需要调用推荐活动工具

2.2 标准格式示例

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

三、create_react_agent方法详解

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。

3.1 基础语法

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

3.2 三大必填参数

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 关键：ReAct Prompt模板

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
"""

四、智能体创建方法对比选型

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：

场景特征	推荐方法	原因说明
需要多步推理（如旅游规划）	create_react_agent	显式思考链，支持分步拆解任务
严格结构化参数传递	create_tool_calling_agent	直接输出JSON参数，解析错误率极低
快速开发简单任务	initialize_agent	开箱即用，无需复杂配置
错误后需要自我修正	create_react_agent	可重新推理，调整行动方案
需调试（看思考过程）	create_react_agent	思考链透明，易定位问题
API集成（如支付、天气）	create_tool_calling_agent	参数格式严格，适配API需求

五、实战：打造旅游规划智能体

在这里插入图片描述

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。

5.1 环境准备

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

5.2 步骤1：定义工具（Tool）

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 ----------------------
@tool
def get_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 ----------------------
@tool
def recommend_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")
def web_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 "\n\n".join([
            f"来源：{res['title']}\n内容：{res['snippet']}" 
            for res in results['organic_results'][:2]
        ])
    except Exception as e:
        return f"搜索失败：{str(e)}"

# 整理工具列表
tools = [get_weather, recommend_activity, web_search]

5.3 步骤2：初始化大模型

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
)

5.4 步骤3：获取ReAct Prompt模板

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")

5.5 步骤4：创建ReAct智能体和执行器

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
)

5.6 步骤5：测试旅游规划任务

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("\n" + "="*80)
print("旅游规划智能体最终回复：")
print(response["output"])

六、运行结果与解读

6.1 完整运行日志（关键部分）

> 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%

6.2 结果解读

在这里插入图片描述

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

七、实战注意事项

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
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
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
官方模板优先用：自己写ReAct格式容易漏项，优先用hub.pull("hwchase17/react")
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”

八、总结

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！

2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

Prompt提示词——提示词的构成要素（理论篇）

2048 AI社区

【全网最全】大模型的分词化Tokenization

2048 AI社区

用 openJiuwen 构建一个历史介绍 AI Agent：从需求到可运行实操

2048 AI社区

所有评论(0)

查看更多评论

工藤学编程

@chandfy

已为社区贡献13条内容

大家好，我是工藤学编程 🦉	一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章😉	C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列🐷	【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表	分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列	深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型	零基础学AI大模型之个人助理智能体之tool_calling_agent实战

零基础学AI大模型之旅游规划智能体之react_agent实战

工藤学编程

前情摘要

本文章目录