reAct机制详解
- reAct是什么
- reAct的关键要素
- reAct的思维过程
- reAct的代码实现
- 查看效果
- 引入依赖，定义模型
- 定义相关工具
- 集合工具创建代理
- 启动测试
- 完整代码
- 思考
reAct是什么
reAct的核心思想是将**推理（Reasoning）和行动（Acting）**结合起来。具体来说，reAct 赋予了 AI agent 思维链Cot的思考能力和使用工具Action的能力。对于一个复杂问题agent首先利用其强大的推理能力对环境进行分析和理解，识别出需要解决的问题和可用的资源。然后，它根据推理结果制定行动计划，并选择合适的工具或方法来执行计划。最后达到像人一样分析和使用工具最后解决问题的效果。
reAct的关键要素
- 强大的推理能力
- 丰富的工具库
- 灵活的行动策略
- 持续的反馈机制
reAct的思维过程
举个例子比如问模型一个问题羊村旁边的地方是什么？它的面积加上它的面积是多少？，正常模型肯定回答不了，可是添加上reAct他就被赋予了思考和使用工具获取信息的能力，分析过程大概如下：
分析1：我需要先搜索羊村旁边的地方，然后获取该地方的面积，最后计算面积的总和，首先我得先知道羊村旁边是什么地方行动1：调用地点搜索工具分析2：获取到的地点是狼堡，我需要搜索狼堡的面积，然后计算面积的总和行动2：调用地点面积搜索工具分析3：获取到面积是500，我已经获取了狼堡的面积，现在需要计算面积的总和。行动3：调用数字相加计算工具（如果数字比较复杂可能需要专业的数学工具计算）分析4：计算出结果是1000行动4：进行最终答复：羊村旁边的地方是狼堡，狼堡的面积是500，加上它的面积是1000。
就这样模型通过reAct完成了一整个复杂问题的拆解和逐步解决。我们可以通过代码来实现并查看一整个过程
reAct的代码实现
我们用langChain搭配deepseek模型去实现reAct的一整个过程，我们先来看看最终结果。
查看效果
可以看到利用reAct机制LLM确实跟我们预想的一样完成了推理和使用工具。下面我们来看实现。
引入依赖，定义模型
注意key换成deepseek的key
python">from langchain import hub
from langchain.agents import create_structured_chat_agent, AgentExecutor
from langchain.memory import ConversationBufferMemory
from langchain.tools import BaseTool
from langchain_openai import ChatOpenAImodel = ChatOpenAI(model='deepseek-chat', openai_api_key='xxx',openai_api_base='https://api.deepseek.com',max_tokens=4096
)
定义相关工具
python"># 定义数字计算工具
class SumNumber_tool(BaseTool):name = "数字相加计算工具"description = "当你被要求计算数字相加时，使用此工具"def _run(self, a, b):return a + b # 直接返回两个数的和# 模拟地点搜索工具（实际使用可以调用内置的google-serper）
class PlaceSearch_tool(BaseTool):name= "地点搜索工具"description = "当你需要搜索地点时，使用这个工具"def _run(self, query):return "狼堡"# 创建地点面积搜索工具
class AreaSearch_tool(BaseTool):name= "地点面积搜索工具"description = "当你需要搜索地点面积时，使用这个工具"def _run(self, query):return 500
集合工具创建代理
python"># 工具集合
tools = [SumNumber_tool(), PlaceSearch_tool(), AreaSearch_tool()]
# 提示词，langchain hub内置提示词，之后文章会再做详细分析
prompt = hub.pull("hwchase17/structured-chat-agent")
# 定义AI Agent
agent = create_structured_chat_agent(llm=model,tools=tools,prompt=prompt
)
# 记录上下文
memory = ConversationBufferMemory(memory_key='chat_history',return_messages=True
)
# 创建一个代理执行器
agent_executor = AgentExecutor.from_agent_and_tools(agent=agent, tools=tools, memory=memory, verbose=True, handle_parsing_errors=True
)
启动测试
python"># 测试场景
agent_executor.invoke({"input": "羊村旁边的地方是什么？它的面积加上它的面积是多少？"})
完整代码
python">from langchain import hub
from langchain.agents import create_structured_chat_agent, AgentExecutor
from langchain.memory import ConversationBufferMemory
from langchain.tools import BaseTool
from langchain_openai import ChatOpenAI# 模型
model = ChatOpenAI(model='deepseek-chat', openai_api_key='xxx',openai_api_base='https://api.deepseek.com',max_tokens=4096
)# 定义数字计算工具
class SumNumber_tool(BaseTool):name = "数字相加计算工具"description = "当你被要求计算数字相加时，使用此工具"def _run(self, a, b):return a + b # 直接返回两个数的和# 模拟地点搜索工具（实际使用可以调用内置的google-serper）
class PlaceSearch_tool(BaseTool):name= "地点搜索工具"description = "当你需要搜索地点时，使用这个工具"def _run(self, query):return "狼堡"# 创建地点面积搜索工具
class AreaSearch_tool(BaseTool):name= "地点面积搜索工具"description = "当你需要搜索地点面积时，使用这个工具"def _run(self, query):return 500# 工具集合
tools = [SumNumber_tool(), PlaceSearch_tool(), AreaSearch_tool()]
# 提示词，langchain hub内置提示词，之后文章会再做详细分析
prompt = hub.pull("hwchase17/structured-chat-agent")
# 定义AI Agent
agent = create_structured_chat_agent(llm=model,tools=tools,prompt=prompt
)
# 记录上下文
memory = ConversationBufferMemory(memory_key='chat_history',return_messages=True
)
# 创建一个代理执行器
agent_executor = AgentExecutor.from_agent_and_tools(agent=agent, tools=tools, memory=memory, verbose=True, handle_parsing_errors=True
)# 测试场景
agent_executor.invoke({"input": "羊村旁边的地方是什么？它的面积加上它的面积是多少？"})
思考
reAct是AI agent很重要的一个概念，它赋予了agent能够逐步推理和执行任务的能力。通过将复杂的任务分解为一系列简单的步骤，并通过使用工具去解决问题，让agent能够更高效地解决问题，最终让agent像人一样能够处理复杂问题。
