零基础学AI大模型之旅游规划智能体之react_agent实战

前情摘要

1、零基础学AI大模型之读懂AI大模型 2、零基础学AI大模型之从0到1调用大模型API 3、零基础学AI大模型之SpringAI 4、零基础学AI大模型之AI大模型常见概念 5、零基础学AI大模型之大模型私有化部署全指南 6、零基础学AI大模型之AI大模型可视化界面 7、零基础学AI大模型之LangChain 8、零基础学AI大模型之LangChain六大核心模块与大模型IO交互链路 9、零基础学AI大模型之Prompt提示词工程 10、零基础学AI大模型之LangChain-PromptTemplate 11、零基础学AI大模型之ChatModel聊天模型与ChatPromptTemplate实战 12、零基础学AI大模型之LangChain链 13、零基础学AI大模型之Stream流式输出实战 14、零基础学AI大模型之LangChain Output Parser 15、零基础学AI大模型之解析器PydanticOutputParser 16、零基础学AI大模型之大模型的“幻觉” 17、零基础学AI大模型之RAG技术 18、零基础学AI大模型之RAG系统链路解析与Document Loaders多案例实战 19、零基础学AI大模型之LangChain PyPDFLoader实战与PDF图片提取全解析 20、零基础学AI大模型之LangChain WebBaseLoader与Docx2txtLoader实战 21、零基础学AI大模型之RAG系统链路构建：文档切割转换全解析 22、零基础学AI大模型之LangChain 文本分割器实战：CharacterTextSplitter 与 RecursiveCharacterTextSplitter 全解析 23、零基础学AI大模型之Embedding与LLM大模型对比全解析 24、零基础学AI大模型之LangChain Embedding框架全解析 25、零基础学AI大模型之嵌入模型性能优化 26、零基础学AI大模型之向量数据库介绍与技术选型思考 27、零基础学AI大模型之Milvus向量数据库全解析 28、零基础学AI大模型之Milvus核心：分区-分片-段结构全解+最佳实践 29、零基础学AI大模型之Milvus部署架构选型+Linux实战：Docker一键部署+WebUI使用 30、零基础学AI大模型之Milvus实战：Attu可视化安装+Python整合全案例 31、零基础学AI大模型之Milvus索引实战 32、零基础学AI大模型之Milvus DML实战 33、零基础学AI大模型之Milvus向量Search查询综合案例实战 33、零基础学AI大模型之新版LangChain向量数据库VectorStore设计全解析 34、零基础学AI大模型之相似度Search与MMR最大边界相关搜索实战 35、零基础学AI大模型之LangChain整合Milvus：新增与删除数据实战 36、零基础学AI大模型之LangChain+Milvus实战：相似性搜索与MMR多样化检索全解析 37、零基础学AI大模型之LangChain Retriever 38、零基础学AI大模型之MultiQueryRetriever多查询检索全解析 39、零基础学AI大模型之LangChain核心：Runnable接口底层实现 40、零基础学AI大模型之RunnablePassthrough 41、零基础学AI大模型之RunnableParallel 42、零基础学AI大模型之RunnableLambda 43、零基础学AI大模型之RunnableBranch 44、零基础学AI大模型之Agent智能体 45、零基础学AI大模型之LangChain Tool工具 46、零基础学AI大模型之LLM绑定Tool工具实战 47、零基础学AI大模型之LangChain Tool异常处理 48、零基础学AI大模型之CoT思维链和ReAct推理行动 49、零基础学AI大模型之Zero-Shot和Few-Shot 50、零基础学AI大模型之LangChain智能体执行引擎AgentExecutor 51、零基础学AI大模型之个人助理智能体之tool_calling_agent实战

本文章目录

• • 前情摘要
• 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”
• 二、ReAct框架核心：推理+行动+观察
• • 2.1 三步循环流程
  • 2.2 标准格式示例
• 三、create_react_agent方法详解
• • 3.1 基础语法
  • 3.2 三大必填参数
  • 3.3 关键：ReAct Prompt模板
  • • 3.3.1 快速使用官方模板
    • 3.3.2 模板核心内容解析
• 四、智能体创建方法对比选型
• 五、实战：打造旅游规划智能体
• • 5.1 环境准备
  • 5.2 步骤1：定义工具（Tool）
  • 5.3 步骤2：初始化大模型
  • 5.4 步骤3：获取ReAct Prompt模板
  • 5.5 步骤4：创建ReAct智能体和执行器
  • 5.6 步骤5：测试旅游规划任务
• 六、运行结果与解读
• • 6.1 完整运行日志（关键部分）
  • 6.2 结果解读
• 七、实战注意事项
• 八、总结

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

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

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：

五、实战：打造旅游规划智能体

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

• 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

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！