如何从零开始创建一个 ReAct 智能体（函数式 API）¶

先决条件

本指南假定您熟悉以下内容

本指南演示了如何使用 LangGraph 函数式 API 实现一个 ReAct 智能体。

ReAct 智能体是一种工具调用智能体，其操作方式如下：

向聊天模型发出查询；
如果模型没有生成任何工具调用，我们返回模型响应。
如果模型生成了工具调用，我们使用可用工具执行这些调用，并将它们作为工具消息附加到我们的消息列表中，然后重复此过程。

这是一个简单而通用的设置，可以通过添加记忆、人机交互能力和其他功能进行扩展。请参阅专门的操作指南中的示例。

设置¶

首先，让我们安装所需的包并设置我们的 API 密钥

pip install -U langgraph langchain-openai

import getpass
import os


def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")


_set_env("OPENAI_API_KEY")

设置 LangSmith 以便更好地调试

注册 LangSmith，以便快速发现问题并提高您的 LangGraph 项目的性能。LangSmith 允许您使用跟踪数据来调试、测试和监控您用 LangGraph 构建的 LLM 应用——请在文档中阅读更多关于如何入门的信息。

创建 ReAct 智能体¶

现在您已经安装了所需的包并设置了环境变量，我们可以创建我们的智能体了。

定义模型和工具¶

让我们首先定义我们将用于示例的工具和模型。在这里，我们将使用一个单一的占位符工具，用于获取某个地点的天气描述。

本例中我们将使用一个 OpenAI 聊天模型，但任何支持工具调用的模型都可以。

^{API 参考： ChatOpenAI | tool}

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool

model = ChatOpenAI(model="gpt-4o-mini")


@tool
def get_weather(location: str):
    """Call to get the weather from a specific location."""
    # This is a placeholder for the actual implementation
    if any([city in location.lower() for city in ["sf", "san francisco"]]):
        return "It's sunny!"
    elif "boston" in location.lower():
        return "It's rainy!"
    else:
        return f"I am not sure what the weather is in {location}"


tools = [get_weather]

定义任务¶

接下来，我们定义将要执行的任务。这里有两个不同的任务：

调用模型：我们希望使用消息列表查询我们的聊天模型。
调用工具：如果我们的模型生成了工具调用，我们希望执行它们。

^{API 参考： ToolMessage | entrypoint | task}

from langchain_core.messages import ToolMessage
from langgraph.func import entrypoint, task

tools_by_name = {tool.name: tool for tool in tools}


@task
def call_model(messages):
    """Call model with a sequence of messages."""
    response = model.bind_tools(tools).invoke(messages)
    return response


@task
def call_tool(tool_call):
    tool = tools_by_name[tool_call["name"]]
    observation = tool.invoke(tool_call["args"])
    return ToolMessage(content=observation, tool_call_id=tool_call["id"])

定义入口点¶

我们的入口点将处理这两个任务的编排。如上所述，当我们的 call_model 任务生成工具调用时，call_tool 任务将为每个调用生成响应。我们将所有消息附加到一个单一的消息列表中。

提示

请注意，因为任务返回的是类似 future 的对象，所以下面的实现会并行执行工具。

^{API 参考：add_messages}

from langgraph.graph.message import add_messages


@entrypoint()
def agent(messages):
    llm_response = call_model(messages).result()
    while True:
        if not llm_response.tool_calls:
            break

        # Execute tools
        tool_result_futures = [
            call_tool(tool_call) for tool_call in llm_response.tool_calls
        ]
        tool_results = [fut.result() for fut in tool_result_futures]

        # Append to message list
        messages = add_messages(messages, [llm_response, *tool_results])

        # Call model again
        llm_response = call_model(messages).result()

    return llm_response

用法¶

要使用我们的智能体，我们用一个消息列表来调用它。根据我们的实现，这些可以是 LangChain 的消息对象或 OpenAI 风格的字典：

user_message = {"role": "user", "content": "What's the weather in san francisco?"}
print(user_message)

for step in agent.stream([user_message]):
    for task_name, message in step.items():
        if task_name == "agent":
            continue  # Just print task updates
        print(f"\n{task_name}:")
        message.pretty_print()

{'role': 'user', 'content': "What's the weather in san francisco?"}

call_model:
================================== Ai Message ==================================
Tool Calls:
  get_weather (call_tNnkrjnoz6MNfCHJpwfuEQ0v)
 Call ID: call_tNnkrjnoz6MNfCHJpwfuEQ0v
  Args:
    location: san francisco

call_tool:
================================= Tool Message =================================

It's sunny!

call_model:
================================== Ai Message ==================================

The weather in San Francisco is sunny!

完美！图正确地调用了 get_weather 工具，并在从工具接收到信息后响应用户。请在此处查看 LangSmith 跟踪记录。

添加线程级持久化¶

添加线程级持久化使我们能够支持与智能体的对话体验：后续的调用将附加到先前的消息列表中，从而保留完整的对话上下文。

要为我们的智能体添加线程级持久化：

选择一个检查点：这里我们将使用 InMemorySaver，一个简单的内存检查点。
更新我们的入口点，使其接受先前的消息状态作为第二个参数。在这里，我们简单地将消息更新附加到先前的消息序列中。
使用 entrypoint.final 选择哪些值将从工作流中返回，哪些值将由检查点保存为 previous（可选）。

^{API 参考： InMemorySaver}

from langgraph.checkpoint.memory import InMemorySaver

checkpointer = InMemorySaver()


@entrypoint(checkpointer=checkpointer)
def agent(messages, previous):
    if previous is not None:
        messages = add_messages(previous, messages)

    llm_response = call_model(messages).result()
    while True:
        if not llm_response.tool_calls:
            break

        # Execute tools
        tool_result_futures = [
            call_tool(tool_call) for tool_call in llm_response.tool_calls
        ]
        tool_results = [fut.result() for fut in tool_result_futures]

        # Append to message list
        messages = add_messages(messages, [llm_response, *tool_results])

        # Call model again
        llm_response = call_model(messages).result()

    # Generate final response
    messages = add_messages(messages, llm_response)
    return entrypoint.final(value=llm_response, save=messages)

现在运行我们的应用程序时，我们需要传入一个配置。该配置将为对话线程指定一个标识符。

提示

在我们的概念页面和操作指南中阅读更多关于线程级持久化的信息。

config = {"configurable": {"thread_id": "1"}}

我们像之前一样启动一个线程，这次传入配置：

user_message = {"role": "user", "content": "What's the weather in san francisco?"}
print(user_message)

for step in agent.stream([user_message], config):
    for task_name, message in step.items():
        if task_name == "agent":
            continue  # Just print task updates
        print(f"\n{task_name}:")
        message.pretty_print()

{'role': 'user', 'content': "What's the weather in san francisco?"}

call_model:
================================== Ai Message ==================================
Tool Calls:
  get_weather (call_lubbUSdDofmOhFunPEZLBz3g)
 Call ID: call_lubbUSdDofmOhFunPEZLBz3g
  Args:
    location: San Francisco

call_tool:
================================= Tool Message =================================

It's sunny!

call_model:
================================== Ai Message ==================================

The weather in San Francisco is sunny!

当我们提出一个后续问题时，模型会使用先前的上下文来推断我们正在询问天气：

user_message = {"role": "user", "content": "How does it compare to Boston, MA?"}
print(user_message)

for step in agent.stream([user_message], config):
    for task_name, message in step.items():
        if task_name == "agent":
            continue  # Just print task updates
        print(f"\n{task_name}:")
        message.pretty_print()

{'role': 'user', 'content': 'How does it compare to Boston, MA?'}

call_model:
================================== Ai Message ==================================
Tool Calls:
  get_weather (call_8sTKYAhSIHOdjLD5d6gaswuV)
 Call ID: call_8sTKYAhSIHOdjLD5d6gaswuV
  Args:
    location: Boston, MA

call_tool:
================================= Tool Message =================================

It's rainy!

call_model:
================================== Ai Message ==================================

Compared to San Francisco, which is sunny, Boston, MA is experiencing rainy weather.

在 LangSmith 跟踪记录中，我们可以看到完整的对话上下文在每次模型调用中都得到了保留。