Agent概念

Agent = LLM + Planning + Memory + Tool

• Planning: 规划

• Memory：上下文管理

• Tool:大模型自主决定调用哪些工具

reAct范式

分成三部分

reasoning：模型根据当前问题和之前的观察历史，推理下一步该做什么

act：决定调用哪个工具，生成调用该工具所需的参数

observation: 系统执行模型所选的行动（如调用搜索引擎）并将执行结果返回给模型

旅行助手Agent实践

需求

旅行 Agent Demo 功能：

1. 根据城市查询天气（函数1）

2. 根据天气给出旅游方案（函数2）

技术栈

框架：langchain

llm：采用心流网页api模式 qwen2-32b

Agent代码

运行的时候记得修改api-key为自己的，如果没有就去注册个心流

# -*- coding: utf-8 -*-
"""
旅行 Agent Demo
功能：
1. 根据城市查询天气（函数1）
2. 根据天气给出旅游方案（函数2）
使用 LangChain ReAct + 心流 Qwen3-32B
"""

import os
from langchain.agents import AgentExecutor, create_react_agent
from langchain_core.prompts import PromptTemplate
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI

# ======================
# Tools：旅行功能
# ======================

@tool
def query_weather(city: str) -> str:
    """根据城市名查询当前天气"""
    # 这里只是 mock 数据，真实场景可调用天气 API
    weather_map = {
        "北京": "晴",
        "上海": "雨",
        "广州": "多云",
        "深圳": "晴",
        "成都": "阴"
    }
    weather = weather_map.get(city, "未知")
    return f"{city}当前天气：{weather}"

@tool
def travel_plan(weather: str) -> str:
    """根据天气给出旅游方案"""
    plan_map = {
        "晴": "推荐户外徒步、城市骑行、野餐拍照。",
        "多云": "适合逛博物馆、老街、拍照打卡。",
        "阴": "可以去咖啡馆、书店、室内乐园。",
        "雨": "推荐室内景点：科技馆、商场、温泉。"
    }
    return plan_map.get(weather, "暂无对应方案，请自行探索~")

tools = [query_weather, travel_plan]

# ======================
# ReAct Prompt 模板
# ======================
REACT_PROMPT_TEMPLATE = """你是旅行小助手（Travel Assistant）。
根据用户需求，使用工具给出天气与旅游建议。

可用工具：
{tools}

工具名称（用逗号分隔）：
{tool_names}

使用以下格式：

Thought: 思考下一步
Action: 工具名称
Action Input: 工具输入
Observation: 工具返回
...（可重复）

Thought: 已得到最终答案
Final Answer: 返回给用户的完整建议

开始！

Question: {input}
{agent_scratchpad}
"""
# ⚠️⚠️⚠️⚠️注意 {agent_scratchpad}这是 LangChain 自动填充的“思考记录”，记录了之前的 Thought/Action/Observation，让模型能记住上下文。

prompt = PromptTemplate.from_template(REACT_PROMPT_TEMPLATE)

# ======================
# 创建 Agent
# ======================
llm = ChatOpenAI(
    model="qwen3-32b",
    base_url="https://apis.iflow.cn/v1",
    api_key=os.getenv("IFLOW_API_KEY", "sk-xxx"), #改成自己的心流token
    temperature=0,
    verbose=True
)

agent = create_react_agent(llm=llm, tools=tools, prompt=prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    handle_parsing_errors=True
)

# ======================
# 执行测试
# ======================
if __name__ == "__main__":
    print("\n" + "="*50)
    print("🚀 旅行 Agent 启动（使用心流 Qwen3-32B）")
    print("="*50)

    # 测试请求
    request = "我想去北京旅行给出建议"

    result = agent_executor.invoke({"input": request})

    print("\n" + "="*50)
    print("🎉 最终建议:")
    print(result["output"])
    print("="*50)

运行结果

原理

时序图

用户输入
   ↓
LLM 生成第一个 Thought + Action
   ↓
AgentExecutor 解析 Action和ActionInput
   ↓
AgentExecutor 解析在 tools 列表中查找对应工具
   ↓
AgentExecutor 解析调用 tool.invoke(input) 执行函数
   ↓
AgentExecutor 解析拿到 Observation（结果）
   ↓
AgentExecutor 解析拼回 prompt，继续给 LLM
   ↓
循环直到 Final Answer
   ↓
返回最终结果给用户

深入LangChain源码

实现reAct Agent，使用了框架中的create_react_agent和AgentExecutor

agent = create_react_agent(llm=llm, tools=tools, prompt=prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    handle_parsing_errors=True
)

这两个函数分别啥作用？

create_react_agent可以解析LLM输出的参数，组织成Action结构，交给AgentExecutor去执行

可以把AgentExecutor理解为身体，create_react_agent理解成大脑。身体要做啥，需要问大脑，大脑给出答案后身体执行，之后再去问大脑...直到输出最终结果

create_react_agent 到底做了什么？

它创建了一个 遵循 ReAct 范式的 Agent 可运行对象（Runnable）

这个对象的本质是一个 “提示词 + LLM + 输出解析器” 的组合，它的任务是：

接收当前状态（用户问题 + 历史思考），输出下一步的 Thought/Action/Input

我们来看它的内部结构：

agent = create_react_agent(llm=llm, tools=tools, prompt=prompt)

它实际上构建了一个这样的流程：

Input (用户问题 + 历史记录)
   ↓
[ReAct Prompt Template] → 拼成完整提示词
   ↓
LLM（Qwen3）→ 输出文本："Thought: ...\nAction: ...\nAction Input: ..."
   ↓
[ReAct Parser] → 解析出 Action 和 Input（如：query_weather, "北京"）
   ↓
输出一个 { 'actions': [...], 'intermediate_steps': ... } 结构⚠️

关键产出：一个能输出 Action 的 Runnable

这个 agent 对象本身不会去调用工具，它只负责：

• 生成符合 ReAct 格式的文本

• 解析出结构化的 Action 和 Action Input

它就像是一个“战略指挥官”，只下命令：“下一步该查天气了”，但不亲自去查。

---

AgentExecutor 做了什么？

它是“战术执行官” + “流程控制器”。

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

它负责：

功能	说明
循环执行	不断调用 agent，直到得到 Final Answer
执行工具	拿到 agent 输出的 Action，去 tools 列表里找函数并执行
维护状态	把每次的 Thought/Action/Input/Observation 记录下来，传给下一轮
拼接上下文	把历史记录填入 {agent_scratchpad}，让 prompt 保持上下文
错误处理	工具失败、解析失败时如何应对（如重试或提示模型）

总结：框架做了什么

本质上还是把reAct步骤翻译成了Prompt，通过解析LLM输出结果，来得到哪些工具使用以及如何使用

局限性

LLM必须够大够好：否则不能很好理解并返回Action ActionInput，对格式和内容要求高。

耗时长

langchain靠prompt执行reAct，会有幻觉以及返回格式不满足要求情况出现，包装比较深，难以排查