如何从头开始创建一个 ReAct 代理（函数式 API）¶

先决条件

本指南假设你熟悉以下内容：

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

ReAct 代理是一种工具调用代理，其操作方式如下：

向聊天模型发出查询；
如果模型未生成工具调用，则返回模型响应。
如果模型生成了工具调用，我们使用可用工具执行这些工具调用，将它们作为工具消息追加到消息列表中，然后重复该过程。

这是一个简单且通用的设置，可以通过添加内存、人工干预功能和其他特性进行扩展。有关示例，请参阅专门的操作指南。

设置¶

首先，让我们安装所需的包并设置 API 密钥：

%%capture --no-stderr
%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 以实现更好的调试

注册 LangSmith 以快速发现问题并提升你的 LangGraph 项目的性能。LangSmith 允许你使用跟踪数据来调试、测试和监控使用 LangGraph 构建的大语言模型应用程序 — 请在文档中了解更多关于如何开始使用的信息。

创建 ReAct 代理¶

既然你已经安装了所需的包并设置了环境变量，我们就可以创建我们的代理了。

定义模型和工具¶

让我们首先定义我们在示例中要使用的工具和模型。在这里，我们将使用一个单一的占位工具，该工具可以获取某个地点的天气描述。

在这个示例中，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。

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]

API Reference: tool

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，我们希望执行这些调用。

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"])

API Reference: ToolMessage

定义入口点¶

我们的入口点将负责协调这两个任务。如上所述，当我们的 call_model 任务生成工具调用时，call_tool 任务将为每个工具调用生成响应。我们将所有消息追加到一个单一的消息列表中。

提示

请注意，由于任务返回类似未来对象，下面的实现会并行执行工具。

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

使用方法¶

要使用我们的代理，我们需要传入一个消息列表来调用它。根据我们的实现，这些消息可以是 LangChain 消息对象，也可以是 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:
==================================[1m Ai Message [0m==================================
Tool Calls:
  get_weather (call_tNnkrjnoz6MNfCHJpwfuEQ0v)
 Call ID: call_tNnkrjnoz6MNfCHJpwfuEQ0v
  Args:
    location: san francisco

call_tool:
=================================[1m Tool Message [0m=================================

It's sunny!

call_model:
==================================[1m Ai Message [0m==================================

The weather in San Francisco is sunny!

完美！该图表正确调用了 get_weather 工具，并在从该工具获取信息后对用户做出了响应。点击此处查看 LangSmith 追踪记录。

添加线程级持久化¶

添加线程级持久化可以让我们的智能体支持对话式交互体验：后续调用将追加到之前的消息列表中，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功能，请按以下步骤操作：

选择一个检查点器：这里我们将使用 MemorySaver，这是一个简单的内存检查点器。
更新我们的入口点，使其接受之前的消息状态作为第二个参数。在这里，我们只需将消息更新追加到之前的消息序列中。
使用 entrypoint.final 选择哪些值将从工作流中返回，哪些值将由检查点器作为 previous 保存（可选）

from langgraph.checkpoint.memory import MemorySaver

checkpointer = MemorySaver()


@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，我们在运行应用程序时需要传入一个配置。该配置将指定对话线程的标识符。

提示

请在我们的概念页面和操作指南中了解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:
==================================[1m Ai Message [0m==================================
Tool Calls:
  get_weather (call_lubbUSdDofmOhFunPEZLBz3g)
 Call ID: call_lubbUSdDofmOhFunPEZLBz3g
  Args:
    location: San Francisco

call_tool:
=================================[1m Tool Message [0m=================================

It's sunny!

call_model:
==================================[1m Ai Message [0m==================================

The weather in San Francisco is sunny!

当我们进行后续对话时，模型会利用先前的上下文来推断我们正在询问天气情况：

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:
==================================[1m Ai Message [0m==================================
Tool Calls:
  get_weather (call_8sTKYAhSIHOdjLD5d6gaswuV)
 Call ID: call_8sTKYAhSIHOdjLD5d6gaswuV
  Args:
    location: Boston, MA

call_tool:
=================================[1m Tool Message [0m=================================

It's rainy!

call_model:
==================================[1m Ai Message [0m==================================

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

在 LangSmith 追踪记录中，我们可以看到每次模型调用都会保留完整的对话上下文。