LangChain 实战第12课：业务很复杂，如何让AI真的“懂”业务，自动思考并多次调用“工具”？

今天我们来讲React，ReAct = Reasoning + Acting（推理 + 行动）。
为什么我们需要React呢？先来回顾上节课的坑。

在上一课里，我们用 Tools Agent 让 AI 可以调用工具，比如生成密码、做 Base64 编解码。

但 Tools Agent 有个明显限制：只能调用一次工具，或者我们提前写死调用顺序。

一旦任务需要多步，比如“生成密码再编码”，AI 就没法自己完成。

ReAct 就能够很好地解决这个问题。
它的特点是：

• • AI 会先思考（我要解决什么问题？需要用哪个工具？）
• • 再行动（调用某个工具）
• • 再思考（结果够了吗？还要不要继续？）
• • 最终给出答案

最大的区别在于：

• • Tools Agent：只会调用一次工具
• • ReAct Agent：可以调用多次工具，直到完成目标

LangChain 如何实现 ReAct？

在 LangChain 里，用 AgentExecutor 加上 AgentType.ZERO_SHOT_REACT_DESCRIPTION 就能启用 ReAct。

核心就是它的 prompt 模板，分三部分：
prefix：开场白，告诉 AI 它是一个会思考和调用工具的助手。
你是一个会思考和行动的助手，可以灵活选择工具来帮用户解决问题。
suffix：结尾模板，必须包含两个占位符：

• • {input} —— 用户输入
• • {agent_scratchpad} —— AI 的“草稿本”，记录思考/行动/观察过程

      例如：
      开始思考！记住要使用中文回答。  问题: {input}思考: {agent_scratchpad}

format_instructions：格式说明，LangChain 自动生成（不用手写）。
!!!注意：

• • {input} 和 {agent_scratchpad} 是固定的，不能删。

老规矩，下面我们上代码，当你看完完整的代码和效果之后，就知道是怎么回事了。
新建文件12_react_call_tools.py

            
            
            
            import os
import random
import base64
from dotenv import load_dotenv

from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, AgentType
from langchain.tools import tool

load_dotenv()

# 初始化 LLM
llm = ChatOpenAI(
    model="deepseek-chat",
    base_url=os.getenv("DEEPSEEK_BASE_URL", "https://api.deepseek.com/v1"),
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    temperature=0
)

# 工具1：密码生成器（沿用11课）
@tool
def generate_password(level: str) -> str:
    """根据复杂度生成密码，复杂度可选：low / medium / high"""
    chars = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789"
    special = "!@#$%^&*()_+-=[]{}|;:,.<>?"
    length = {"low": 6, "medium": 10, "high": 16}.get(level, 8)
    pool = chars + special if level == "high" else chars
    return "".join(random.choice(pool) for _ in range(length))

# 工具2：Base64 编码（沿用11课）
@tool
def base64_encode(text: str) -> str:
    """将输入字符串进行 Base64 编码"""
    return base64.b64encode(text.encode()).decode()

# 工具3：Base64 解码（沿用11课）
@tool
def base64_decode(text: str) -> str:
    """将 Base64 字符串解码为原始字符串"""
    return base64.b64decode(text.encode()).decode()

tools = [generate_password, base64_encode, base64_decode]

# 使用 initialize_agent 创建 ReAct Agent
agent_executor = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    handle_parsing_errors=True,
    agent_kwargs={
        "prefix": """You are a helpful assistant that can use tools to solve problems. Always respond in Chinese.

Use the following format strictly:

Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take (generate_password, base64_encode, or base64_decode)
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question in Chinese

IMPORTANT: Always end with "Final Answer:" followed by your response. Never add extra text after giving the final answer.""",
        "suffix": "Begin!\n\nQuestion: {input}\nThought: {agent_scratchpad}"
    }
)

print("=== ReAct 密码助手（思考 + 行动）===\n")

while True:
    user_input = input("你：")
    if user_input.lower() in ["quit", "exit", "退出"]:
        print("退出。")
        break
    result = agent_executor.invoke({"input": user_input})
    print("AI：", result["output"], "\n")

正常运行后，结果如下：

这里有个挺坑的地方，就是提示词里面的格式得写对，不然就会导致格式错误一直在思考循环。

ReAct提示词结构分析

固定的核心结构（不能改）

            
            
            
            "prefix": """[角色定义] + [格式规范]""","suffix": "Begin!\n\nQuestion: {input}\nThought: {agent_scratchpad}"

suffix部分是固定的，包含：

• • {input} - 用户输入的占位符
• • {agent_scratchpad} - Agent思考过程的占位符
• • Begin! 和 Question: 是ReAct框架的标准开始格式

可以修改的部分

A. 角色定义部分（完全可自定义）

            
            
            
            "You are a helpful assistant that can use tools to solve problems. Always respond in Chinese."

可以改为：

• • "You are a professional data analyst..."
• • "You are a coding expert..."
• • "You are a customer service representative..."

B. 工具名称列表（必须与实际工具匹配）

            
            
            
            "Action: the action to take (generate_password, base64_encode, or base64_decode)"

这里的工具名称必须与你定义的工具函数名完全一致。

C. 语言要求（可选）

            
            
            
            "Always respond in Chinese""Final Answer: the final answer to the original input question in Chinese"