你好，ReAct特工！——LangGraph的create_react_agent终极生存手册

你好，ReAct特工！------LangGraph的create_react_agent终极生存手册

想用10行代码造一个会自己"思考"何时调用工具、何时直接回答的AI特工？恭喜你，找到了LangGraph里的那把"瑞士军刀"。

在AI智能体的世界里，ReAct（Reasoning + Acting）模式 就像给你的语言模型装上了一颗"决策大脑"。它不再只是机械应答，而是学会了先琢磨再行动 ：这个问题我能答吗？还是要查个工具？而LangGraph的create_react_agent，就是让你三行代码召唤这种"思考型特工"的秘密武器。

---

一、初识庐山真面目：什么是create_react_agent？

想象你有个超级助理。你问"旧金山天气如何？"，它不会直接瞎猜，而是：

1. 推理（Reason）：用户要天气 → 我得查实时数据
2. 行动（Act）：调用天气查询工具
3. 再推理：拿到结果后组织语言回复

这就是create_react_agent干的活！它把语言模型（LLM）和工具（Tools）打包成一个能自主决策的智能体（Agent），核心三件套：

• 大脑：LLM（如Claude、GPT）
• 双手：工具集（搜索、计算、API等）
• 决策流程图：内置ReAct状态机（自动生成！）

对比原生LangChain，LangGraph的Agent最大优势是支持循环决策。简单任务？一条链走到底没问题。复杂任务（如需要反复验证数据）？图结构让它能"绕回去"重试，如同人类思考。

---

二、极速上手：5分钟打造你的第一个Agent

环境准备

# 安装必备库（确保Python≥3.9）
pip install langgraph langchain-anthropic

代码实战：天气查询小助手

from langchain_anthropic import ChatAnthropic
from langgraph.prebuilt import create_react_agent  # 注意新版可能直接导入langgraph

# 1. 定义工具 - 模拟天气查询API
def search_weather(query: str) -> str:
    """查询指定城市天气的利器，输入应为城市名"""
    if "旧金山" in query or "san francisco" in query:
        return "旧金山：15°C，多云，微风"
    elif "北京" in query:
        return "北京：28°C，晴，紫外线强"
    return "天气数据暂缺，建议查询纽约、东京等城市"

# 2. 配置模型和工具
tools = [search_weather]
model = ChatAnthropic(model="claude-3-haiku-20240307")  # 速度快又便宜

# 3. 创建Agent！魔法发生在此刻
agent = create_react_agent(model, tools)

# 4. 提问！
response = agent.invoke(
    {"messages": [{"role": "user", "content": "旧金山和金门大桥的天气如何？"}]}
)
print(response["messages"][-1]["content"])

输出示例：

正在思考：用户询问旧金山天气，我需要调用天气工具。
工具调用：search_weather("旧金山")
旧金山：15°C，多云，微风。金门大桥区域可能有薄雾。

---

三、解剖麻雀：ReAct Agent如何运转？

你以为create_react_agent是黑盒？其实内部悄悄建了个微型决策工厂：

graph LR
    A[Agent节点] -->|生成工具调用| B[Tool节点]
    B --> C{是否继续？}
    C -->|需要新决策| A
    C -->|结束| D[输出结果]

1. 状态（State） ：核心是messages列表，记录用户输入、AI回复、工具结果
2. Agent节点：LLM分析当前状态，决定回复内容或调用工具
3. Tool节点：执行工具并返回结果（如调用API、查数据库）
4. 循环条件：若有工具调用结果，返回Agent重新决策；否则结束

关键内存结构示例：

{
  "messages": [
    {"role": "user", "content": "旧金山天气？"},
    {"role": "assistant", "tool_calls": [{"name": "search_weather", "args": {"query": "旧金山"}}]},
    {"role": "tool", "content": "旧金山：15°C，多云", "tool_call_id": "call_123"}
  ]
}

---

四、避坑指南：血泪换来的经验

坑1：配置神秘消失

现象 ：设置好的model_name调用后失效，报400错误
原因 ：工具绑定（cast）操作覆盖了配置
解决方案 ：用init_chat_model初始化模型

from langchain.chat_models import init_chat_model

llm = init_chat_model("anthropic:claude-3-sonnet", configurable_fields=("model",))
agent = create_react_agent(llm, tools)

坑2：系统提示语失效

现象 ：设了"请用德语回答"，但输出仍是英文
原因 ：response_format场景下提示未正确传递
解决方案：使用元组传参

# 错误写法
agent = create_react_agent(llm, tools, prompt="用德语回答")

# 正确写法
agent = create_react_agent(llm, tools, response_format=("用德语回答", JsonOutput))

坑3：导包地狱

报错 ：ImportError: cannot import name 'create_react_agent'
原因 ：LangGraph版本调整了导包路径
解决方案：直接主包导入

# 旧版（<0.1.0）
from langgraph.prebuilt import create_react_agent  

# 新版（≥0.1.0）
from langgraph import create_react_agent  # 官方推荐！

---

五、高手进阶：打造企业级Agent

场景1：带记忆的对话代理

from langchain.memory import ConversationBufferMemory

# 添加记忆组件
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
llm = ChatOpenAI(model="gpt-4-turbo")

# 创建Agent时注入记忆
agent = create_react_agent(
    llm,
    tools,
    state_modifier=memory.load_memory_variables  # 关键！
)

# 调用时自动携带历史
response = agent.invoke(
    {"input": "这比上次查询温度高吗？", "chat_history": [...]}
)

场景2：人工审核拦截

让Agent在敏感操作前暂停等待审批：

agent = create_react_agent(
    llm,
    [user_data_update_tool],
    interrupt_before=["update_user_data"]  # 更新前暂停
)

# 调用时检测到中断信号
if response.get("interrupt") == "update_user_data":
    if admin_approve(request):
        agent.resume(response["state"])

---

六、面试直通车：高频考点解析

1. Q：ReAct模式中，Reasoning和Acting如何协作？

   A：Reasoning生成思考步骤（如"需要查天气"），Acting转化为工具调用（如调用search_weather）。两者循环直至问题解决。

2. Q：create_react_agent与initialize_agent（LangChain）区别？

   A：前者基于状态图支持循环调用（图灵完备），后者是线性链式结构。复杂任务如多轮校验选LangGraph。

3. Q：工具调用失败时Agent如何处理？

   A：默认超时重试2次，可通过自定义ToolNode实现fallback逻辑：

   from langgraph.prebuilt import ToolNode
   
   class SafeToolNode(ToolNode):
       def run(self, state):
           try:
               return super().run(state)
           except Exception:
               return "工具调用失败，请稍后再试"

4. Q：如何优化Agent的响应速度？

   A：三板斧：

   • 启用流式响应（stream_mode="messages"）
   • 对工具加缓存（如@lru_cache装饰搜索工具）
   • 用小模型做简单决策（如Haiku配Sonnet）

---

七、终极大乱斗：Agent框架选型指南

当有人对你说"LangGraph够用了"，请优雅地甩出这张表：

能力	LangGraph	AutoGen	Dify
循环决策	✅ 原生支持	✅	❌
可视化编排	❌	✅	✅
低代码部署	❌	❌	✅
多Agent协作	✅	✅	❌
学习曲线	陡峭🗻	中等⛰️	平缓🏖️

选型建议：

• 快速上线选Dify
• 科研/复杂逻辑选LangGraph
• 企业流程集成选AutoGen

---

八、未来已来：你还能这样玩转Agent

• 知识库问答机器人：结合RAG工具，让Agent查公司文档
• 代码评审助手：集成代码解析工具+安全规则库
• AI游戏NPC：用状态图管理角色决策树

npc_agent = create_react_agent(
    llm,
    tools=[check_inventory, use_skill, move_to],
    state_modifier="你是一个中世纪的骑士，说话带'阁下'后缀"
)

---

九、结语：创造者的利器

create_react_agent的精髓，在于它把认知决策 （LLM）和物理执行（Tools）的边界打通了。从此AI不再是"嘴强王者"------它能思考、能动手、能迭代，像人类一样解决问题。

正如某位LangGraph核心开发者所说：

"我们不是在造问答机器，而是在培育数字生命体。ReAct就是它第一次学会'用工具'走路。"

各位创造者们，工具在此，魔法在你们手中。现在就去造点令人惊叹的东西吧！