从零手写一个 ReAct 智能体：基于 LangGraph 的完整实现
本文将带你从零开始，使用 LangGraph 构建一个经典的 ReAct（Reason + Act）智能体。你将掌握如何自定义状态、节点、工具调用逻辑与控制流，真正理解智能体背后的运行机制。
什么是 ReAct 智能体？
ReAct（Reasoning + Acting）是一种结合推理（Reason）与行动（Act）的智能体框架。它通过"思考 → 调用工具 → 再思考 → 回答"的循环，显著提升了大语言模型（LLM）在复杂任务中的表现力和可靠性。
LangChain 提供了 create_react_agent 这样的高层封装，但如果你想深度定制行为逻辑（比如修改推理策略、插入中间节点、控制工具调用条件等），就需要"从零实现"一个 ReAct 智能体。这正是本文的目标。
准备工作
首先，安装必要依赖并配置 API 密钥：
python
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")建议同时注册 LangSmith，它能帮助你可视化追踪智能体的每一步执行过程，极大提升调试效率。
第一步：定义智能体状态（State）
我们使用 TypedDict 定义一个最简状态结构，只包含消息历史：
python
from typing import Annotated, Sequence, TypedDict
from langchain_core.messages import BaseMessage
from langgraph.graph.message import add_messages
class AgentState(TypedDict):
messages: Annotated[Sequence[BaseMessage], add_messages]这里 add_messages 是一个 reducer，用于自动合并新消息到历史列表中，避免手动管理状态。
第二步：绑定模型与工具
我们使用 OpenAI 的 gpt-4o-mini 模型，并定义一个简单的天气查询工具：
python
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
@tool
def get_weather(location: str):
"""获取指定地点的天气信息"""
if any(city in location.lower() for city in ["sf", "san francisco"]):
return "It's sunny in San Francisco, but you better look out if you're a Gemini 😈."
else:
return f"I am not sure what the weather is in {location}"
tools = [get_weather]
model = ChatOpenAI(model="gpt-4o-mini").bind_tools(tools)注意：bind_tools(tools) 会自动让模型具备调用这些工具的能力。
第三步：定义图节点（Nodes）与边（Edges）
1. 工具执行节点（tool_node）
当模型决定调用工具时，该节点负责执行并返回结果：
python
import json
from langchain_core.messages import ToolMessage
tools_by_name = {tool.name: tool for tool in tools}
def tool_node(state: AgentState):
outputs = []
for tool_call in state["messages"][-1].tool_calls:
result = tools_by_name[tool_call["name"]].invoke(tool_call["args"])
outputs.append(
ToolMessage(
content=json.dumps(result),
name=tool_call["name"],
tool_call_id=tool_call["id"],
)
)
return {"messages": outputs}2. 模型推理节点（call_model）
该节点负责调用 LLM，传入系统提示和完整对话历史：
python
from langchain_core.messages import SystemMessage
from langchain_core.runnables import RunnableConfig
def call_model(state: AgentState, config: RunnableConfig):
system_prompt = SystemMessage("You are a helpful AI assistant...")
response = model.invoke([system_prompt] + state["messages"], config)
return {"messages": [response]}3. 控制流判断（should_continue）
决定是否继续调用工具，还是结束对话：
python
def should_continue(state: AgentState):
last_message = state["messages"][-1]
return "continue" if last_message.tool_calls else "end"第四步：构建状态图（Graph）
使用 StateGraph 将上述组件组装成一个循环工作流：
python
from langgraph.graph import StateGraph, END
workflow = StateGraph(AgentState)
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)
workflow.set_entry_point("agent")
# 条件边：agent → tools 或 END
workflow.add_conditional_edges(
"agent",
should_continue,
{"continue": "tools", "end": END}
)
# 工具执行后返回 agent
workflow.add_edge("tools", "agent")
graph = workflow.compile()你可以通过 graph.get_graph().draw_mermaid_png() 可视化该流程图（需安装额外依赖）。
第五步：运行智能体
现在，让我们测试它能否正确回答天气问题：
python
def print_stream(stream):
for s in stream:
s["messages"][-1].pretty_print()
inputs = {"messages": [("user", "what is the weather in sf")]}
print_stream(graph.stream(inputs, stream_mode="values"))输出如下：
Human: what is the weather in sf
AI: [调用 get_weather 工具]
Tool: "It's sunny in San Francisco..."
AI: The weather in San Francisco is sunny! ...完美！智能体成功完成"推理 → 调用 → 再推理 → 回答"的完整 ReAct 循环。
总结与扩展
通过本文，你已掌握如何用 LangGraph 从零构建一个 ReAct 智能体。这种低层实现方式赋予你极大的灵活性：
- 可插入日志节点、验证节点、审批节点；
- 可替换为结构化输出（如 Pydantic）；
- 可集成邮件、数据库、API 等外部动作；
- 可结合记忆、多智能体协作等高级模式。
正如官方文档所强调的："LangGraph 让你轻松定制这个基础结构，以适应你的具体用例"。
提示 ：虽然本文实现的是简化版 ReAct（未显式生成"Thought"文本），但它完全符合 ReAct 的核心思想------交替进行推理与行动。如需显式推理步骤，可在 prompt 中强制模型输出
Thought: ...，并在解析时提取。
参考
- 官方教程：How to create a ReAct agent from scratch
- LangGraph 文档：https://langchain-ai.github.io/langgraph/