【AiAgent学习】Agent中的ReAct模式

1.概述

先理解这个ReAct是什么东西，一般意义上是这样的，

ReAct = Rea soning（推理） + Acting（行动）

这是目前最主流的Agent设计模式，让Agent能够：

思考：分析当前情况，决定做什么
行动：执行具体操作（调用工具、查询记忆等）
观察：分析行动结果，决定下一步

不难理解，不过还是没那么清楚，可以这么理解：

复制代码

用户提问 → AI判断需要什么工具 → 执行工具 → 返回结果

        那现在我们可能就有一个新的疑问了，ReAct模式就是去设定一个工具，那不是和Function Calling一样的了，意义差不多，但是方式上有区别的，下面会说到。
        再简单描述下：代码先让AI判断用户想要什么（工具判断），然后Python执行具体的函数（工具执行），最后把结果返回给用户，中间最关键的就是需要我们自己设定一个模版提示词交给AI判断，然后返回设定好的结果，再去调用写好的工具。

2.实例

2.1 制定提示词

这个是关键，AI会根据你的提示选择工具的信息：

python 复制代码

detect_prompt = f"""
判断用户需要什么工具，只返回工具名和参数，不要其他内容。

用户输入：{user_input}

可用工具：
1. weather - 查天气，需要城市名
2. time - 查时间，不需要参数
3. calc - 计算，需要算式
4. chat - 普通聊天，不需要参数

返回格式（JSON）：
{{"tool": "工具名", "param": "参数值"}}

示例：
"北京天气" → {{"tool": "weather", "param": "北京"}}
"现在几点" → {{"tool": "time", "param": ""}}
"1+2等于多少" → {{"tool": "calc", "param": "1+2"}}
"你好" → {{"tool": "chat", "param": ""}}
"""

能到到描述中已经设定了能用的工具类型，然后还有返回的数据，好让我们知道选择的是哪个工具，下面直接去链接模型，这块代码不写了，最后会全部贴出；

2.2 分析结果

拿到结果需要我们自己分析，然后去选择相应的工具，并执行返回设定好的信息：

python 复制代码

# 解析结果
        try:
            content = response.choices[0].message.content
            # 提取 JSON
            json_match = re.search(r'\{.*\}', content, re.DOTALL)
            if json_match:
                import json
                result = json.loads(json_match.group())
                tool = result.get("tool", "chat")
                param = result.get("param", "")
            else:
                tool, param = "chat", ""
        except:
            tool, param = "chat", ""
        
        # 第二步：执行工具
        if tool == "weather":
            answer = self.get_weather(param)
        elif tool == "time":
            answer = self.get_time()
        elif tool == "calc":
            answer = self.calculate(param)
        else:
            # 普通聊天
            chat_response = self.client.chat.completions.create(
                model="deepseek-chat",
                messages=[{"role": "user", "content": user_input}]
            )
            answer = chat_response.choices[0].message.content
        
        return answer

大概就是这样，看看运行的结果：

很明显第一条不用工具，后面三条是需要工具的；

3.总结

我觉得还是需要理解，普通对话、function Calling和ReAct模式之间的异同，举个例子问今天天气：

python 复制代码

# 普通对话
response = client.chat.completions.create(
    messages=[{"role": "user", "content": "北京天气"}]
)
# AI返回: "抱歉，我无法获取实时天气"

# Function Calling（API内置工具）
response = client.chat.completions.create(
    messages=[{"role": "user", "content": "北京天气"}],
    tools=[{...}]  # ← 关键：有tools参数
)
# AI返回: tool_calls = [{"name": "get_weather", ...}]

# ReAct模式（自定义文本解析）
prompt = "如果需要工具，输出TOOL:weather(城市)"
response = client.chat.completions.create(
    messages=[{"role": "user", "content": prompt}]
)
# AI返回: "TOOL:weather(北京)"

这就比较清晰一点了，算是有了初步了解，下面再总结下：

|----------------------------|--------------------------|
| 普通对话不包括Function Calling吧？ | ✅ 对！普通对话没有tools参数 |
| 普通对话和ReAct是一回事吗？ | ❌ 不是，ReAct有自定义工具格式 |
| Function Calling和ReAct的区别？ | 一个API内置，一个自己写提示词解析 |

最后贴上代码:

python 复制代码

from openai import OpenAI
import os
import re
from datetime import datetime
from dotenv import load_dotenv

load_dotenv()

class ReActAgent:
    def __init__(self):
        self.client = OpenAI(
            api_key=os.getenv("DEEPSEEK_API_KEY"),
            base_url="https://api.deepseek.com"
        )
    
    def get_weather(self, city):
        """天气工具"""
        weather_data = {
            "北京": "晴天 25°C",
            "上海": "多云 22°C",
            "广州": "阵雨 28°C",
            "深圳": "晴天 27°C"
        }
        return weather_data.get(city, f"{city}：晴天 20°C")
    
    def get_time(self):
        """时间工具"""
        return datetime.now().strftime("%Y年%m月%d日 %H:%M:%S")
    
    def calculate(self, expr):
        """计算工具"""
        try:
            # 只允许数字和基本运算符
            if re.match(r'^[\d\s\+\-\*\/\(\)\.]+$', expr):
                result = eval(expr)
                return f"{expr} = {result}"
            return "表达式格式不对"
        except:
            return "计算错误"
    
    def run(self, user_input):
        """主入口"""
        
        # 第一步：判断需要什么工具
        detect_prompt = f"""
判断用户需要什么工具，只返回工具名和参数，不要其他内容。

用户输入：{user_input}

可用工具：
1. weather - 查天气，需要城市名
2. time - 查时间，不需要参数
3. calc - 计算，需要算式
4. chat - 普通聊天，不需要参数

返回格式（JSON）：
{{"tool": "工具名", "param": "参数值"}}

示例：
"北京天气" → {{"tool": "weather", "param": "北京"}}
"现在几点" → {{"tool": "time", "param": ""}}
"1+2等于多少" → {{"tool": "calc", "param": "1+2"}}
"你好" → {{"tool": "chat", "param": ""}}
"""
        
        response = self.client.chat.completions.create(
            model="deepseek-chat",
            messages=[{"role": "user", "content": detect_prompt}],
            temperature=0
        )
        
        # 解析结果
        try:
            content = response.choices[0].message.content
            # 提取 JSON
            json_match = re.search(r'\{.*\}', content, re.DOTALL)
            if json_match:
                import json
                result = json.loads(json_match.group())
                tool = result.get("tool", "chat")
                param = result.get("param", "")
            else:
                tool, param = "chat", ""
        except:
            tool, param = "chat", ""
        
        # 第二步：执行工具
        if tool == "weather":
            answer = self.get_weather(param)
        elif tool == "time":
            answer = self.get_time()
        elif tool == "calc":
            answer = self.calculate(param)
        else:
            # 普通聊天
            chat_response = self.client.chat.completions.create(
                model="deepseek-chat",
                messages=[{"role": "user", "content": user_input}]
            )
            answer = chat_response.choices[0].message.content
        
        return answer


# 测试
if __name__ == "__main__":
    agent = ReActAgent()
    
    tests = [
        "你好",
        "北京天气怎么样",
        "现在几点了",
        "123 + 456 等于多少"
    ]
    
    for t in tests:
        print(f"\n用户: {t}")
        print(f"助手: {agent.run(t)}")
        print("-" * 40)