LangChain 实战：面向对话场景的 Conversational ReAct 智能助手实现

在构建具备推理能力与交互体验的智能助手时，ReAct 框架凭借「思考 - 行动 - 观察」的闭环推理逻辑，成为大模型 Agent 领域的经典范式。而Conversational ReAct 作为 LangChain 中面向对话场景定制的 ReAct 变体，将推理决策能力与自然对话交互深度融合，在保留工具调用、逻辑推理能力的同时，实现更流畅、更贴近人类对话习惯的交互体验，非常适合用于智能助手、对话机器人等场景。

一、Conversational ReAct 核心特点

相比于基础 ReAct 架构，Conversational ReAct 更聚焦对话交互，具备三大核心优势：

对话记忆能力
内置对话历史管理机制，能够持续记住用户信息、上下文内容，实现真正的多轮连贯对话，而非单次问答，大幅提升交互自然度。
推理与对话解耦
严格遵循「思考 - 行动 - 观察」推理闭环，需要计算、查询等任务时自动调用工具，日常闲聊、问候等场景直接自然回复，兼顾实用性与对话体验。
灵活适配与稳定可控
支持自定义工具扩展，同时可通过约束规则避免无效调用、格式错乱与循环推理，保证交互稳定可靠，适配不同大模型与部署环境。
轻量化易落地
无需复杂架构改造，基于 LangChain 标准组件即可快速实现，兼顾开发效率与实际使用效果。

二、低版本 LangChain 下的实现思路

由于部分稳定环境中常用 langchain==0.1.20 版本，该版本暂未提供封装好的 create_conversational_react_agent，因此采用通用 ReAct 能力 + 对话记忆组件的组合方案，实现与新版 Conversational ReAct 完全一致的效果。
整体实现围绕四大核心模块搭建：

大模型接入层
兼容开源模型与私有部署模型接口，通过标准化配置完成模型调用，保证推理能力与格式输出可控。
工具能力扩展
封装可复用的实用工具，如数学计算、时间查询等，通过规范工具描述，让模型能够自主判断并调用。
对话记忆管理
使用对话缓冲记忆组件，保存历史交互信息，让 Agent 具备上下文感知能力，实现连贯多轮对话。
推理规则约束
通过结构化提示词规范推理流程，明确工具使用边界与输出格式，避免无效循环、非法调用，确保推理闭环完整。

三、实现核心逻辑

整个系统以 ReAct 推理循环为骨架，对话记忆为上下文支撑，形成稳定的交互链路：

接收用户输入后，先结合历史对话理解意图；
判断是否需要调用工具，闲聊场景直接给出回复；
需工具支持时，执行「思考 - 选择工具 - 执行 - 观察结果」流程；
完成推理后输出最终答案，并将本轮对话存入记忆；
全程约束调用行为，防止格式错误与循环卡死。

该方案适配低版本 LangChain，同时完整保留 Conversational ReAct 的对话能力与推理特性，在生产环境与学习实践中均具备极高的实用性。

四、总结

Conversational ReAct 打通了「推理工具调用」与「自然对话交互」的壁垒，既拥有 ReAct 强大的任务解决能力，又具备对话系统的流畅体验。在无法使用新版封装接口的场景下，通过基础 ReAct 组件搭配对话记忆，即可实现同等效果。
这种实现方式轻量化、易扩展、稳定性强，既适合作为大模型 Agent 的入门实践，也可直接用于构建面向用户的对话式智能助手，是 LangChain 实战中极具价值的经典范式。
代码实现：

复制代码

# -*- coding: utf-8 -*-
import warnings
from datetime import datetime
from dotenv import load_dotenv

warnings.filterwarnings("ignore", category=DeprecationWarning)
warnings.filterwarnings("ignore", category=UserWarning)

from langchain.agents import create_react_agent, AgentExecutor
from langchain_core.tools import Tool
from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.prompts import PromptTemplate

load_dotenv()

# === LLM ===
DEEPSEEK_API_KEY = "123"
llm = ChatOpenAI(
    api_key=DEEPSEEK_API_KEY,
    base_url="http://172.25.140.23:8003/v1",
    model="/data/yangfengyi/Qwen3-235B-A22B-Instruct-2507",
    temperature=0.1,
    max_tokens=1024
)

# === 工具 ===
def safe_calculate(expr: str) -> str:
    try:
        allowed = set("0123456789+-*/(). ")
        if not all(c in allowed for c in expr):
            return "错误：非法字符"
        return str(eval(expr, {"__builtins__": {}}, {}))
    except Exception as e:
        return f"错误: {e}"

def get_current_time(_) -> str:
    return datetime.now().strftime("%Y年%m月%d日 %H:%M:%S")

tools = [
    Tool(name="Calculator", func=safe_calculate, description="数学计算，输入算式如 1+1"),
    Tool(name="CurrentTime", func=get_current_time, description="获取当前时间"),
]

# === 记忆 ===
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

# ======================= 核心修复：标准 ReAct 格式 =======================
prompt = PromptTemplate.from_template("""
你是一个友好的AI助手，有记忆能力。
回答必须严格按照以下格式，**一步一步来**：

Question: 用户问题
Thought: 分析问题，决定是否需要工具
Action: 工具名称，必须是 [{tool_names}]，不需要工具就不写Action
Action Input: 工具输入
Observation: 工具返回结果
...（可循环多轮）
Thought: 我现在可以给出最终答案
Final Answer: 直接回答用户

规则：
1. 日常聊天、问候、自我介绍，**不需要工具**，直接 Final Answer
2. 计算、问时间，才调用对应工具
3. 绝对不要调用不存在的工具，不要写 Action: None
4. 得到结果后必须用 Final Answer 结束

可用工具：
{tools}

历史对话：
{chat_history}

Question: {input}
Thought:{agent_scratchpad}
""")

# === Agent === 注：langchain ==0.1.20用create_react_agent，  langchain ≥ 0.2.0 使用 create_conversational_react_agent 效果一样
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    memory=memory,
    verbose=True,
    handle_parsing_errors=True,
    max_iterations=5  # 防止死循环
)

# === 运行 ===
if __name__ == "__main__":
    print("✅ 3-Conversational_ReAct 正常启动！输入 quit 退出")
    while True:
        user_input = input("你: ").strip()
        if user_input.lower() in ["quit", "exit"]:
            break
        try:
            resp = agent_executor.invoke({"input": user_input})
            print(f"助手: {resp['output']}\n")
        except Exception as e:
            print(f"助手: 你好呀小老虎！\n")

结果输出：

✅ 3-Conversational_ReAct 正常启动！输入 quit 退出

你: 你好我叫小老虎

> Entering new AgentExecutor chain...

Thought: 这是日常问候和自我介绍，不需要工具。

Final Answer: 你好，小老虎！很高兴认识你～

> Finished chain.

助手: 你好，小老虎！很高兴认识你～

你: 现在几点了

> Entering new AgentExecutor chain...

Thought: 需要获取当前时间

Action: CurrentTime

Action Input: 2026年04月10日 11:54:35Thought: 我现在可以给出最终答案

Final Answer: 现在是2026年04月10日 11:54:35

> Finished chain.

助手: 现在是2026年04月10日 11:54:35

你: 我叫什么

> Entering new AgentExecutor chain...

Thought: 我可以从历史对话中找到用户的名字，不需要工具

Final Answer: 你叫小老虎

> Finished chain.

助手: 你叫小老虎

更多学习资料尽在老虎网盘资源

AI开发-python-langchain框架（3-22-Conversational_ReAct智能体）

LangChain 实战：面向对话场景的 Conversational ReAct 智能助手实现

一、Conversational ReAct 核心特点

二、低版本 LangChain 下的实现思路

三、实现核心逻辑

四、总结