ReAct 是一种结合推理（Reasoning）和行动（Acting）的框架，用于指导大语言模型通过思考、行动和观察来完成复杂任务。

ReAct 运行流程如下图所示，收到问题后，首先进入 THOUGHT 阶段，LLM 思考如何解决，若 LLM 知道问题答案，会立即返回答案；若不知道，LLM 查看自己有哪些可以使用的工具，调用工具获取相关信息，若无合适工具使用，LLM 会立即返回。调用工具时进入 ACTION 阶段，获取与此问题相关信息。调用工具获取到信息，连同问题和历史信息(ReAct 进行了多轮时会有历史信息)一起发送给 LLM 即 OBSERVATION，LLM 会综合这些信息思考如何解决问题即再次进入 THOUGHT 阶段。

体验ReAct

我们使用 langgraph 体验下 ReAct。langgraph 已经预制 ReAct agent，我们拿来用就行。

from IPython.display import Image, display
from langchain_core.tools import tool
from langchain_core.prompts import ChatPromptTemplate
from langgraph.prebuilt import create_react_agent
# 这是自己封装的获取大模型的接口文件
import llm


# search 工具，可以从 internet 搜索相关信息
# 这里为了模拟测试，手动模拟搜索内容
@tool
def search(question: str) -> str:
    """
    search the internet for information
    Args:
        question (str): the question to search
    Returns:
        the answer of the question
    """
    user_input = input(f"the question is {question}\n the answer is: ")

    return user_input

# LLM 提示词
prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "You are an expert that can help me to solve the problem."
            "You can split the problem into smaller problems and solve them step by step."
        ),
        ("placeholder", "{messages}"),
    ]
)
tools = [search]
# 使用 azure 大模型
my_llm = llm.get_llm_azure()
# 初始化 langgraph 自带的 ReAct agent
agent_executor = create_react_agent(my_llm, tools, state_modifier=prompt)
# 打印 langchain 流程图 
display(Image(agent_executor.get_graph(xray=True).draw_mermaid_png()))
# 调用 ReAct agent 回答问题
events = agent_executor.stream({"messages": [("user", "成龙和李连杰谁的年龄大？")]}, stream_mode="values")
for event in events:
    if "messages" in event:
        print(event.get("messages")[-1].pretty_repr(html=True))

langchain ReAct 如何实现的？调用 display 函数打印它的 workflow 如下图所示。agent 实现了 THOUGHT 和 OBSERVATION阶段，tools 实现了 Action 阶段。

执行上面的程序，看下 ReAct 如何解决问题“成龙和李连杰谁的年龄大？”

================================ Human Message =================================

成龙和李连杰谁的年龄大？
================================== Ai Message ==================================
Tool Calls:
  search (call_IZvY7hq8sDC3Enf88ILNGtYV)
 Call ID: call_IZvY7hq8sDC3Enf88ILNGtYV
  Args:
    question: 成龙出生日期
the question is 成龙出生日期
 the answer is: 1954.4.7
================================= Tool Message =================================
Name: search

1954.4.7
================================== Ai Message ==================================
Tool Calls:
  search (call_1MEm2d1K9kjkLV6WV7267lQz)
 Call ID: call_1MEm2d1K9kjkLV6WV7267lQz
  Args:
    question: 李连杰出生日期
the question is 李连杰出生日期
 the answer is: 1963.4.26
================================= Tool Message =================================
Name: search

1963.4.26
================================== Ai Message ==================================

成龙出生于1954年4月7日，而李连杰出生于1963年4月26日。因此，成龙的年龄比李连杰大

具体来说，收到问题后，首先进入 THOUGHT阶段，LLM 思考如何解决，LLM 认为比较年龄大小，首先要知道成龙出生日期，LLM 知道自己可以使用工具 search 从互联网搜索信息，于是决定使用工具 search。调用工具 search 进入ACTION 阶段，获知成龙出生日期 1954.4.7。把问题、search工具调用、成龙出生日期一起发送给 LLM 即 OBSERVATION。LLM 综合这些信息思考还需要知道李连杰出生日期，于是通过相同的流程获取到李连杰出生日期1963.4.26，最终 LLM 认为已经获取了足够信息，直接返回了答案。

本文通过 langgraph 体验了下大模型 ReAct，可知其实现并不复杂，关键是理解其解决问题思路。