手把手教你开发具备ReAct能力的AI Agent-AI智能范式网

手把手教你开发具备ReAct能力的AI Agent

惚兮

1. 从零手写实现一个AI Agent的核心价值

在2023年大模型技术爆发的背景下，AI Agent正在成为应用开发的新范式。与传统的规则引擎不同，一个真正的Agent具备自主感知、决策和执行的能力。我最近完整走通了从零开发一个具备ReAct推理能力的Agent的全过程，这种实践带来的认知提升远超过单纯调用API。

开发一个基础Agent涉及的核心技术栈包括：大模型交互、工具调用(Tool Use)、记忆机制和推理循环。其中最关键的ReAct框架(Reasoning+Acting)让Agent能够像人类一样"思考一步，执行一步"。举个例子，当用户问"北京明天会下雨吗？"，Agent不会直接回答，而是生成"我需要查询北京天气预报"的思考，然后调用天气API获取数据，最后整理回复。

2. Agent开发环境搭建与核心组件

2.1 开发环境配置建议

我推荐使用Python 3.10+作为基础环境，关键库包括：

LangChain：提供Agent开发的基础框架
OpenAI/Baichuan：大模型交互层
FastAPI：如果需要提供Web服务
ChromaDB：轻量级向量数据库用于记忆存储

bash复制# 最小化环境配置
conda create -n agent_dev python=3.10
pip install langchain openai fastapi chromadb

注意：大模型API密钥建议通过环境变量管理，不要硬编码在脚本中。开发初期可以使用本地LLM如ChatGLM3-6B降低调试成本。

2.2 Agent的四大核心模块

大脑模块：基于大模型的推理能力
- 需要处理系统提示词(System Prompt)工程
- 温度(Temperature)参数建议设为0.3-0.7平衡创造性和稳定性
工具模块：Agent可调用的外部能力
- 每个工具需要明确定义输入/输出格式
- 示例工具：搜索引擎、API调用、计算器等
记忆模块：对话历史和知识存储
- 短期记忆：保留最近3-5轮对话
- 长期记忆：使用向量数据库存储关键信息
控制模块：决策循环和异常处理
- 实现ReAct的"思考-行动"循环
- 设置超时和重试机制避免死循环

3. 实现ReAct推理的核心代码解析

3.1 基础Agent类实现

python复制from typing import List, Dict, Any
from langchain.agents import Tool
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

class BasicAgent:
    def __init__(self, llm, tools: List[Tool]):
        self.llm = llm
        self.tools = {tool.name: tool for tool in tools}
        self.memory = []  # 短期记忆存储
        
    def run(self, query: str) -> str:
        # ReAct循环最多执行5步
        for _ in range(5):
            # 思考阶段
            thought = self._generate_thought(query)
            
            # 行动阶段
            if "ACTION:" in thought:
                tool_name, tool_input = self._parse_action(thought)
                result = self._use_tool(tool_name, tool_input)
                self.memory.append((thought, result))
            else:
                return thought  # 最终答案
        
        return "达到最大执行步数，终止任务"

    def _generate_thought(self, query: str) -> str:
        prompt = PromptTemplate(
            input_variables=["query", "memory"],
            template="""
            当前任务: {query}
            历史记录: {memory}
            请先分析任务需求，如果需要使用工具，请按格式响应：
            ACTION: 工具名 输入参数
            如果可以直接回答，请给出最终答案。
            """
        )
        chain = LLMChain(llm=self.llm, prompt=prompt)
        return chain.run(query=query, memory=str(self.memory[-3:]))

3.2 工具调用实现示例

python复制from langchain.tools import BaseTool
import requests

class WeatherTool(BaseTool):
    name = "get_weather"
    description = "查询城市天气，输入格式：城市名 日期"
    
    def _run(self, query: str) -> str:
        city, date = query.split()
        api_url = f"https://api.weather.com/v1/{city}/{date}"
        response = requests.get(api_url)
        return response.json()["weather"]

4. 开发过程中的关键问题与解决方案

4.1 工具选择与注册的常见陷阱

问题1：工具描述不清晰导致大模型误用

错误示例：description="查询天气"
正确写法：description="查询城市天气，输入格式：城市名日期(YYYY-MM-DD)"

问题2：工具过多导致决策混乱

解决方案：按场景分组注册工具，每个Agent专注3-5个核心工具
使用工具优先级标记：@priority(1-5)

4.2 ReAct循环的稳定性优化

思考阶段：通过few-shot示例规范输出格式

python复制template="""
示例1:
问题: 北京明天温度多少？
思考: 需要查询北京天气预报
ACTION: get_weather 北京 2023-12-01

示例2:
问题: 3的平方是多少？
思考: 可以直接计算
ANSWER: 9

现在请处理:
问题: {query}
"""

行动阶段：增加输入校验和异常处理

python复制def _use_tool(self, name: str, input_str: str) -> str:
    if name not in self.tools:
        return f"错误：未知工具 {name}"
    try:
        return self.tools[name].run(input_str)
    except Exception as e:
        return f"工具执行失败: {str(e)}"

5. Agent能力进阶路线

5.1 从单Agent到多Agent协作

基础Agent稳定运行后，可以尝试：

角色分工：创建专门的研究员、写作者、校对者Agent
通信协议：使用共享内存或消息队列实现Agent间通信
竞争机制：让多个Agent提出方案后由仲裁者选择最优解

5.2 增强记忆能力的实践方案

向量记忆库实现：

python复制from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings

class VectorMemory:
    def __init__(self):
        self.embedding = OpenAIEmbeddings()
        self.db = Chroma(embedding_function=self.embedding)
        
    def add_memory(self, text: str, metadata: dict):
        self.db.add_texts([text], [metadata])
        
    def recall(self, query: str, k=3) -> list:
        return self.db.similarity_search(query, k=k)

记忆检索优化技巧：

为每段记忆添加时间戳和重要性标记
混合检索：结合关键词搜索和向量相似度
实现记忆衰减机制：自动降低旧记忆的权重

6. 生产环境部署的关键考量

当Agent开发完成后，要投入实际使用还需考虑：

性能优化：

设置合理的TTL缓存常见问题回答
对大模型响应进行流式处理(Streaming)
实现工具调用的并行处理

安全防护：

输入输出过滤防止Prompt注入
工具调用权限分级控制
敏感信息脱敏处理

监控体系：

记录完整的ReAct决策轨迹
统计工具调用成功率/耗时
设置异常行为告警阈值

我在实际部署中发现，一个中等复杂度的Agent（约5个工具）的典型响应时间分布为：

大模型思考：300-800ms
工具调用：200ms-5s（取决于外部API）
记忆检索：50-200ms

7. 典型应用场景与案例

7.1 智能客服Agent实现

核心能力：

产品知识问答（向量数据库支持）
工单创建（API调用）
故障排查（决策树+工具组合）

python复制tools = [
    Tool(name="search_kb", func=search_knowledge_base),
    Tool(name="create_ticket", func=create_service_ticket),
    Tool(name="check_order", func=query_order_status)
]

agent = BasicAgent(llm=llm, tools=tools)

7.2 数据分析Agent设计

特色功能：

自动识别数据特征
根据问题选择可视化方案
异常数据检测提醒

python复制class DataAnalysisAgent(BasicAgent):
    def preprocess(self, query):
        # 自动添加数据分析专用提示词
        return f"""你是一个数据分析专家，请用专业但易懂的方式回答：
        {query}
        可用数据集字段：{self.dataset.columns}
        """

8. 开发者学习路径建议

根据我的实践经验，推荐的学习路线是：

基础阶段（1-2周）：
- 掌握LangChain基础组件
- 实现单一工具的调用
- 理解Prompt工程要点
进阶阶段（2-4周）：
- 设计多步骤工作流
- 实现短期/长期记忆
- 优化ReAct循环稳定性
实战阶段（持续迭代）：
- 加入异常处理和监控
- 实现权限和安全管理
- 进行性能调优

最有效的学习方法是从小场景开始，比如先构建一个只处理天气查询的Agent，稳定后再逐步添加邮件发送、日程查询等功能。每次新增工具后，需要用典型用例验证不会破坏原有功能。