旅游规划智能体之ReAct Agent实战

引言

本文将系统性地介绍如何运用ReAct框架构建旅游规划智能体，通过LangChain的create_react_agent方法实现智能决策和多步骤任务处理。ReAct框架作为现代AI Agent开发的核心技术之一，为构建具备复杂推理能力的智能系统提供了重要的理论基础和实践指导。

ReAct框架核心原理c

框架概念解析

ReAct框架是Reasoning（推理）与Acting（行动）相结合的智能体设计范式。该框架通过将思维过程和执行动作有机融合，实现了人工智能系统的智能决策能力。其核心思想在于模拟人类解决问题的认知过程：在面对复杂任务时，人们会先进行思考分析，然后采取相应行动，最后根据反馈结果调整策略。

核心执行机制

ReAct框架通过循环执行三个关键阶段实现智能决策过程：

推理阶段（Reasoning）：智能体基于当前状态和上下文信息进行深度分析，评估可行方案，确定最优的下一步行动策略。这一阶段体现了系统的认知能力和决策智慧。

行动阶段（Acting）：根据推理结果执行具体操作，包括调用外部工具、查询数据源、进行计算处理等实际行动。此阶段将抽象思维转化为具体的执行指令。

观察阶段（Observing）：收集行动执行后的结果反馈，更新系统状态信息，为下一轮决策循环提供数据支撑。这一环节确保了系统的自适应能力和学习特性。

执行流程模式

[Thought] ← 推理阶段：分析当前状况，制定行动策略
[Action] ← 行动阶段：执行具体操作，调用相应工具
[Observation] ← 观察阶段：收集执行结果，更新状态信息

这种循环模式使得智能体能够在复杂环境中保持持续的学习和适应能力。

create_react_agent方法深度解析

方法设计理念

LangChain框架中的create_react_agent方法专门用于构建基于ReAct模式的智能体系统。该方法的设计理念体现了软件工程中的模块化思想，通过将大语言模型、工具集合和提示模板进行有机组合，形成了功能完整的智能决策系统。

核心参数配置

from langchain.agents import create_react_agent

agent = create_react_agent(
    llm: BaseLanguageModel,        # 大语言模型：提供推理和决策能力
    tools: Sequence[BaseTool],     # 工具集合：定义可执行的操作范围
    prompt: ChatPromptTemplate     # 提示模板：规范交互格式和执行流程
) -> Runnable

每个参数都承担着特定的职责：大语言模型负责核心的推理过程，工具集合定义了系统的行动能力边界，而提示模板则确保了执行过程的规范性和一致性。

提示模板架构设计

标准模板获取

from langchain import hub
prompt = hub.pull("hwchase17/react")

模板结构要素

Answer the following questions using the following tools: {tools}

Use the following format:

Question: the input question
Thought: 需要始终进行的思考过程
Action: 要执行的动作，必须是 [{tool_names}] 之一
Action Input: 动作的输入参数
Observation: 动作的执行结果
... (重复思考/行动循环)
Final Answer: 最终答案

这种结构化的模板设计确保了智能体在执行过程中保持清晰的逻辑链条和规范的输出格式。

方法选型策略分析

在实际项目开发中，选择合适的智能体创建方法对系统性能和开发效率具有重要影响。基于不同场景特征，我们可以制定相应的选型策略：

复杂推理任务场景：当面对需要多步骤逻辑推理的复杂问题时，create_react_agent方法通过其显式的思考链机制，能够提供清晰的推理过程和可追溯的决策路径，因此成为首选方案。

严格参数控制需求：对于要求精确参数传递和结构化输入输出的应用场景，create_tool_calling_agent方法凭借其规范化的接口设计，能够提供更高的系统可靠性和稳定性。

快速原型开发：在需要快速验证概念或构建简单功能的情况下，initialize_agent方法提供了开箱即用的便捷配置，能够显著降低开发成本和时间投入。

自适应纠错机制：当系统需要具备自我修正和错误恢复能力时，create_react_agent方法的循环推理特性使得智能体能够在遇到问题时重新分析和调整策略。

协作开发环境：在团队协作和系统调试过程中，create_react_agent方法完整的思考链输出为开发人员提供了良好的可读性和调试便利性。

应用场景深度分析

多层次任务处理能力

ReAct智能体在处理复杂的多步骤任务方面展现出显著优势。以"查询北京当前气温并转换为华氏度显示"为例，系统需要首先调用天气查询工具获取摄氏度数据，然后执行温度转换计算，最后格式化输出结果。这种层次化的任务分解和顺序执行体现了ReAct框架的核心价值。

动态决策优化机制

智能体能够根据中间执行结果动态调整后续行动策略，实现真正意义上的智能化决策。这种能力使得系统能够应对不确定性环境和变化需求，体现了人工智能系统的适应性特征。

条件逻辑处理能力

对于包含复杂条件判断的任务，如"根据天气状况智能推荐活动类型"，ReAct框架能够有效处理if-else逻辑结构，实现基于上下文的智能推荐功能。

完整实战代码实现

工具模块设计

from langchain_openai import ChatOpenAI
from langchain.tools import tool
from langchain_community.utilities import SearchApiAPIWrapper
import os
from langchain_core.prompts import PromptTemplate
from langchain.agents import create_react_agent, AgentExecutor

@tool
def get_weather(city: str) -> str:
    """获取指定城市的实时天气信息
    
    参数:
        city: 目标城市名称
    返回:
        天气状况描述字符串
    """
    # 模拟天气数据服务
    weather_database = {
        "北京": "晴朗，气温25℃，微风",
        "上海": "小雨，气温20℃，湿度较高",
        "广州": "多云，气温28℃，空气质量良好"
    }
    return weather_database.get(city, f"抱歉，暂不支持{city}的天气查询服务")

@tool
def recommend_activity(weather: str) -> str:
    """基于天气条件智能推荐适宜的活动类型
    
    参数:
        weather: 天气状况描述
    返回:
        活动推荐建议
    """
    if "雨" in weather:
        return "推荐室内活动：参观博物馆、艺术展览，或在购物中心休闲娱乐。"
    elif "晴" in weather:
        return "推荐户外活动：公园散步、骑行游览，或前往知名景点观光。"
    else:
        return "推荐综合活动：城市文化探索、特色美食品尝，或历史古迹参观。"

# 配置实时搜索功能
os.environ["SEARCHAPI_API_KEY"] = "4b9Bxxxxxxxxxxxxxxxxxxxx"

@tool("web_search", return_direct=True)
def web_search(query: str) -> str:
    """
    执行网络搜索获取实时信息和最新资讯
    
    适用场景：
    - 获取最新事件动态
    - 查询实时数据信息
    - 补充未知领域知识
    
    参数:
        query: 搜索关键词或查询语句
    返回:
        格式化的搜索结果摘要
    """
    try:
        search_engine = SearchApiAPIWrapper()
        search_results = search_engine.results(query)
        
        formatted_results = "\n\n".join([
            f"信息来源：{result['title']}\n内容摘要：{result['snippet']}" 
            for result in search_results['organic_results']
        ])
        
        return formatted_results
    except Exception as error:
        return f"搜索服务暂时不可用：{str(error)}"

# 组装工具集合
tools = [get_weather, recommend_activity, web_search]

智能体核心配置

# 初始化大语言模型实例
llm = ChatOpenAI(
    model_name="qwen-plus",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
    temperature=0.7,  # 控制输出的创造性程度
    max_tokens=2048   # 限制单次响应的最大长度
)

# 构建ReAct专用提示模板
template = """ Answer the following questions as best you can. You have access to the following tools:

{tools}

Use the following format:

Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question

Begin!

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

prompt = PromptTemplate.from_template(template)

# 创建ReAct智能体实例
agent = create_react_agent(llm, tools, prompt)

# 配置智能体执行器
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,                    # 启用详细执行日志
    max_iterations=5,                # 设置最大迭代次数防止无限循环
    handle_parsing_errors=lambda error: "输入格式有误，请检查后重试",
    return_intermediate_steps=True   # 保留中间步骤便于调试分析
)

系统测试与验证

# 执行综合旅游规划任务测试
test_query = "我计划在北京游玩三天，请根据当地天气情况为我推荐合适的活动，另外帮我查询一下腾讯公司的最新股票价格信息"

response = agent_executor.invoke({
    "input": test_query
})

# 输出执行结果和过程分析
print("=== 智能体执行结果 ===")
print(response['output'])

print("\n=== 执行步骤详情 ===")
for step in response['intermediate_steps']:
    print(f"行动：{step[0]}")
    print(f"结果：{step[1]}")
    print("-" * 50)

技术优势与应用价值

        ReAct框架结合LangChain的create_react_agent方法，为构建智能决策系统提供了强大的技术支撑。该方案的核心优势体现在三个方面：首先是显式的推理过程提高了系统的可解释性和可信度；其次是循环优化机制增强了系统的自适应能力；最后是模块化设计降低了开发复杂度和维护成本。

        在旅游规划等需要多步骤决策和动态调整的应用场景中，这种技术方案展现出了卓越的实用价值。通过将复杂的决策过程分解为可管理的步骤，系统不仅能够提供准确的服务结果，还能够为用户呈现清晰的决策逻辑，从而建立起用户对智能系统的信任感。