实践：构建自定义ReAct智能体

构建ReAct智能体需要理解其核心控制流程和交互模式。手动构建这个智能体，能够让您对操作机制、提示词设计的复杂性以及编排思-行-观察循环所面临的难点有全面的理解，这些内容通常在更高级的框架中被抽象化。

我们的目标不是复刻一个功能全面的库，而是实现ReAct的核心逻辑。我们假设您可以使用LLM API（如OpenAI的GPT模型、Anthropic的Claude或自托管模型），并熟练掌握Python以进行API调用和处理响应。

自定义ReAct智能体的核心构成部分

实现一个ReAct智能体需要几个相互连接的构成部分：

1. LLM接口： 一个函数或类，用于处理与您所选大型语言模型的通信。它接收一个格式化的提示字符串，并返回模型的文本生成结果。API调用的错误处理（如超时、速率限制）对于实现一个可用系统非常重要。
2. 工具集： 智能体可使用的一系列工具。每种工具需要：
   • 一个独有的名称（例如，search，calculator）。
   • 清晰的描述，解释其功能、预期的输入格式和输出。该描述有助于LLM明确何时及如何使用该工具。
   • 实际的实现（例如，一个Python函数），用于执行工具的逻辑。
3. 提示模板： ReAct智能体的核心。此模板规范LLM的输入，引导其推理过程。它通常包含：
   • 最初的问题或任务。
   • 定义ReAct格式（思、行、观察）的指令。
   • 可用工具的描述。
   • 一个“暂存区”，智能体在此记录其先前步骤的思、行和观察序列。
   • 当前步骤思考过程的占位符。
4. 响应解析器： 用于解析LLM输出字符串的逻辑。它需要可靠地识别和提取：
   • Thought：智能体的下一步推理。
   • Action：要使用的工具及其输入（例如，Action: search[query: recent advancements in LLM agents]）。
   • Final Answer：当智能体认为任务完成时的最终回复。处理LLM输出格式的变化和潜在的解析失败，需要周全的设计（例如，使用正则表达式，或者在LLM支持的情况下，请求结构化输出如JSON）。
5. 执行循环： 主控制流程，迭代地编排ReAct过程：
   • 使用模板、当前问题、工具描述和累积的暂存区内容来格式化提示。
   • 将提示发送给LLM。
   • 解析LLM的响应。
   • 如果检测到Final Answer，则终止并返回答案。
   • 如果解析出Action：
     • 识别工具名称和输入。
     • 使用提供的输入执行相应的工具函数。处理潜在的执行错误。
     • 将工具的输出（或错误消息）格式化为Observation。
     • 将Thought、Action和Observation追加到暂存区。
     • 继续下一次迭代。
   • 设置终止条件（例如，最大步骤数）以防止无限循环。

ReAct循环流程示例

该交互遵循一种明确的模式，通常可视化为一个循环。

ReAct智能体通过格式化提示、调用LLM、解析响应、根据行动可能执行工具、将结果格式化为观察，并循环直到获得最终答案，从而在其暂存区中迭代地构建上下文。

Python简化实现概述

我们来概述Python伪代码中的核心循环结构。这主要侧重于流程，而非具体的API或解析细节。

import re # 用于基本解析示例

# 假设llm_call(prompt)存在并返回LLM文本响应
# 假设tools = { "tool_name": {"description": "...", "function": callable} } 存在

def execute_react_agent(question, tools, llm_call, max_steps=10):
    """ 执行ReAct智能体循环 """

    scratchpad = "" # 存储思-行-观察历史
    tool_descriptions = "\n".join([f"- {name}: {details['description']}" for name, details in tools.items()])

    for step in range(max_steps):
        # 1. 格式化提示
        prompt = f"""你是一个使用ReAct框架来回答问题的助手。
可用工具：
{tool_descriptions}

请使用以下格式：

思: 你的推理步骤。
行: 要采取的行动，应该是[{', '.join(tools.keys())}]中的一个或'Final Answer'。工具请使用Action: tool_name[input]格式。
观察: 行动的结果。
... (此思/行/观察循环重复)

问题: {question}
{scratchpad}思:""" # 提示LLM以思考开始

        # 2. LLM调用
        response = llm_call(prompt).strip()
        # 立即将LLM的思考过程追加到暂存区
        scratchpad += f"思: {response}\n"
        print(f"--- 步骤 {step+1} ---")
        print(f"思: {response}")

        # 3. 解析响应 (简化示例)
        action_match = re.search(r"Action: (.*?)(?:\[(.*?)\])?$", response, re.MULTILINE)
        final_answer_match = re.search(r"Final Answer: (.*)", response, re.MULTILINE | re.DOTALL)

        if final_answer_match:
            # 4a. 检测到最终答案
            final_answer = final_answer_match.group(1).strip()
            print(f"最终答案: {final_answer}")
            return final_answer

        if action_match:
            action_name = action_match.group(1).strip()
            action_input = action_match.group(2).strip() if action_match.group(2) else ""
            scratchpad += f"Action: {action_name}[{action_input}]\n"
            print(f"行: {action_name}[{action_input}]")

            if action_name in tools:
                # 5. 执行工具
                try:
                    tool_function = tools[action_name]["function"]
                    observation = tool_function(action_input)
                except Exception as e:
                    observation = f"执行工具 {action_name} 出错：{e}"

                # 6. 格式化观察并更新暂存区
                observation_str = str(observation) # 确保它是字符串
                scratchpad += f"观察: {observation_str}\n"
                print(f"观察: {observation_str}")
            else:
                scratchpad += "Observation: 指定了未知工具。\n"
                print("指定了未知工具。")
        else:
            # 处理LLM未输出有效Action或Final Answer的情况
            scratchpad += "Observation: 响应格式无效。停止。\n"
            print("响应格式无效。停止。")
            return "智能体因响应格式无效而失败。"

    return "智能体在达到最大步骤数后停止。"

# 示例用法（需要定义llm_call和tools）
# result = execute_react_agent("2加2是多少？", my_tools, my_llm_call)
# print(f"\n最终结果: {result}")

实现考量

• 提示工程： 您的提示模板的结构和措辞非常重要。关于所需格式（思、行、观察）的清晰指令、简洁的工具描述以及有效的示例（如果使用少量样本提示），都会显著影响性能。迭代优化通常是必需的。
• 解析可靠性： LLM输出可能不一致。仅依赖简单的字符串分割或正则表达式可能不够稳定。如果可行，考虑让LLM输出结构化数据（如JSON），或实现更精密的带错误校正的解析逻辑。
• 工具输入/输出： 确保您的函数预期的工具输入与LLM可能生成的内容相符。同样，将工具输出清晰地格式化，以便LLM在Observation步骤中理解。在工具内优雅地处理错误并在观察中报告它们，这一点很重要。
• 上下文管理： 随着暂存区的增长，它会占用上下文窗口空间并增加API成本。对于长期运行的任务，可采用策略，例如对暂存区早期部分进行概括，或使用更高级的内存技术（第3章会介绍）。
• 终止条件： 在检测到Final Answer:和达到最大步骤数后，考虑其他终止标准，例如重复行动、特定错误模式，或者如果您的解析器或LLM提供，则考虑置信度得分。

构建这个自定义智能体，即使是使用简化组件，也能阐明构建自主系统中的基本挑战和固有的设计选择。它在使用或扩展更复杂的智能体框架之前，提供了扎实的基础。