如何在 AI 代理中使用 LangChain(ReAct,版本 7)?
自从版本 1以来, 我们一直用纯 Python 写“思考 → 行动 → 观察”循环。 版本 7 保留版本 6 的代理,只改了一件事:我们现在改用 LangChain 这个框架, 用更少的代码做同一件事。
程序
这是 ReAct07.py。三段代码取代了上一版没用 LangChain 时
我们自己写的那部分。第一,@tool 装饰器把一个普通函数变成
模型可以调用的工具:
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
model = ChatOpenAI(
model="deepseek-flash",
api_key=os.environ.get('DEEPSEEK_API_KEY'),
base_url="https://api.deepseek.com")
# The only tool (action) our agent can use — @tool makes it usable by LangChain
@tool
def search_tavily(query: str) -> str:
"""Search the web (Tavily) and return the top results (title, url, short content)."""
results = tavily.search(query=query, max_results=3)["results"]
if not results:
return f"No web results found for '{query}'."
return "\n".join(f"[{r['title']}] ({r['url']}) {r['content'][:400]}"
for r in results)
第二,create_agent() 建立整个循环:
agent = create_agent(
model=model,
tools=[search_tavily],
system_prompt=f"""You are a helpful research assistant. Today is {today}.
Use the search_tavily tool when you need up-to-date facts.
If your memory already answers the task, you may answer without searching.""",
)
第三,perform_task 缩短成一次调用。没有 for
循环,没有 stop=["Action"],也没有 re.search,
因为 LangChain 会自己思考、调用工具、观察,然后重复,直到模型给出答案:
def perform_task(task):
"""Let the LangChain agent do one task, print each step, and return the answer."""
print(f"\n########## TASK: {task} ##########")
print("=== Memory loaded into the prompt ===")
print(memory_text())
prompt = f"""Task: {task}
Memory (what you learned before, with the date you learned it):
{memory_text()}"""
result = agent.invoke({"messages": [{"role": "user", "content": prompt}]})
answer = result["messages"][-1].content
print("=== Final Answer ===")
print(answer)
save_memory(task, answer) # long-term memory: keep it for next time
return answer
perform_task("When did Mark launch Muse")
perform_task("Is it available in Hong Kong yet?")
记忆相关的函数(load_memory、save_memory、
memory_text)以及程序末尾的记忆重置,都与
版本 6 完全相同,
所以这里略去。完整程序也会打印 LangChain 运行的每一步,并用消息类型标示
(AIMessage 代表思考/行动,ToolMessage 代表观察)。
一次真实运行
--- Task 1: "When did Mark launch Muse" ---
=== Memory loaded into the prompt ===
(empty)
=== AIMessage - Thought ===
I don't have any prior memory about "Mark" or "Muse" to work from, and the question is ambiguous. Let me search for likely possibilities.
=== AIMessage - Action ===
search_tavily({'query': 'Mark launched Muse'})
=== AIMessage - Action ===
search_tavily({'query': 'Mark Zuckerberg launches Muse app'})
=== ToolMessage - Observation from Tavily web search ===
[Meta Debuts Muse, Its Long-Planned Personal AI Agent - Slashdot] ... launched ...
[The New York Times] ... Mark Zuckerberg ... September 8, 2026 ...
=== Final Answer ===
Muse launched on September 8, 2026. (Meta's personal AI agent, announced by Mark Zuckerberg; a related Muse Charm keychain device targets December 2026.)
--- Task 2: "Is it available in Hong Kong yet?" ---
=== Memory loaded into the prompt ===
- [2026-10-09] Q: When did Mark launch Muse A: ...the full September 8 answer...
=== AIMessage - Action ===
search_tavily({'query': 'Meta Muse personal AI agent Hong Kong availability launch'})
=== AIMessage - Action ===
search_tavily({'query': 'Muse Spark app supported countries Hong Kong rollout 2026'})
=== ToolMessage - Observation from Tavily web search ===
...US-only launch; "Singapore, Malaysia, Hong Kong, Taiwan — No official launch announced"; App Store listing appears only in the US storefront...
=== Final Answer ===
No — Meta's Muse is not available in Hong Kong yet. ... As of now, Muse is a US-exclusive launch. No timeline has been announced for Hong Kong or any other Asia-Pacific market.
有两点值得注意。第一,代理在同一轮发出两次搜索 —— 我们手写的循环每回合只允许一个行动,但函数调用让模型可以一次请求多个工具 —— 这里它在同一个回复中搜索了 “Mark launched Muse”和 “Mark Zuckerberg launches Muse app”。第二,任务 2 的表现 与版本 6 完全一样:它读取记忆,知道“它”指什么,并附上来源作答。换了引擎 并没有改变行为 —— 这正是重点所在。
在自己的电脑上运行
下载示范程序
(Folder-AI-ReAct07.zip)。zip 内有三个文件:
ReAct07.py(完整程序)、pyproject.toml 和
README.md。
- 在 Visual Studio Code 打开这个文件夹。
-
在文件夹里创建一个名为
.env的文件,内容有两行:
密钥:DeepSeek 控制台和 Tavily (两者都有免费起始额度)。DEEPSEEK_API_KEY=your-deepseek-key TAVILY_API_KEY=your-tavily-key - 在终端运行:
uv sync uv run ReAct07.pyuv sync会替你安装 LangChain;.env文件的内容 和两个任务都与版本 6 相同,所以你可以并排比较两份输出。
为什么这个实验值得做
- 框架负责杂务,不负责思考。代理依然像以前一样思考、行动 和观察 —— LangChain 只是接手我们在前几版手写的日常杂务。
- 我们明确告诉 LangChain 代理可以使用哪些工具。在之前的版本, 模型把工具名称写成文字,我们的程序要把它找出来再运行。现在模型只需从我们 交给 LangChain 的工具清单中挑选 —— 不用找,也不会弄错。
- 先像前几版那样,不用任何框架,用 Python 自己建一次;然后才像 这一版一样改用 LangChain。自己写过那个循环,你就能看懂 LangChain 究竟替你做了什么 —— 当它做出意想不到的事情时,也懂得调试。
延伸阅读
- LangChain 文档 ——
create_agent、工具与消息。 - ReAct: Synergizing Reasoning and Acting in Language Models —— 为本系列所构建的这种模式命名的论文。
- Tavily 文档 —— 搜索选项、免费方案与收费。
- DeepSeek API 文档 —— 模型、密钥与收费。