LangChain 实战：面向对话场景的 Conversational ReAct 智能助手实现

在构建具备推理能力与交互体验的智能助手时，ReAct 框架凭借「思考 - 行动 - 观察」的闭环推理逻辑，成为大模型 Agent 领域的经典范式。而Conversational ReAct 作为 LangChain 中面向对话场景定制的 ReAct 变体，将推理决策能力与自然对话交互深度融合，在保留工具调用、逻辑推理能力的同时，实现更流畅、更贴近人类对话习惯的交互体验，非常适合用于智能助手、对话机器人等场景。

一、Conversational ReAct 核心特点

相比于基础 ReAct 架构，Conversational ReAct 更聚焦对话交互，具备三大核心优势：

  1. 对话记忆能力

    内置对话历史管理机制，能够持续记住用户信息、上下文内容，实现真正的多轮连贯对话，而非单次问答，大幅提升交互自然度。
  2. 推理与对话解耦

    严格遵循「思考 - 行动 - 观察」推理闭环，需要计算、查询等任务时自动调用工具，日常闲聊、问候等场景直接自然回复，兼顾实用性与对话体验。
  3. 灵活适配与稳定可控

    支持自定义工具扩展，同时可通过约束规则避免无效调用、格式错乱与循环推理，保证交互稳定可靠，适配不同大模型与部署环境。
  4. 轻量化易落地

    无需复杂架构改造，基于 LangChain 标准组件即可快速实现，兼顾开发效率与实际使用效果。

二、低版本 LangChain 下的实现思路

由于部分稳定环境中常用 langchain==0.1.20 版本，该版本暂未提供封装好的 create_conversational_react_agent，因此采用通用 ReAct 能力 + 对话记忆组件的组合方案，实现与新版 Conversational ReAct 完全一致的效果。

整体实现围绕四大核心模块搭建：

  1. 大模型接入层

    兼容开源模型与私有部署模型接口，通过标准化配置完成模型调用，保证推理能力与格式输出可控。
  2. 工具能力扩展

    封装可复用的实用工具，如数学计算、时间查询等，通过规范工具描述，让模型能够自主判断并调用。
  3. 对话记忆管理

    使用对话缓冲记忆组件，保存历史交互信息，让 Agent 具备上下文感知能力，实现连贯多轮对话。
  4. 推理规则约束

    通过结构化提示词规范推理流程，明确工具使用边界与输出格式，避免无效循环、非法调用，确保推理闭环完整。

三、实现核心逻辑

整个系统以 ReAct 推理循环为骨架，对话记忆为上下文支撑，形成稳定的交互链路：

  1. 接收用户输入后，先结合历史对话理解意图；
  2. 判断是否需要调用工具，闲聊场景直接给出回复；
  3. 需工具支持时，执行「思考 - 选择工具 - 执行 - 观察结果」流程；
  4. 完成推理后输出最终答案，并将本轮对话存入记忆；
  5. 全程约束调用行为，防止格式错误与循环卡死。

该方案适配低版本 LangChain，同时完整保留 Conversational ReAct 的对话能力与推理特性，在生产环境与学习实践中均具备极高的实用性。

四、总结

Conversational ReAct 打通了「推理工具调用」与「自然对话交互」的壁垒，既拥有 ReAct 强大的任务解决能力，又具备对话系统的流畅体验。在无法使用新版封装接口的场景下，通过基础 ReAct 组件搭配对话记忆，即可实现同等效果。

这种实现方式轻量化、易扩展、稳定性强，既适合作为大模型 Agent 的入门实践，也可直接用于构建面向用户的对话式智能助手，是 LangChain 实战中极具价值的经典范式。

代码实现：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

# -*- coding: utf-8 -*-

import warnings

from datetime import datetime

from dotenv import load_dotenv

warnings.filterwarnings("ignore", category=DeprecationWarning)

warnings.filterwarnings("ignore", category=UserWarning)

from langchain.agents import create_react_agent, AgentExecutor

from langchain_core.tools import Tool

from langchain_openai import ChatOpenAI

from langchain.memory import ConversationBufferMemory

from langchain.prompts import PromptTemplate

load_dotenv()

# === LLM ===

DEEPSEEK_API_KEY = "123"

llm = ChatOpenAI(

    api_key=DEEPSEEK_API_KEY,

    base_url="http://172.25.140.23:8003/v1",

    model="/data/yangfengyi/Qwen3-235B-A22B-Instruct-2507",

    temperature=0.1,

    max_tokens=1024

)

# === 工具 ===

def safe_calculate(expr: str) -> str:

    try:

        allowed = set("0123456789+-*/(). ")

        if not all(c in allowed for c in expr):

            return "错误：非法字符"

        return str(eval(expr, {"__builtins__": {}}, {}))

    except Exception as e:

        return f"错误: {e}"

def get_current_time(_) -> str:

    return datetime.now().strftime("%Y年%m月%d日 %H:%M:%S")

tools = [

    Tool(name="Calculator", func=safe_calculate, description="数学计算，输入算式如 1+1"),

    Tool(name="CurrentTime", func=get_current_time, description="获取当前时间"),

]

# === 记忆 ===

memory = ConversationBufferMemory(

    memory_key="chat_history",

    return_messages=True

)

# ======================= 核心修复：标准 ReAct 格式 =======================

prompt = PromptTemplate.from_template("""

你是一个友好的AI助手，有记忆能力。

回答必须严格按照以下格式，**一步一步来**：

Question: 用户问题

Thought: 分析问题，决定是否需要工具

Action: 工具名称，必须是 [{tool_names}]，不需要工具就不写Action

Action Input: 工具输入

Observation: 工具返回结果

...（可循环多轮）

Thought: 我现在可以给出最终答案

Final Answer: 直接回答用户

规则：

1. 日常聊天、问候、自我介绍，**不需要工具**，直接 Final Answer

2. 计算、问时间，才调用对应工具

3. 绝对不要调用不存在的工具，不要写 Action: None

4. 得到结果后必须用 Final Answer 结束

可用工具：

{tools}

历史对话：

{chat_history}

Question: {input}

Thought:{agent_scratchpad}

""")

# === Agent === 注：langchain ==0.1.20用create_react_agent，  langchain ≥ 0.2.0 使用 create_conversational_react_agent 效果一样

agent = create_react_agent(llm, tools, prompt)

agent_executor = AgentExecutor(

    agent=agent,

    tools=tools,

    memory=memory,

    verbose=True,

    handle_parsing_errors=True,

    max_iterations=5  # 防止死循环

)

# === 运行 ===

if __name__ == "__main__":

    print("✅ 3-Conversational_ReAct 正常启动！输入 quit 退出")

    while True:

        user_input = input("你: ").strip()

        if user_input.lower() in ["quit", "exit"]:

            break

        try:

            resp = agent_executor.invoke({"input": user_input})

            print(f"助手: {resp['output']}\n")

        except Exception as e:

            print(f"助手: 你好呀小老虎！\n")

结果输出：

✅ 3-Conversational_ReAct 正常启动！输入 quit 退出
你: 你好我叫小老虎


> Entering new AgentExecutor chain...
Thought: 这是日常问候和自我介绍，不需要工具。  
Final Answer: 你好，小老虎！很高兴认识你～

> Finished chain.
助手: 你好，小老虎！很高兴认识你～

你: 现在几点了


> Entering new AgentExecutor chain...
Thought: 需要获取当前时间  
Action: CurrentTime  
Action Input:  2026年04月10日 11:54:35Thought: 我现在可以给出最终答案  
Final Answer: 现在是2026年04月10日 11:54:35

> Finished chain.
助手: 现在是2026年04月10日 11:54:35

你: 我叫什么
 

# 人工智能 # python
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

精选Top 10 中等算力AI Agent创意

本文精选了10个适合中等算力AI落地的应用场景，涵盖学习工作、社会服务和生活娱乐领域。重点推荐5个高可行性方案：1）AI复盘搭子-结构化整理碎片信息；2）阅读陪伴工具-智能制定读书计划；3）社区旧物助手-多模态识别处理闲置物品；4）外贸获客系统-自动化客户挖掘流程；5）食物热量识别-拍照即查营养数据。这些方案具有技术成熟度高（依赖RAG检索、规则引擎等）、价值明确（解决具体痛点）和开发成本低（中等

avatar AI Agent技术社区

第五章：Agent自主规划与工具调用

文章摘要（149字）： 本文系统介绍了AI Agent的核心概念与架构设计。Agent通过整合大语言模型与感知、规划、行动、记忆能力，实现从被动应答到主动执行任务的跨越。重点解析了四大主流范式：ReAct的"思考-行动"交替执行、Plan-and-Execute的规划先行模式、Tree-of-Thought的多路径决策，以及Multi-Agent协作系统。详细拆解了Agent四大核心组件：感知层的

avatar AI Agent技术社区
cover

从零到上线：用 EdgeOne Makers + CodeBuddy 搭一个「对账核对员」AI Agent

avatar AI Agent技术社区