大家好，我是链上杯子（CSDN：链上杯子）。

失业一年了，天天想着怎么翻身。上节课让AI记住对话后，我开始好奇：能不能让AI不只是被动回答，而是自己“想一想”该干什么？比如用户问“今天北京天气怎么样，能穿短袖吗？”，它能自己去查天气，再结合温度给出建议。LangChain 的 Agent 就是干这个的——给AI加上“思考-行动-观察-再思考”的循环。第一次跑通 ReAct Agent，看到它自己调用工具解决问题，感觉像给AI装了个“小脑”。

本课目标：
学会使用 LangChain 的 Agent 系统（以 ReAct Agent 为例），让AI根据用户问题自动决定是否需要调用工具、怎么思考、最终给出答案。
学完这节课，你就能构建一个“能自己查资料、计算、读文件”的智能代理，交互更接近真实助手。

核心代码实战

1. 最基础 ReAct Agent —— 让AI自己决定用工具

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_react_agent
from langchain_classic.prompts import PromptTemplate
from langchain.tools import tool

# 初始化模型
llm = ChatOpenAI(
    openai_api_key="",   # ←←← 这里替换成你的 DeepSeek API Key
    openai_api_base="https://api.deepseek.com/v1",
    model="deepseek-chat",
    temperature=0
)

# 定义一个简单工具（@tool 装饰器是新版写法）
@tool
def multiply(a: float, b: float) -> float:
    """把两个数字相乘"""
    return a * b

@tool
def get_weather(city: str) -> str:
    """获取指定城市的当前天气（模拟工具，实际可换真实API）"""
    # 这里只是模拟，真实场景用 requests 调用天气API
    if "北京" in city:
        return "北京当前温度25°C，多云转晴，适合穿短袖。"
    elif "上海" in city:
        return "上海当前温度28°C，阴雨，建议带伞。"
    else:
        return f"{city}的天气数据暂不可用。"

tools = [multiply, get_weather]

# ReAct Prompt（经典模板，AI会自己思考“Thought → Action → Observation”）
# 修改为中文提示词
react_prompt = PromptTemplate.from_template(
    """尽可能好地回答以下问题。你可以使用以下工具：

{tools}

请严格按照以下格式回答：

问题：你必须回答的输入问题
思考：你应该始终思考该做什么
行动：要采取的行动，必须是 [{tool_names}] 中的一个
行动输入：行动的输入
观察：行动的结果
...（思考/行动/行动输入/观察 可以重复 N 次）
思考：我现在知道最终答案了
最终答案：对原始输入问题的最终答案

开始！

问题：{input}
思考：{agent_scratchpad}"""
)

# 创建 ReAct Agent
agent = create_react_agent(llm, tools, react_prompt)

# Agent 执行器
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 测试1：调用计算工具
print("测试1：计算")
result1 = agent_executor.invoke({"input": "25乘以18等于多少？"})
print("结果：", result1["output"])

# 测试2：调用天气工具 + 推理
print("\n测试2：天气 + 推理")
result2 = agent_executor.invoke({"input": "今天北京天气怎么样，能穿短袖吗？"})
print("结果：", result2["output"])

运行后会看到 verbose 输出类似（思考过程全中文）：

思考：我需要计算 25 * 18，所以用 multiply 工具。
行动：multiply
行动输入：25, 18
观察：450
思考：答案是450。
最终答案：450

天气问题会自动调用 get_weather 工具并推理。

小知识点：

• @tool：定义工具的最简单方式（新版推荐）。
• create_react_agent：创建 ReAct Agent（Reason + Act）。
• AgentExecutor：执行器，负责循环“思考-行动-观察”，直到得出最终答案。
• verbose=True：打印思考过程，便于调试。

2. 更复杂的例子 —— 加读文件工具

@tool
def read_file(filename: str) -> str:
    """读取指定文件的全部内容"""
    try:
        with open(filename, "r", encoding="utf-8") as f:
            return f.read()
    except Exception as e:
        return f"读取失败：{str(e)}"

tools.append(read_file)

# 更新 agent_executor（工具列表变了，需要重新创建）
agent = create_react_agent(llm, tools, react_prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 测试：让AI读本地文件
result_file = agent_executor.invoke({"input": "读取当前目录下 conversation_memory.json 文件的内容，并告诉我里面保存了多少条消息。"})
print("结果：", result_file["output"])

如果目录里有 conversation_memory.json，AI 会自己读文件并分析。

3. 互动版 —— 命令行 Agent 聊天

print("=== ReAct Agent 开始（输入 'quit' 退出） ===")

while True:
    user_input = input("你：").strip()
    if user_input.lower() == "quit":
        break
    
    result = agent_executor.invoke({"input": user_input})
    print("AI：", result["output"])

试试问：“帮我算 123 * 456，然后告诉我结果是多少。” 或 “北京天气适合穿什么衣服？”

小练习（2 道）

练习1（基础）
复制第1段代码，加一个新工具 @tool def add(a: float, b: float) -> float: return a + b。
测试问：“先加 100 和 200，再乘以 3，结果是多少？”
观察 AI 是否自己决定先调用 add 再 multiply。

练习2（进阶）
加一个自定义工具：@tool def search_note(keyword: str) -> str: return f"模拟搜索 '{keyword}' 的笔记内容..."
问：“我上次笔记里写了什么关于失恋的？”
让 AI 自己决定是否调用工具，并给出答案。

本课小结

本课学习了 Agent 基础：用 create_react_agent 创建 ReAct 代理、@tool 定义工具、AgentExecutor 执行思考-行动循环。
Agent 让 AI 从“被动回答”升级到“主动决策 + 调用工具”，是构建智能助手的里程碑。后续可加更多工具、记忆、RAG。

下节预告

下一课：Tools 与自定义工具 —— 给 AI 加上搜索、计算、读文件、调用外部API等能力，让代理更强大。

欢迎在评论区贴出你的 Agent 运行截图、思考过程、或有趣的工具调用记录～
如果觉得这篇有用，欢迎点赞或关注，一起玩转 LangChain！