LangChain教程 - Agent - 支持 9 种 ReAct 交互

弁言

LangChain 总结了 9 种经典的复杂模子交互模式，每种都针对特定使命计划，兼具独特上风与实用场景，内容涵盖： ReAct、Function Call、知识库、搜刮等，利用这些模式可以大大简化这些场景开发难度。这些模式可以利用Agent情势来利用，并以AgentType来做区分，详见下面实例。在开发时，选择符合的 AgentType 是成功的关键，本文将逐一分析这些署理类型，结合特性分析、应用场景和代码示例，助你在现实项目中快速找到最优解。

---

1. ZERO_SHOT_REACT_DESCRIPTION

特点

• 基于 ReAct 模子：推理（Reasoning）与行动（Action）结合。
  
• 无需训练样本即可完成使命（零样本）。
  

上风

简朴直接，适合快速推理与操作。
范围性

对复杂使命的处置惩罚本领有限。
应用场景

底子盘算、逻辑推理或单步查询。
代码示例

1. from langchain.agents import initialize_agent, AgentType
2. from langchain.chat_models import ChatOpenAI
3. from langchain.tools import Tool
5. # 定义工具：计算平方
6. def square_number(n: str):
7.     return int(n) ** 2
9. square_tool = Tool(name="Square Calculator", func=square_number, description="计算一个数的平方")
11. # 初始化代理
12. agent = initialize_agent(
13.     tools=[square_tool],
14.     llm=ChatOpenAI(model="gpt-4"),
15.     agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
16.     verbose=True
17. )
19. # 执行任务
20. response = agent.run("计算 5 的平方")
21. print(response)  # 输出: 25

复制代码

---

2. REACT_DOCSTORE

特点

• 在 ReAct 底子上集成文档存储（DocStore）。
  
• 先检索文档，再推理答复。
  

上风

加强了对知识库的支持，适合信息麋集型使命。
范围性

需要预先准备文档库，初始化成本较高。
应用场景

知识库问答、RAG 系统。
代码示例

1. from langchain.vectorstores import FAISS
2. from langchain.embeddings import OpenAIEmbeddings
3. from langchain.document_loaders import TextLoader
4. from langchain.tools import Tool
6. # 加载文档并创建向量存储
7. loader = TextLoader("knowledge.txt")
8. docs = loader.load()
9. vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())
11. # 定义检索工具
12. def retrieve_docs(query: str):
13.     return vectorstore.similarity_search(query, k=3)
15. docstore_tool = Tool(name="Document Retriever", func=retrieve_docs, description="检索文档内容")
17. # 初始化代理
18. agent = initialize_agent(
19.     tools=[docstore_tool],
20.     llm=ChatOpenAI(model="gpt-4"),
21.     agent=AgentType.REACT_DOCSTORE,
22.     verbose=True
23. )
25. response = agent.run("查找人工智能相关资料")
26. print(response)

复制代码

---

3. SELF_ASK_WITH_SEARCH

特点

• 将复杂问题拆解为子问题，通过搜刮工具逐一解决。
  
• 动态获取外部信息。
  

上风

适合需要实时数据的使命。
范围性

依赖搜刮工具质量，相应时间可能较长。
应用场景

时事查询、专业资料搜集。
代码示例

1. from langchain.tools import Tool
2. from langchain.utilities import GoogleSearchAPIWrapper
4. # 配置 Google 搜索工具（需 API Key）
5. search = GoogleSearchAPIWrapper()
6. search_tool = Tool(name="Google Search", func=search.run, description="通过 Google 搜索信息")
8. # 初始化代理
9. agent = initialize_agent(
10.     tools=[search_tool],
11.     llm=ChatOpenAI(model="gpt-4"),
12.     agent=AgentType.SELF_ASK_WITH_SEARCH,
13.     verbose=True
14. )
16. response = agent.run("爱因斯坦哪年获得诺贝尔奖？")
17. print(response)  # 输出: 1921

复制代码

---

4. CONVERSATIONAL_REACT_DESCRIPTION

特点

• 支持多轮对话，具备上下文记忆。
  
• 融合 ReAct 的推理与操作本领。
  

上风

动态适应用户需求，交互性强。
范围性

对内存管理要求较高。
应用场景

聊天机器人、智能客服。
代码示例

1. from langchain.memory import ConversationBufferMemory
3. # 配置上下文记忆
4. memory = ConversationBufferMemory(memory_key="chat_history")
6. # 初始化代理
7. agent = initialize_agent(
8.     tools=[],
9.     llm=ChatOpenAI(model="gpt-4"),
10.     agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
11.     memory=memory,
12.     verbose=True
13. )
15. print(agent.run("中国的 GDP 是多少？"))
16. print(agent.run("比去年增长了多少？"))  # 利用上下文回答

复制代码

---

5. CHAT_ZERO_SHOT_REACT_DESCRIPTION

特点

• 为聊天场景优化的零样本 ReAct。
  
• 注重天然语言表达。
  

上风

对话流畅，适合轻量交互。
范围性

不支持复杂工具调用。
应用场景

简朴聊天助手。
代码示例

1. agent = initialize_agent(
2.     tools=[],
3.     llm=ChatOpenAI(model="gpt-4"),
4.     agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
5.     verbose=True
6. )
8. response = agent.run("介绍 Python 语言的特点。")
9. print(response)

复制代码

---

6. CHAT_CONVERSATIONAL_REACT_DESCRIPTION

特点

• 结合聊天优化与上下文记忆。
  
• 支持更复杂的多轮对话。
  

上风

实用于长时间、连贯的交互。
范围性

配置稍复杂，盘算资源需求较高。
应用场景

高级客服、交互式问答。
代码示例

1. agent = initialize_agent(
2.     tools=[],
3.     llm=ChatOpenAI(model="gpt-4"),
4.     agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
5.     verbose=True
6. )
8. response = agent.run("什么是机器学习？")
9. print(response)

复制代码

---

7. STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION

特点

• 支持多工具调用，返回结构化数据。
  
• 使命处置惩罚更具条理性。
  

上风

适合复杂使命的综合处置惩罚。
范围性

对工具定义要求较高。
应用场景

天气查询、综合信息整合。
代码示例

1. from langchain.tools import Tool
3. # 定义天气工具
4. def get_weather(city: str):
5.     return f"{city} 当前温度为 25°C"
7. weather_tool = Tool(name="Weather Tool", func=get_weather, description="获取城市天气")
9. # 初始化代理
10. agent = initialize_agent(
11.     tools=[weather_tool],
12.     llm=ChatOpenAI(model="gpt-4"),
13.     agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
14.     verbose=True
15. )
17. response = agent.run("查询北京的天气")
18. print(response)

复制代码

---

8. OPENAI_FUNCTIONS

特点

• 利用 OpenAI 的 function calling 机制。
  
• 直接调用外部 API，返回结构化结果。
  

上风

调用精准，相应高效。
范围性

依赖 OpenAI 模子支持。
应用场景

API 驱动使命，如航班查询。
代码示例

1. from langchain.tools import StructuredTool
2. from pydantic import BaseModel
4. # 定义查询结构
5. class FlightQuery(BaseModel):
6.     origin: str
7.     destination: str
9. def search_flights(query: FlightQuery):
10.     return f"从 {query.origin} 到 {query.destination} 的航班价格约为 1500 元"
12. flight_tool = StructuredTool.from_function(func=search_flights, name="Flight Search", description="查询航班价格")
14. # 初始化代理
15. agent = initialize_agent(
16.     tools=[flight_tool],
17.     llm=ChatOpenAI(model="gpt-4"),
18.     agent=AgentType.OPENAI_FUNCTIONS,
19.     verbose=True
20. )
22. response = agent.run("查询从北京到上海的航班价格。")
23. print(response)

复制代码

---

9. OPENAI_MULTI_FUNCTIONS

特点

• 支持多个 OpenAI 函数调用。
  
• 可整合多源数据。
  

上风

处置惩罚多使命本领强。
范围性

配置复杂，依赖多工具协作。
应用场景

综合查询，如航班与汇率结合。
代码示例

1. from langchain.tools import Tool
3. # 定义汇率工具
4. def get_exchange_rate():
5.     return "当前 1 USD = 7.2 CNY"
7. exchange_tool = Tool(name="Exchange Rate Checker", func=get_exchange_rate, description="获取美元兑人民币汇率")
9. # 初始化代理
10. agent = initialize_agent(
11.     tools=[flight_tool, exchange_tool],
12.     llm=ChatOpenAI(model="gpt-4"),
13.     agent=AgentType.OPENAI_MULTI_FUNCTIONS,
14.     verbose=True
15. )
17. response = agent.run("查询从北京到上海的航班价格，并获取最新美元汇率。")
18. print(response)

复制代码

总结与选择指南

署理类型核心特点上风范围性实用场景ZERO_SHOT_REACT_DESCRIPTION零样本推理与操作简朴高效不适合复杂使命底子盘算、逻辑推理REACT_DOCSTORE文档检索 + 推理知识库支持强需预置文档知识库问答、RAGSELF_ASK_WITH_SEARCH问题拆解 + 搜刮实时信息获取依赖搜刮质量时事、专业查询CONVERSATIONAL_REACT_DESCRIPTION多轮对话 + 上下文交互性强内存需求高聊天机器人、智能客服CHAT_ZERO_SHOT_REACT_DESCRIPTION聊天优化零样本对话流畅无复杂工具支持简朴聊天助手CHAT_CONVERSATIONAL_REACT_DESCRIPTION聊天 + 上下文记忆连贯性好配置复杂高级客服、多轮问答STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION多工具 + 结构化输出处置惩罚复杂使命工具定义要求高天气、综合查询OPENAI_FUNCTIONS单函数调用调用精准依赖 OpenAIAPI 驱动使命OPENAI_MULTI_FUNCTIONS多函数调用数据整合本领强配置复杂综合多使命查询 选择发起

• 轻量使命：优先 ZERO_SHOT_REACT_DESCRIPTION 或 CHAT_ZERO_SHOT_REACT_DESCRIPTION。
  
• 知识麋集型：选择 REACT_DOCSTORE 或 SELF_ASK_WITH_SEARCH。
  
• 多轮交互：推荐 CONVERSATIONAL_REACT_DESCRIPTION 或 CHAT_CONVERSATIONAL_REACT_DESCRIPTION。
  
• 复杂工具调用：利用 STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION 或 OPENAI_MULTI_FUNCTIONS。
  

盼望这篇优化后的指南能为你的 LangChain 项目提供清晰指引！如需更具体案例或代码调试发起，请随时告诉我。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。