ReAct Agent是什麼？使用LangChain與LangGraph的簡單範例

在深入了解 LangGraph 之前，讓我們先理解促成其發展的基礎概念。

什麼是 ReAct？

ReAct（推理與行動）是一個結合 AI 系統推理和行動的框架。基本概念是 AI 應該：

1. 推理它需要做什麼
2. 規劃它將採取的步驟
3. 執行這些計畫
4. 觀察結果
5. 反思並調整方法

就像一位廚師：

• 推理要做什麼菜
• 規劃烹飪步驟
• 按照食譜執行
• 觀察每個步驟的結果
• 如果有問題就反思並調整

什麼是 LangChain？

LangChain 是一個專為開發語言模型驅動應用程式而設計的框架。可以把它想像成一個工具包，幫助你使用大型語言模型（LLMs）如 GPT-4 或 Claude 來建構複雜的應用程式。LangChain 提供了建立操作鏈的基礎模組，每個步驟都可以包含以下任務：

• 與 LLM 互動
• 處理輸出結果
• 根據結果做出決策
• 存取外部工具或資料來源

舉例來說，你可以建立一個鏈，接收使用者問題、搜尋資料庫、格式化相關資訊，並使用 LLM 生成回應。

進入 LangGraph

LangGraph 是建立在 LangChain 之上的新函式庫，能更輕鬆愉快的使用 ReAct 框架開發複雜的應用程式。雖然 LangChain 很適合建立線性的操作鏈，但 LangGraph 在建構以下工作流程方面表現出色：

• 在互動過程中維持狀態
• 動態決定下一步要做什麼
• 處理複雜的迴圈和條件邏輯
• 管理多個代理協同工作

LangGraph 將這些工作流程實作為有向圖，其中每個節點代表流程中的一個步驟，邊緣代表步驟之間可能的路徑。

LangChain 的鏈和 LangGraph 的工作流程之間的關鍵差異在於，LangGraph 維持狀態並可以根據該狀態動態決定要走哪條路徑。這使得它特別適合：

• 多步驟推理任務
• 需要記住上下文的互動式代理
• 複雜的決策過程
• 可能需要迴圈或回溯的工作流程

本質上，LangGraph 將狀態機和基於圖的工作流程的力量帶到 LLM 應用程式中，讓建構更精密的 AI 系統變得更容易，這些系統可以根據互動進行推理、行動和適應。

LangGraph 視覺化與流程說明

上圖為LangGraph預設的結構，讓我們逐步分解各個步驟。

1. 起始點

• 流程從 __start__ 開始，代表初始進入點
• 這是系統首次接收使用者查詢或任務的地方

2. 模型互動（call_model）

• 第一個主要步驟是 call_model，代理在此與語言模型互動
• 在這裡，模型執行三個關鍵功能：
  • 分析當前情況
  • 推理潛在的行動
  • 決定是否使用工具或提供最終答案

3. 決策點

• 從 call_model 出發有兩條可能的路徑（以虛線表示）：
  • 通往 __end__ 的路徑：當模型有足夠資訊時選擇
  • 通往 tools 的路徑：需要外部工具時選擇

4. 工具執行（tools）

• 當需要工具時，系統可以執行各種操作：
  • 進行網路搜尋
  • 查詢資料庫
  • 執行計算
  • 發送 API 請求
• 工具執行後，結果會回流到 call_model（以實線弧形箭頭表示）

5. 回饋迴圈

• 從 tools 到 call_model 的實線弧形箭頭代表關鍵的回饋機制
• 這裡建立了一個疊代循環，代理會：
  • 處理工具結果
  • 重新評估情況
  • 決定下一步行動

6. 完成（__end__）

• 當代理收集到足夠資訊時，流程在 __end__ 結束
• 這代表對原始查詢的最終答案或解決方案

這個工作流程體現了 ReAct（推理與行動）模式：

• 思考： call_model 步驟代表推理
• 行動： tools 步驟代表採取行動
• 觀察： 回饋迴圈代表觀察結果

圖表的設計使用虛線表示條件性流程，實線表示保證轉換，創造了一個靈活但結構化的問題解決系統，能夠透過迭代推理和行動來處理複雜任務。

LangGraph 和 ReAct 框架的簡單範例

from langchain_core.tools import tool
from langchain_google_vertexai import ChatVertexAI
from langgraph.prebuilt import create_react_agent
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate

@tool
def add_two(input: int) -> int:
    """將輸入加二。"""
    return input + 2

@tool
def power_two(input: int) -> int:
    """將輸入的二次方。"""
    return input ** 2

tools = [add_two, power_two]
# 你可以根據需要更換模型
model = ChatVertexAI(model='gemini-1.5-flash-001')
langgraph_agent_executor = create_react_agent(model, tools)
prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一個有用的助手"),
        ("human", "{input}"),
        ("placeholder", "{agent_scratchpad}"),
    ]
)
agent = create_tool_calling_agent(model, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools)
query = "3 加 2 的值是多少？"
agent_executor.invoke({"input": query})
# {'input': '3 加 2 的值是多少？',
#  'output': '值是 5。 \n'}
query = "3 的二次方的值是多少？"
agent_executor.invoke({"input": query})
# {'input': '3 的二次方的值是多少？',
#  'output': '值是 9。 \n'}

query = "3 加 5 的值是多少？"
agent_executor.invoke({"input": query})
# {'input': '3 加 5 的值是多少？',
#  'output': '值是 7。 \n'}
# add_two 工具無法處理這個輸入，所以回傳 7
query = "5 的二次方，然後加 2 的值是多少？"
agent_executor.invoke({"input": query})
# {'input': '5 的二次方，然後加 2 的值是多少？',
#  'output': '值是 27。 \n'}

LangGraph 官方範例

如果你想使用 LangGraph 或 ReAct 框架建構應用程式，我強烈建議從 LangChain 官方範例開始。LangChain 提供五個範本：

1. 新的 LangGraph 專案
2. ReAct 代理
3. 記憶代理
4. 檢索代理
5. 資料豐富化代理

你可以使用這些官方範本踏出最困難的第一步，然後根據需求進行客製化。