AI 大模型旅游规划智能体 React Agent 实战

一、为什么需要 ReAct 智能体？复杂任务的'推理刚需'

之前学的 initialize_agent 适合简单任务，create_tool_calling_agent 擅长结构化参数传递，但面对需要多步推理的复杂任务（比如旅游规划），它们就显得力不从心：

无法清晰拆解任务（比如'查天气→荐活动→查股价'需要分步执行）
遇到错误不会自我修正（比如工具调用失败后不知道重试）
思考过程不透明（调试时看不到智能体'为什么这么做'）

而基于 ReAct 框架的 create_react_agent，完美解决了这些问题——它让智能体像人一样'边想边做'，通过'推理→行动→观察'的循环，一步步拆解并完成复杂任务，特别适合旅游规划这类需要动态决策的场景。

二、ReAct 框架核心：推理 + 行动 + 观察

在这里插入图片描述

ReAct（Reasoning + Acting）是一种让智能体具备'思考能力'的设计模式，核心是通过循环迭代完成任务，每一轮都包含三个步骤：

2.1 三步循环流程

步骤	核心动作	示例（旅游规划场景）
推理（Reason）	分析当前状态，决定下一步'该做什么'（调用工具/直接回答）	'要推荐活动，得先查北京天气，所以调用 get_weather 工具'
行动（Act）	执行决策（调用指定工具，传入正确参数）	调用 get_weather，输入参数'北京'
观察（Observe）	获取行动结果，更新状态，判断是否需要进入下一轮循环	得到天气'晴，25℃'，接下来需要调用推荐活动工具

2.2 标准格式示例

ReAct 智能体的思考和行动有固定格式，一眼就能看懂它的'心路历程'：

[Thought] 我需要先查北京的天气，才能推荐活动，还要查腾讯股价 [Action] get_weather [Action Input] 北京 [Observation] 晴，25℃ [Thought] 天气是晴，适合推荐户外活动，现在调用推荐工具 [Action] recommend_activity [Action Input] 晴，25℃ [Observation] 推荐户外活动：公园骑⾏。 [Thought] 还需要查腾讯股价，用 web_search 工具 [Action] web_search [Action Input] 腾讯最新股价 [Observation] 来源：XX 财经... 腾讯股价 412 港元... [Thought] 所有任务都完成了，可以整理结果 [Final Answer] 北京天气晴 25℃，推荐公园骑⾏；腾讯最新股价 412 港元

三、create_react_agent 方法详解

create_react_agent 是 LangChain 专门用于创建 ReAct 框架智能体的方法，专为复杂推理任务设计。

3.1 基础语法

from langchain.agents import create_react_agent
agent = create_react_agent(
    llm: BaseLanguageModel, # 支持 ReAct 格式的大模型
    tools: Sequence[BaseTool], # 工具列表（需详细文档字符串）
    prompt: ChatPromptTemplate # 包含 ReAct 特殊格式的提示模板
)-> Runnable # 返回可直接调用的智能体

3.2 三大必填参数

三个参数缺一不可，重点关注细节要求：

llm：必须支持 ReAct 推理格式，比如 qwen-plus、gpt-4、llama-3 等，旧版模型可能不兼容
tools：用 @tool 装饰的工具，每个工具的文档字符串要清晰（智能体靠文档判断'什么时候用'）
prompt：核心中的核心，必须包含 ReAct 的固定格式（Thought/Action/Action Input/Observation）

3.3 关键：ReAct Prompt 模板

3.3.1 快速使用官方模板

LangChain Hub 提供了现成的 ReAct 模板，直接拉取即可使用：

from langchain import hub # 拉取官方 ReAct 模板（推荐，无需自己写格式）
prompt = hub.pull("hwchase17/react")

3.3.2 模板核心内容解析

官方模板的核心逻辑如下（理解即可，无需修改）：

template =""" Answer the following questions using the following tools: {tools} # 注入工具列表 Use the following format: Question: the input question you must answer # 用户输入问题 Thought: you should always think about what to do # 每次都要写的思考过程 Action: the action to take, should be one of [{tool_names}] # 要调用的工具名（必须在工具列表中） Action Input: the input to the action # 工具的输入参数 Observation: the result of the action # 工具返回的结果 ...（可以重复 Thought/Action/Action Input/Observation 循环） Thought: I now know the final answer # 完成所有步骤后，表明可以输出最终结果 Final Answer: the final answer to the original input question # 最终回复用户的内容 """

四、智能体创建方法对比选型

面对三个常用智能体创建方法，该怎么选？记住'场景匹配'原则：

场景特征	推荐方法	原因说明
需要多步推理（如旅游规划）	create_react_agent	显式思考链，支持分步拆解任务
严格结构化参数传递	create_tool_calling_agent	直接输出 JSON 参数，解析错误率极低
快速开发简单任务	initialize_agent	开箱即用，无需复杂配置
错误后需要自我修正	create_react_agent	可重新推理，调整行动方案
需调试（看思考过程）	create_react_agent	思考链透明，易定位问题
API 集成（如支付、天气）	create_tool_calling_agent	参数格式严格，适配 API 需求

五、实战：打造旅游规划智能体

在这里插入图片描述

本次实战开发一个能完成'查城市天气→根据天气推荐活动→查实时股价'的旅游规划智能体，全程体验 ReAct 的'推理 + 行动'流程。

5.1 环境准备

确保安装所需依赖，拉取官方 ReAct 模板需要 LangChain Hub 权限（注册即可）：

pip install -U langchain langchain-openai langchain-community langchain-hub

5.2 步骤 1：定义工具（Tool）

创建 3 个核心工具，文档字符串要详细——ReAct 智能体全靠文档判断工具用途：

import os
from langchain.tools import tool
from langchain_community.utilities import SearchApiAPIWrapper

# ---------------------- 工具 1：获取城市天气 ----------------------
@tool
def get_weather(city: str) -> str:
    """ 获取指定城市的天气信息，用于旅游活动推荐。
    参数：city - 城市名称（如北京、上海、广州）
    """
    # 模拟天气数据（实际场景可替换为真实天气 API）
    weather_data = {
        "北京": "晴，25℃",
        "上海": "雨，20℃",
        "广州": "多云，28℃",
        "深圳": "晴，26℃"
    }
    return weather_data.get(city, f"暂不支持查询{city}的天气")

# ---------------------- 工具 2：根据天气推荐活动 ----------------------
@tool
def recommend_activity(weather: str) -> str:
    """ 根据天气信息推荐适合的旅游活动，必须先调用 get_weather 获取天气。
    参数：weather - get_weather 工具返回的天气字符串（如'晴，25℃'）
    """
    if "雨" in weather:
        return "推荐室内活动：博物馆参观、文创店打卡、特色美食探店"
    elif "晴" in weather:
        return "推荐户外活动：公园骑⾏、长城徒步、城市天际线拍照"
    elif "多云" in weather:
        return "推荐通用活动：老街漫游、主题乐园游玩、非遗体验"
    :
         



os.environ[] = 


 () -> :
    
    :
        search = SearchApiAPIWrapper()
        results = search.results(query) 
         .join([  res  results[][:]])
     Exception  e:
         


tools = [get_weather, recommend_activity, web_search]

5.3 步骤 2：初始化大模型

使用支持 ReAct 的大模型（这里用通义千问 qwen-plus）：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model_name="qwen-plus",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="sk-xxx", # 替换为自己的密钥
    temperature=0.3 # 降低随机性，提升推理稳定性
)

5.4 步骤 3：获取 ReAct Prompt 模板

直接拉取官方模板，避免自己写格式出错：

from langchain import hub # 拉取官方 ReAct 提示模板（核心：包含 Thought/Action 等固定格式）
prompt = hub.pull("hwchase17/react")

5.5 步骤 4：创建 ReAct 智能体和执行器

用 create_react_agent 创建智能体，再用 AgentExecutor 包装（负责运行循环）：

from langchain.agents import AgentExecutor

# 创建 ReAct 智能体
agent = create_react_agent(
    llm=llm,
    tools=tools,
    prompt=prompt
)

# 创建智能体执行器（控制运行参数）
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True, # 显示思考和行动过程（调试必备）
    max_iterations=5, # 最大循环次数（防止无限循环）
    handle_parsing_errors="请检查输入格式，确保问题清晰", # 错误处理
    return_intermediate_steps=True # 返回中间推理步骤
)

5.6 步骤 5：测试旅游规划任务

让智能体完成'北京 3 天旅游规划：查天气荐活动 + 查腾讯股价'的复杂任务：

# 发起用户查询
response = agent_executor.invoke({"input":"我要去北京玩 3 天，根据天气推荐活动，顺便查下腾讯最新股价"})

# 打印最终结果
print("\n" + "="*80)
print("旅游规划智能体最终回复：")
print(response["output"])

六、运行结果与解读

6.1 完整运行日志（关键部分）

> Entering new AgentExecutor chain...
Thought: I need to answer the user's question which has two parts: recommend activities based on Beijing's weather and check Tencent's latest stock price. First, I should get Beijing's weather using the get_weather tool.
Action: get_weather
Action Input: 北京
Observation: 晴，25℃
Thought: Now I have Beijing's weather, which is sunny and 25℃. Next, I should use the recommend_activity tool to suggest suitable activities.
Action: recommend_activity
Action Input: 晴，25℃
Observation: 推荐户外活动：公园骑⾏、长城徒步、城市天际线拍照
Thought: Now I need to check Tencent's latest stock price, which requires real-time information, so I should use the web_search tool.
Action: web_search
Action Input: 腾讯最新股价
Observation: 来源：腾讯控股股价行情 - 东方财富网 内容：腾讯控股（00700.HK）最新价 412.00 港元，涨跌幅 +1.52%...
Thought: I now know the final answer
Final Answer: 北京 3 天旅游规划建议：
1. 天气情况：晴，25℃
2. 推荐活动：公园骑⾏、长城徒步、城市天际线拍照
3. 腾讯最新股价：腾讯控股（00700.HK）最新价 412.00 港元，涨跌幅 +1.52%

6.2 结果解读

在这里插入图片描述

推理清晰：智能体按'查天气→荐活动→查股价'的顺序拆解任务，每一步都有明确的思考过程
循环执行：通过 3 轮'Thought→Action→Observation'循环完成任务，符合 ReAct 框架
透明可调试：verbose 模式下能看到完整思考链，出问题时能快速定位是哪一步出错

七、实战注意事项

大模型必须支持 ReAct：如果用不支持的模型（如 gpt-3.5-turbo-0301），会出现'不会循环推理'的问题，优先选 qwen-plus、gpt-4、llama-3-70b 等
工具文档要'精准'：智能体靠文档判断工具用途，比如 recommend_activity 的文档写'必须先调用 get_weather'，智能体就会按顺序调用
控制循环次数：设置 max_iterations（建议 3-5 次），防止智能体陷入无限循环
官方模板优先用：自己写 ReAct 格式容易漏项，优先用 hub.pull("hwchase17/react")
调试靠 verbose：遇到工具调用错误时，打开 verbose=True，看智能体的'Thought'就能知道它'为什么这么做'

八、总结

create_react_agent 的核心价值是让智能体具备'边想边做'的推理能力，通过 ReAct 框架的'推理→行动→观察'循环，完美解决复杂任务的分步拆解问题——这正是旅游规划、复杂问答等场景所需要的。

本次实战我们掌握了：

ReAct 框架的三大核心步骤（推理、行动、观察）
create_react_agent 的参数配置（重点是 ReAct Prompt 模板）
旅游规划智能体的完整开发流程
三种智能体创建方法的选型技巧

AI 大模型旅游规划智能体 React Agent 实战