✅Agent常用架构：ReAct Agent
在前面介绍提示词工程的时候，我们提到过ReAct这种模式，目的是让 LLM 同时具备推理（Reasoning）与行动（Acting）能力，从而更可靠地解决复杂任务。
而我们在开发Agent的时候，通常也会用到这种模式，使用这种模式开发出来的Agent叫做ReAct Agent
人类解决问题 = 思考 + 行动 + 观察 → 再思考 → 再行动……
ReAct Agent也模仿这一过程，让 LLM 在每一步交替输出：
Thought（思考）：分析当前状态、制定下一步计划
Action（行动）：调用工具（如搜索、计算、API）
Observation（观察）：接收工具返回的结果
针对用户的提问，LLM会先进行思考（Thought），指定行动计划，行动计划中包括使用哪些工具，接着进行工具执行（Action），在工具执行之后，观察（Observation）工具执行的结果，基于结果继续思考后续的行动计划。如果需要执行工具就继续执行，直到LLM认为所有行动都做完了为止。
我们假设想要通过AI实现这样的功能：帮我分析最近三个月特斯拉（TSLA）的股价走势，并结合新闻事件解释可能的影响因素。
效果
在 React（Reasoning + Acting）Agent 的原始论文《ReAct: Synergizing Reasoning and Acting in Language Models》 https://arxiv.org/abs/2210.03629
作者通过两个主要任务示例来展示 ReAct 框架的有效性。这两个例子分别是：
分别用不同的Agent 框架回答，得到的答案差别很大，标准方法、纯推理、纯行动都给出了错误答案，只有ReAct给出了正确答案。
并且也有实验证明，使用ReAct之后，在解决问题上能力大大提升
我们试着实现一个普通的Agent：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
| @Autowired
private ChatMemory chatMemory;
@Autowired
private ChatModel chatModel;
@AutowiredToolCallingManager toolCallingManager;
@GetMapping("/chat0")
public String chat0(String conversationId) {
Prompt promptWithMemory = new Prompt(chatMemory.get(conversationId), chatOptions);
return chatResponse.getResult().getOutput().getText();
}
|
为了让能够具备agent的能力，我们给他提供了工具以及记忆的能力：
1
2
|
Prompt promptWithMemory = new Prompt(chatMemory.get(conversationId), chatOptions);
|
我们实现以下这个股票工具：
一共提供三个方法，分别是通过公司名称获取股票代码，通过股票代码查询股价，通过公司名称查询新闻。
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
| public class StockTools {
@Tool(description = "查询近期股票价格") public StockPriceResponse search_prices(
@ToolParam(description = "股票代码") String code) {
System.out.println("search_prices : " + code); StockPriceResponse response = new StockPriceResponse();
if (code.equals("TESLA")) {
response.setSuccess(true); Date today = new Date(); response.setStock
List(List.of(new Stock(today, new BigDecimal("12.21")), new Stock(DateUtils.addDays(today, -1), new BigDecimal("12.24")), new Stock(DateUtils.addDays(today, -2), new BigDecimal("12.26")), new Stock(DateUtils.addDays(today, -3), new BigDecimal("12.28")), new Stock(DateUtils.addDays(today, -4), new BigDecimal("12.32")), new Stock(DateUtils.addDays(today, -5), new BigDecimal("12.40"))));
return response; }
response.setSuccess(false); response.setErrorMessage("请传入正确的股票代码");
return response; }
@Tool(description = "根据公司名称查询股票代码") public String search_code(
@ToolParam(description = "公司名称") String companyName) {
System.out.println("search_code : " + companyName);
if (companyName.equals("百度")) {
return "BIDU"; }
else if (companyName.equals("阿里")) {
return "BABA"; }
else if (companyName.equals("特斯拉")) {
return "TESLA"; }
else {
return "股票代码查询失败，请输出正确公司名，要求是中文"; } }
@Tool(description = "根据公司名查询最近的新闻") public List<String> getNews(
@ToolParam(description = "公司名称") String companyName) {
System.out.println("getNews : " + companyName);
return List.of("特斯拉无人驾驶在上海被禁用", "特斯拉创始人深陷财务危机", "特斯拉股价大跌"); }
}
|
这里，我为了避免模型已有知识的影响，也为了对比效果，我们特意让特斯拉的股票代码和实际模型学到的不一样（就像我们的私有化知识一样，模型是学不到的），我们用的是TESLA（特斯拉股票代码实际是TSLA）。这样模型就一定需要通过公司名来调我的工具才能查到”正确”的股票代码。
通过请求这个agent，我们可以看到以下控制台输出：
1
| search_code : 特斯拉search_prices : TSLAsearch_prices : TSLAgetNews : 特斯拉
|
页面输出：
可以看到，他并没有实际的获取到特斯拉的股价信息。虽然他第一步也去查询了股票代码，但是他并没用，而在第二部查询价格的时候，我们接口返回错误了，但是他并没有修改代码，还是用错误的代码在查询，最后就是失败了。
那么，我们换一种react的方式来实现这个agent（具体实现细节可先不细看，后面的文章会单独讲。）：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
| @GetMapping("/chat")
public String chat(String conversationId) {
Prompt promptWithMemory = new Prompt(chatMemory.get(conversationId), chatOptions);
for (Message message11 : chatMemory.get(conversationId)) {
System.out.println(message11); }
return chatResponse.getResult().getOutput().getText();
}
|
控制台输出如下：
1
| search_code : 特斯拉search_prices : TSLAsearch_prices : TESLAgetNews : 特斯拉
|
页面输出如下：
可以看到，react agent有了一个反思的过程，他先是观察到我们的工具返回结果，发现TSLA这个股票代码并不对，于是他开始用我们代码中返回的代码进行了查询。
这就是React Agent的好处，它能够做观察和反思，并且在后续行动中进行修正。
