✅React Agent的实现方式？
想要实现ReAct Agent，有两个关键点：
1、要让LLM按照ReAct的方式运行。
2、我们需要通过代码让Agent的”思考结果”、”行动”等串起来。
ReAct Prompt 想要让你的Agent能够按照思考 + 行动 + 观察的思路运行，提示词必须要给出说明，这是至关重要的一步，如果没有这一步，别的做了再多都是白搭。
以下是一个典型的ReAct System Prompt :
1 2 3 你是一个基于React架构（Reasoning-Act-Observation）的智能助手，你擅长使用工具帮我解决问题。 你的工作流程是：思考：基于当前获得的信息进行推理和反思，明确下一步行动的目标。行动：用于表示需要调用的工具，每一步行动必须是以下两种之一： 1、工具调用 [Function Calling]：根据任务需要，确定调用工具。 2、Finish[答案]：得出明确答案后使用此操作，返回答案并终止任务。观察：记录前一步行动的结果。 你可以进行多轮推理和检索，但必须严格按照上述格式进行操作，尤其是每一步“行动”只能使用上述两种类型之一。
按照以上提示词运行的话，一个LLM每一轮的运行输出结果有两种情况：
1、工具调用
2、Finish[答案]
如果解决问题的过程中，LLM认为还需要调用工具，则返回具体要调用的工具。如果LLM认为可以回答了，则返回 Finish+答案
ReAct Agent 通过以上Prompt约束之后，模型的输出结果，如果是要调用工具的话，那么就要继续执行，代码做工具调用，把调用结果组装给大模型，然后继续运行。
直到最终大模型输出不需要工具调用的时候，就可以返回了。那么整个运行过程就有以下流程：
1 2 3 4 5 6 while (true ) { if (无需工具调用) { break ; }
这部分需要靠代码实现的，因为我们前面讲过的，LLM不会具体调用工具，他只会告诉我们调用哪个工具和入参，所以，整个编排的过程需要靠代码实现。
openManus
接下来可以看看open manus中ReAct的实现（https://github.com/FoundationAgents/OpenManus/tree/main ）：
app/agent/base.py中的run方法，核心逻辑就是循环调用step方法，执行多步，直至达到最大步数或达到FINISHED状态，step方法是一个抽象方法，由BaseAgent类的子类实现：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 async def run (self, request: Optional [str ] = None ) -> str : """ Execute the agent's main loop asynchronously. Args: request: Optional initial user request to process. Returns: A string summarizing the execution results. Raises: RuntimeError: If the agent is not in IDLE state at start. """ if self.state != AgentState.IDLE: raise RuntimeError(f" Cannot run agent from state: {self.state} " ) if request: self.update_memory("user" , request) results: List [str ] = [] async with self.state_context(AgentState.RUNNING): while ( self.current_step < self.max_steps and self.state != AgentState.FINISHED ): self.current_step += 1 logger.info(f" Executing step {self.current_step} /{self.max_steps} " ) step_result = await self.step() results.append(f" Step {self.current_step} : {step_result} " ) if self.current_step >= self.max_steps: self.current_step = 0 self.state = AgentState.IDLE results.append(f" Terminated: Reached max steps ({self.max_steps} )" ) await SANDBOX_CLIENT.cleanup() return "\n" .join(results) if results else " No steps executed"
app/agent/react.py 实现了step方法，核心逻辑就是实现ReAct框架，在每步执行时，先调用think方法进行思考，再调用act方法进行行动
1 2 3 async def step (self ) -> str : """ Execute a single step: think and act.""" should_act = await self.think() if not should_act: return " Thinking complete - no action needed" return await self.act()
app/agent/toolcall.py中实现了think方法和act方法，think方法中，基于Tool Call，将可用的工具集和历史消息一并发送给大语言模型，由大语言模型进行思考，返回需要调用的工具和参数，act方法中，根据大语言模型返回的结果，调用工具，返回工具执行的结果。
类似的实现，在前面我们提到的jd的agent框架中，实现也基本都一样，如run方法：
如果映射到java代码的话，大致流程就是这样的：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 @GetMapping("/chat") public String chat (String conversationId) { Prompt promptWithMemory = new Prompt (chatMemory.get(conversationId), chatOptions); return chatResponse.getResult().getOutput().getText(); }
以上代码我并没有把所有流程都实现出来，主要是因为这个方案其实并不好，因为他需要根据模型的输出结果判断要不要继续执行action，其实我们可以利用spring ai中的功能，spring ai提供了功能，可以在模型结果中判断是否需要调模型。
Spring AI实现
但是需要注意的是，默认情况下spring ai会自动调用工具，所以我们需要把他设置为不自动调用，一个完整的react 的代码如下：
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(); }
这里首先在prompt中，移除了关于输出要求的内容，并且指定了工具toolCallbacks(ToolCallbacks.from(new StockTools())) ，也设置了工具的不自动执行internalToolExecutionEnabled(false)。
详见：https://docs.spring.io/spring-ai/reference/api/tools.html#\_user\_controlled\_tool\_execution
并且在工具执行后，LLM调用后，都把结果放到记忆中，这样LLM才能观察到之前的结果。
Spring AI Alibaba实现 在spring ai alibaba 的新版本中（>= 1.1.0.0-RC1） ，已经内置了一个React Agent，可以直接用：
1 2 3 4 5 6 7 8 @GetMapping("/chat") public String chat (String conversationId) throws GraphRunnerException { String systemPrompt = String.format("你是一个基于React架构（Reasoning-Act-Observation）的智能助手，你擅长使用工具帮我解决问题。" + "你的工作流程是：" + "1、思考：先根据用户的提问进行思考，推理出下一步需要进行的具体系统" + "2、行动：做具体的行动，这一步可以使用工具" + "3、观察：记录前一步行动的结果。你可以进行多轮思考和行动。如果要使用工具，请务必调用工具，不要自己随便捏造结果。" ); ReactAgent agent = ReactAgent.builder() .name("executor" ) .model(chatModel) .tools(ToolCallbacks.from(new StockTools ())) .systemPrompt(systemPrompt) .saver(new MemorySaver ()) .build(); RunnableConfig config = RunnableConfig.builder() .threadId(conversationId) .build(); AssistantMessage chatResponse = agent.call("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。" , config); return chatResponse.getText(); }
同样能实现类似的功能。他的原理后面单独讲。
但是需要注意的是，这个react agent只能代替我们实现代码部分的功能，即他会自动的根据是否有工具执行来判断是不是要继续执行，以及设置记忆等。但是他无法代替我们的提示词的react的指定，如果没有关于提示词的指定的话，它的输出就不稳定：
1 2 3 4 5 6 7 8 @GetMapping("/chat") public String chat (String conversationId) throws GraphRunnerException { String systemPrompt = String.format("你是一个智能助手，你擅长使用工具帮我解决问题。注意：你应该先查询时间，然后再查询航班帮我解决问题" ); ReactAgent agent = ReactAgent.builder() .name("executor" ) .model(chatModel) .tools(ToolCallbacks.from(new StockTools ())) .systemPrompt(systemPrompt) .saver(new MemorySaver ()) .build(); RunnableConfig config = RunnableConfig.builder() .threadId(conversationId) .build(); AssistantMessage chatResponse = agent.call("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。" , config); return chatResponse.getText(); }
（ModelScope的实现，我们在ModelScope章节单独介绍）
