ReAct范式深度解析：从理论到LangGraph实践

# 传统AI方法：要么纯推理，要么纯行动def traditional_reasoning_only(question):    """纯推理方法：仅基于训练数据回答"""    return "基于我的训练数据，今天可能是晴天"    def traditional_action_only(question):    """纯行动方法：直接调用API，缺乏思考"""    # 模拟直接调用API，没有推理过程    if "天气" in question:        return "晴天，温度25°C"  # 硬编码结果，没有推理    return "无法处理"
# ReAct方法：推理和行动交替进行def react_approach(question):    """ReAct方法：推理和行动交替进行"""    # 第1步：推理 - 分析问题    reasoning = "用户问的是今天某城市的天气，我需要查询实时天气信息"        # 第2步：行动 - 执行查询    weather_result = weather_api("某城市")        # 第3步：推理 - 分析查询结果    reasoning = "查询结果显示今天某城市是晴天，温度25度，这是实时准确信息"        # 第4步：行动 - 生成最终答案    return"今天某城市是晴天，温度25度，适合外出"

from langgraph.prebuilt import create_react_agentfrom langchain_core.tools import toolfrom langchain_Ollama import ChatOllamafrom langchain_core.messages import HumanMessage
# 1. 定义工具@tooldef search_weather(location: str) -> str:    """搜索指定地点的天气信息"""    # 模拟天气查询API    weather_data = {        "A城市": "晴天，温度25°C，湿度60%",        "B城市": "多云，温度22°C，湿度70%"    }    return weather_data.get(location, f"{location}的天气信息暂时无法获取")
@tooldef calculate_distance(city1: str, city2: str) -> str:    """计算两个城市之间的距离"""    # 模拟距离计算API    distances = {        ("A城市", "B城市"): "约500公里",        ("B城市", "A城市"): "约500公里"    }    return distances.get((city1, city2), f"{city1}到{city2}的距离信息暂时无法获取")
# 2. 创建模型model = ChatOllama(model="qwen3:8b", temperature=0.1)
# 3. 创建ReAct Agentagent = create_react_agent(    model=model,    tools=[search_weather, calculate_distance],    prompt="你是一个天气助手，可以帮助用户查询天气和计算距离。",    version="v2")
# 4. 使用Agentresult = agent.invoke({    "messages": [HumanMessage(content="A城市和B城市的天气怎么样？距离有多远？")]})

# 文件路径: libs/langgraph/langgraph/prebuilt/agent_executor.pydef create_react_agent(    model: BaseChatModel,    tools: Sequence[BaseTool],    prompt: Optional[BaseMessage] = None,    response_format: Optional[Union[Dict, Type[BaseModel]]] = None,    pre_model_hook: Optional[Callable] = None,    post_model_hook: Optional[Callable] = None,    state_schema: Optional[Type[TypedDict]] = None,    version: Literal["v1", "v2"] = "v2",) -> CompiledGraph:    """创建ReAct Agent的核心实现"""        # 1. 定义状态结构    class AgentState(TypedDict):        messages: Annotated[Sequence[BaseMessage], add_messages]        remaining_steps: NotRequired[RemainingSteps]        # 2. 创建图结构    workflow = StateGraph(AgentState)        # 3. 定义节点    def agent_node(state: AgentState):        """Agent节点：调用模型进行推理"""        model_with_tools = model.bind_tools(tools)        response = model_with_tools.invoke(state["messages"])        return {"messages": [response]}        def tools_node(state: AgentState):        """工具节点：执行工具调用"""        return tool_node.invoke(state)        # 4. 定义路由逻辑    def should_continue(state: AgentState) -> str:        """判断是否需要继续执行工具"""        last_message = state["messages"][-1]        if hasattr(last_message, 'tool_calls') and last_message.tool_calls:            return"tools"        return"end"        # 5. 组装图结构    workflow.add_node("agent", agent_node)    workflow.add_node("tools", tools_node)    workflow.add_conditional_edges(        "agent",         should_continue,         {"tools": "tools", "end": END}    )    workflow.add_edge("tools", "agent")        return workflow.compile()

# 文件路径: libs/langgraph/langgraph/prebuilt/agent_executor.py# 状态是系统的核心class AgentState(TypedDict):    messages: Annotated[Sequence[BaseMessage], add_messages]  # 消息历史    remaining_steps: NotRequired[RemainingSteps]  # 剩余步数

# 文件路径: libs/langgraph/langgraph/prebuilt/agent_executor.pydef should_continue(state: AgentState) -> str:    """智能路由决策"""    last_message = state["messages"][-1]    ifhasattr(last_message, 'tool_calls')and last_message.tool_calls:        return "tools"  # 需要工具    return "end"        # 直接结束

# 文件路径: libs/langgraph/langgraph/prebuilt/agent_executor.py# 工具绑定到模型model_with_tools = model.bind_tools(tools)response = model_with_tools.invoke(messages)

# 用户输入user_input = "A城市和B城市的天气怎么样？距离有多远？"
# 执行过程result = agent.invoke({    "messages": [{"role": "user", "content": user_input}]})
# 执行步骤：# 1. Agent接收用户消息# 2. 模型分析：需要查询天气和计算距离# 3. 调用search_weather工具# 4. 调用calculate_distance工具  # 5. 基于工具结果生成最终回复

# 文件路径: libs/prebuilt/langgraph/prebuilt/chat_agent_executor.pydef create_react_agent(    model: Union[str, LanguageModelLike, Callable],    tools: Union[Sequence[BaseTool], ToolNode],    prompt: Optional[Prompt] = None,    response_format: Optional[StructuredResponseSchema] = None,    state_schema: Optional[StateSchemaType] = None,    version: Literal["v1", "v2"] = "v2",) -> CompiledStateGraph:    """    创建ReAct Agent的核心函数        参数说明：    - model: 语言模型实例    - tools: 工具列表或工具节点    - prompt: 自定义提示词    - response_format: 结构化输出格式    - state_schema: 状态模式    - version: 版本选择    """

# 文件路径: libs/langgraph/langgraph/prebuilt/agent_executor.pyif state_schema is None:    state_schema = (        AgentStateWithStructuredResponse        if response_format is not None        else AgentState    )

# 文件路径: libs/langgraph/langgraph/prebuilt/agent_executor.pyif _should_bind_tools(model, tool_classes, num_builtin=len(llm_builtin_tools)):    model = model.bind_tools(tool_classes + llm_builtin_tools)

# 文件路径: libs/langgraph/langgraph/prebuilt/agent_executor.pydef should_continue(state: StateSchema) -> Union[str, list[Send]]:    messages = _get_state_value(state, "messages")    last_message = messages[-1]        ifnot isinstance(last_message, AIMessage) ornot last_message.tool_calls:        return END    else:        return"tools"

# 传统方法：全局状态，难以管理classTraditionalAgent:    def __init__(self):        self.messages = []        self.tool_results = []        self.current_step = 0        # ... 更多状态变量
# LangGraph方法：状态模式，类型安全# 文件路径: libs/langgraph/langgraph/prebuilt/agent_executor.pyclass AgentState(TypedDict):    messages: Annotated[Sequence[BaseMessage], add_messages]    remaining_steps: NotRequired[RemainingSteps]

# 文件路径: libs/langgraph/langgraph/prebuilt/agent_executor.pydef should_continue(state: AgentState) -> str:    messages = state["messages"]    last_message = messages[-1]        # 关键设计：不是检查所有消息，而是只检查最后一条    if isinstance(last_message, AIMessage) and last_message.tool_calls:        return"tools"    return"end"

# 文件路径: libs/langgraph/langgraph/prebuilt/agent_executor.py# 核心设计：工具绑定到模型，而不是单独管理model_with_tools = model.bind_tools(tools)response = model_with_tools.invoke(state["messages"])

# 最初的简单方案def generate_outline(user_input):    """纯大模型方案：直接生成PPT大纲"""    prompt = f"""    用户需求：{user_input}    请生成一份完整的PPT大纲，包含：    1. 封面页    2. 目录页    3. 产品介绍    4. 功能特性    5. 应用案例    6. 总结页    """    return llm.invoke(prompt)

# 改进方案：增加知识检索def generate_outline_with_knowledge(user_input):    # 检索客户信息    customer_info = search_customer_knowledge(user_input)    # 检索产品信息    product_info = search_product_knowledge(user_input)    # 检索行业信息    industry_info = search_industry_knowledge(user_input)        prompt = f"""    用户需求：{user_input}    客户信息：{customer_info}    产品信息：{product_info}    行业信息：{industry_info}        请生成一份完整的PPT大纲...    """    return llm.invoke(prompt)

# ReAct方案：智能判断def react_outline_generation(user_input):    # 1. 推理：分析用户真正需要什么    reasoning = analyze_user_intent(user_input)        # 2. 行动：根据推理结果决定是否检索    if reasoning.needs_customer_info:        customer_info = search_customer_knowledge(user_input)    if reasoning.needs_product_info:        product_info = search_product_knowledge(user_input)        # 3. 观察：基于检索结果调整策略    # 4. 调整：生成符合用户真实需求的大纲    return generate_adaptive_outline(reasoning, retrieved_info)

classSmartOutlineReActAgent:    """智能大纲生成ReAct Agent - 核心设计思路"""        def __init__(self):        # 核心组件：工具 + 模型 + Agent        self.tools = self._load_tools()           # 分层工具设计        self.llm = self._init_llm()              # 模型初始化        self.agent = self._create_react_agent()   # ReAct Agent        def _load_tools(self):        """工具分层设计：通用工具 + 专业工具"""        general_tools = load_general_tools()      # 时间、搜索等        internal_tools = load_internal_tools()    # 内部知识库        return general_tools + internal_tools        def _create_react_agent(self):        """构建ReAct Agent - 核心执行引擎"""        return create_react_agent(            model=self.llm,            tools=self.tools,            prompt=self.system_prompt,            version="v2"  # 支持并行工具调用        )        def generate_outline(self, user_input: str) -> str:        """生成PPT大纲 - 核心业务逻辑"""        # 1. 构建输入            messages = [HumanMessage(content=user_input)]                    # 2. 执行ReAct循环        result = self.agent.invoke({            "messages": messages,            "recursion_limit": 50,            "max_iterations": 20        })                # 3. 返回结果        return result["messages"][-1].content

def create_react_agent(model, tools, prompt=None, version="v2"):    """创建ReAct Agent的核心实现"""        # 1. 状态模式定义    class AgentState(TypedDict):        messages: Annotated[Sequence[BaseMessage], add_messages]        remaining_steps: int        # 2. 图结构构建    workflow = StateGraph(AgentState)        # 3. 节点定义    def agent_node(state: AgentState):        """Agent节点 - 核心推理引擎"""        # 绑定工具到模型        model_with_tools = model.bind_tools(tools)                # 调用模型        response = model_with_tools.invoke(state["messages"])                return {"messages": [response]}        def tools_node(state: AgentState):        """Tools节点 - 工具执行引擎"""        if version == "v1":            # v1版本：串行执行所有工具            return tool_node.invoke(state)        else:            # v2版本：并行执行工具（使用Send API）            return tool_node.invoke(state)        # 4. 条件路由逻辑    def should_continue(state: AgentState) -> str:        """智能路由决策"""        messages = state["messages"]        last_message = messages[-1]                # 检查是否包含工具调用        if isinstance(last_message, AIMessage) and last_message.tool_calls:            return"tools"        return"end"        # 5. 图结构组装    workflow.add_node("agent", agent_node)    workflow.add_node("tools", tools_node)    workflow.add_conditional_edges(        "agent",         should_continue,         {"tools": "tools", "end": END}    )    workflow.add_edge("tools", "agent")        # 6. 编译并返回    return workflow.compile()

# LangGraph底层执行引擎核心代码分析classPregel:    """LangGraph的核心执行引擎 - 基于Pregel算法"""       def __init__(self, nodes: Dict[str, Any], edges: List[Edge]):        self.nodes = nodes        self.edges = edges        self.state_schema = self._build_state_schema()       def invoke(self, inputs: Dict[str, Any]) -> Dict[str, Any]:        """执行图的核心方法"""        # 1. 状态初始化        state = self._initialize_state(inputs)               # 2. 执行循环        whilenot self._is_complete(state):            # 3. 节点调度            next_nodes = self._get_next_nodes(state)                       # 4. 并行执行节点            updates = self._execute_nodes_parallel(next_nodes, state)                       # 5. 状态更新            state = self._update_state(state, updates)                       # 6. 检查终止条件            if self._should_terminate(state):                break               return state       def _execute_nodes_parallel(self, nodes: List[str], state: Dict) -> Dict:        """并行执行多个节点 - 性能优化的关键"""        import asyncio               async def execute_node(node_name: str):            node_func = self.nodes[node_name]            return await node_func(state)               # 并行执行所有节点        tasks = [execute_node(node) for node in nodes]        results = asyncio.gather(*tasks)               return self._merge_results(results)       def _get_next_nodes(self, state: Dict) -> List[str]:        """智能节点调度 - 基于条件路由"""        next_nodes = []               for edge in self.edges:            if edge.condition(state):                next_nodes.append(edge.target)               return next_nodes

# 工具1：内部知识库搜索 - 解决信息获取问题def search_internal_knowledge(query: str, knowledge_type: str = "all") -> str:    """按需检索，避免信息过载"""    # 根据知识类型选择性搜索        if knowledge_type == "customer":        results = customer_knowledge_base.search(query, limit=3)        elif knowledge_type == "product":        results = product_knowledge_base.search(query, limit=3)        else:        results = knowledge_base.search(query, limit=5)        # 返回原始数据，让AI自己判断如何使用    return format_search_results(results)
# 工具2：用户意图分析 - 解决"固化输出"问题def analyze_user_intent(user_input: str) -> str:    """让AI理解用户的真实需求"""    intent = {        "needs_customer_info": "客户" in user_input,        "needs_product_info": "产品" in user_input,        "output_scope": "partial"if"只要" in user_input else"full",        "page_count": extract_page_count(user_input)    }    return json.dumps(intent)

# 工具设计核心原则"""1. 工具只负责获取信息，不负责分析2. 工具只提供数据，不提供结论3. 工具支持LLM推理，不替代LLM推理4. 保持工具简单、纯净、单一职责"""
@tooldef web_search(query: str) -> str:    """获取互联网最新信息"""    return search_engine.search(query)
@tooldef search_internal_knowledge(query: str) -> str:    """获取内部文档和知识"""    return knowledge_base.search(query)

## 核心工作原则
### 思考引导- **智能分析**：分析用户输入的信息丰富度和需求复杂度- **深度推理**：基于收集的信息进行多维度推理和关联分析- **自主决策**：根据分析结果，自主选择执行策略和工具调用方式- **价值导向**：每页内容都要体现客户价值和业务成果
### 深度思考框架**多维度分析策略**：- **客户维度**：规模、发展阶段、业务模式、技术成熟度- **产品维度**：核心能力、技术优势、应用场景、实施复杂度- **行业维度**：发展趋势、竞争格局、转型路径、成功要素- **竞争维度**：竞品分析、差异化优势、价值主张、市场定位

# 错误的提示词设计prompt = """如果用户询问天气，调用天气API如果用户询问时间，调用时间API如果用户询问新闻，调用新闻API"""
# 正确的提示词设计prompt = """分析用户需求，判断需要什么信息，然后选择合适的工具。考虑以下因素：1. 用户意图的明确程度2. 所需信息的类型和来源3. 当前上下文的相关性4. 用户可能的后续需求"""

# 错误的质量检查quality_check = [    "是否包含所有必要信息？",    "是否格式正确？",    "是否长度合适？"]
# 正确的质量框架quality_framework = """评估内容质量：1. 信息完整性：是否回答了用户的核心问题？2. 逻辑一致性：内容是否逻辑清晰、前后一致？3. 价值相关性：是否对用户有实际价值？4. 可操作性：用户是否能够基于此内容采取行动？"""

# 通用模板的问题generic_prompt = "请分析以下内容并提供建议"
# 场景适配的优势business_analysis_prompt = """作为业务分析师，请分析以下内容：1. 识别关键业务指标和趋势2. 分析潜在风险和机会3. 提供具体的改进建议4. 考虑实施可行性和成本效益"""

# 不好的提示词prompt = """你必须按照以下步骤：1. 先分析问题2. 再调用工具3. 最后给出答案"""
# 好的提示词prompt = """你是一个智能助手，能够帮助用户解决各种问题。当遇到需要外部信息的问题时，你可以主动调用相关工具。请根据问题的具体情况，灵活地选择最合适的解决方案。"""

# 不好的设计def fixed_workflow(question):    if "天气" in question:        returncall_weather_api()    elif "订单" in question:        returncall_order_api()    else:        return "我无法处理"
# 好的设计def flexible_workflow(question):    # 让AI自己决定需要什么工具    return agent.invoke({"messages": [{"role": "user", "content": question}]})

# 不好的设计def check_quality(response):    checks = [        "是否包含关键词",        "是否超过100字",        "是否包含标点符号"    ]    return all(checks)
# 好的设计def assess_quality(response, context):    # 基于上下文和用户需求评估质量    return quality_score

# 解决方案：在提示词中强调判断能力prompt = """你是一个智能助手。当用户问题简单明确时，可以直接回答；当需要外部信息时，才调用相关工具。请根据问题的复杂度和信息需求，合理选择处理方式。"""

# 解决方案：优雅的错误处理def robust_tool_call(tool_name, tool_input):    try:        result = tool_name.invoke(tool_input)        return result    except Exception as e:        return f"工具调用失败：{str(e)}，让我尝试其他方法"

# 解决方案：设置最大迭代次数classReActAgent:    def __init__(self, max_iterations=5):        self.max_iterations = max_iterations        self.current_iteration = 0        def should_continue(self, state):        self.current_iteration += 1        if self.current_iteration >= self.max_iterations:            return"end"        # 其他逻辑...

# 问题：每次都要检索大量信息，即使不需要def generate_outline_with_knowledge(user_input):    # 问题：无论用户需要什么，都检索所有信息    customer_info = search_customer_knowledge(user_input)  # 耗时2-3秒    product_info = search_product_knowledge(user_input)   # 耗时2-3秒    industry_info = search_industry_knowledge(user_input)  # 耗时2-3秒        # 总耗时：6-9秒，用户体验很差    return generate_outline(customer_info, product_info, industry_info)
# 解决方案：ReAct智能判断def react_outline_generation(user_input):    # 1. 先分析用户意图    intent = analyze_user_intent(user_input)        # 2. 按需检索    retrieved_info = {}    if intent.needs_customer_info:        retrieved_info["customer"] = search_customer_knowledge(user_input)    if intent.needs_product_info:        retrieved_info["product"] = search_product_knowledge(user_input)    if intent.needs_industry_info:        retrieved_info["industry"] = search_industry_knowledge(user_input)        # 3. 基于检索结果生成大纲    return generate_adaptive_outline(intent, retrieved_info)

# 问题：总是生成"完整"的PPT大纲用户说："我只要3页介绍产品功能"系统回答：生成20页的完整PPT大纲  # 用户体验差
# 解决方案：智能判断输出范围def generate_adaptive_outline(intent, retrieved_info):    if intent.output_scope == "partial":        # 只生成用户需要的部分        return generate_partial_outline(intent.focus_areas, retrieved_info)    elif intent.output_scope == "full":        # 生成完整大纲        return generate_full_outline(retrieved_info)    else:        # 根据页数要求生成        return generate_specific_outline(intent.page_count, retrieved_info)

# 问题：AI过度依赖工具，即使问题很简单用户问："什么是PPT？"AI回答：我需要搜索一下PPT的定义...  # 不必要的工具调用
# 解决方案：智能判断是否需要工具def should_use_tools(user_input, intent):    # 简单问题直接回答    if intent.complexity == "simple":        return False        # 需要外部信息才调用工具    if intent.needs_external_info:        return True        return False

def get_adaptive_config(task_complexity: str) -> Dict[str, Any]:    configs = {        "simple": {            "recursion_limit": 20,            "max_iterations": 10,            "timeout": 30        },        "complex": {            "recursion_limit": 50,            "max_iterations": 25,            "timeout": 120        }    }    return configs.get(task_complexity, configs["simple"])

# 支持并行工具调用def parallel_tool_calls(tools: List[BaseTool], inputs: List[Dict]) -> List[str]:    import asyncio        async def call_tool(tool, input_data):        return await tool.ainvoke(input_data)        tasks = [call_tool(tool, input_data) for tool, input_data in zip(tools, inputs)]    return asyncio.run(asyncio.gather(*tasks))

import timefrom collections import defaultdict
classRateLimiter:    def __init__(self, max_calls_per_minute=60):        self.max_calls = max_calls_per_minute        self.calls = defaultdict(list)        def can_call(self, tool_name: str) -> bool:        now = time.time()        # 清理1分钟前的调用记录        self.calls[tool_name] = [t for t in self.calls[tool_name] if now - t < 60]        return len(self.calls[tool_name]) < self.max_calls        def record_call(self, tool_name: str):        self.calls[tool_name].append(time.time())
# 创建全局频率限制器实例rate_limiter = RateLimiter()

def _handle_state_update(self, data: Any, step_count: int, outline_id: str, source: str = "", message_context: Dict[str, Any] = None):    # 处理工具调用开始    ifisinstance(last_message, AIMessage)and last_message.tool_calls:        for tool_call in last_message.tool_calls:            send_outline_tool_call_start(                outline_id=outline_id,                tool_name=tool_name,                tool_args=tool_args,                step_count=step_count            )        # 处理工具调用完成    elif isinstance(last_message, ToolMessage):        if is_error:            send_outline_tool_call_error(...)        else:            send_outline_tool_call_complete(...)

# 手写ReAct Agent# 安装：pip install langchain langchain-ollama
from langchain_ollama import ChatOllamafrom langchain_core.messages import HumanMessage, AIMessage, ToolMessagefrom typing import Dict, List, Any, Optionalimport reimport time
classMiniReActAgent:    """手写ReAct Agent """        def __init__(self):        self.model = ChatOllama(model="qwen3:8b", temperature=0.1)        self.tools = {            "time": self._get_time,            "calc": self._calculate,            "search": self._search        }        # 状态管理        self.state = {            "messages": [],            "current_step": "start",            "tool_results": {},            "reasoning": ""        }        def _get_time(self, param=""):        """获取当前时间"""        import datetime        now = datetime.datetime.now()        return f"现在是{now.strftime('%Y年%m月%d日 %H:%M')}"        def _calculate(self, expression: str):        """安全计算表达式"""        try:            ifnot re.match(r'^[0-9+\-*/.() ]+$', expression):                return "计算错误：表达式包含非法字符"            return str(eval(expression))        except:            return "计算错误：表达式无效"        def _search(self, query: str):        """模拟搜索功能"""        return f"关于'{query}'的搜索结果..."        def should_continue(self, state: Dict) -> str:        """条件路由 """        last_message = state["messages"][-1] if state["messages"] else None                # 检查AI回复中是否包含工具调用        if isinstance(last_message, AIMessage):            content = last_message.content            if "工具:" in content and "参数:" in content:                return "tools"  # 需要工具        return "end"        # 直接结束        def agent_node(self, state: Dict) -> Dict:        """Agent节点 """        # 构建工具描述 - 让AI知道有哪些工具可用        tool_descriptions = []        for tool_name, tool_func in self.tools.items():            if tool_name == "time":                tool_descriptions.append("time: 获取当前时间(无需参数)")            elif tool_name == "calc":                tool_descriptions.append("calc: 计算数学表达式(需要表达式参数)")            elif tool_name == "search":                tool_descriptions.append("search: 搜索信息(需要搜索关键词)")                # 构建提示词        last_message = state["messages"][-1].content                # 检查是否有工具执行结果        if "工具执行结果:" in last_message:            # 基于工具结果继续推理        prompt = f"""            用户问题: {state['messages'][0].content}            工具执行结果: {last_message}                        请基于工具执行结果回答用户问题。            如果还需要更多信息，请回答: 工具: [工具名] 参数: [参数]            如果信息足够，请直接回答用户问题。            """        else:            # 初始推理            prompt = f"""            用户问题: {last_message}                        可用工具: {', '.join(tool_descriptions)}                请分析问题并决定是否需要使用工具。            如果需要工具，请回答: 工具: [工具名] 参数: [参数]            注意：time工具无需参数，直接写"工具: time 参数: 无"            如果不需要工具，请直接回答用户问题。        """                # 调用模型        response = self.model.invoke([HumanMessage(content=prompt)])                # 更新状态        new_state = state.copy()        new_state["messages"] = state["messages"] + [AIMessage(content=response.content)]        new_state["current_step"] = "agent"                return new_state        def tools_node(self, state: Dict) -> Dict:        """Tools节点 """        last_message = state["messages"][-1]                if isinstance(last_message, AIMessage):            content = last_message.content                        # 解析工具调用            if "工具:" in content and "参数:" in content:                # 提取工具名和参数                tool_match = re.search(r'工具:\s*(\w+)', content)                param_match = re.search(r'参数:\s*(.+)', content)                                if tool_match and param_match:                    tool_name = tool_match.group(1)                    param = param_match.group(1).strip()                                        # 执行工具                    if tool_name in self.tools:                        # 处理time工具的无参数调用                        if tool_name == "time" and (param == "无" or param == "" or param == "[]"):                            result = self.tools[tool_name]("")        else:                            result = self.tools[tool_name](param)                                                # 更新状态                        new_state = state.copy()                        new_state["messages"] = state["messages"] + [AIMessage(content=f"工具执行结果: {result}")]                        new_state["current_step"] = "tools"                                                return new_state                return state        def react_cycle(self, question: str):        """ReAct核心循环 """        print(f"用户问题: {question}")                # 初始化状态        self.state = {            "messages": [HumanMessage(content=question)],            "current_step": "start",            "tool_results": {},            "reasoning": ""        }                # 执行循环         max_iterations = 5        for i in range(max_iterations):            print(f"\n--- 第{i+1}轮执行 ---")                        # 1. Agent节点            self.state = self.agent_node(self.state)            print(f"Agent推理: {self.state['messages'][-1].content}")                        # 2. 条件路由             next_step = self.should_continue(self.state)            print(f"路由决策: {next_step}")                        if next_step == "tools":                # 3. Tools节点                self.state = self.tools_node(self.state)                print(f"工具执行结果: {self.state['messages'][-1].content}")                                # 4. 继续下一轮推理                continue            else:                # 5. 结束                print("执行完成")                break                return self.state["messages"][-1].content
# 使用示例if __name__ == "__main__":    agent = MiniReActAgent()        # 测试不同场景    agent.react_cycle("现在几点了？")    print("\n" + "="*50 + "\n")    agent.react_cycle("计算 15 + 27")    print("\n" + "="*50 + "\n")    agent.react_cycle("什么是人工智能？")