LangChain教程 - Agent - 支持 9 种 ReAct 交互

引言

LangChain 总结了 9 种经典的复杂模型交互模式，每种都针对特定任务设计，兼具独特优势与适用场景，内容涵盖： ReAct、Function Call、知识库、搜索等，使用这些模式可以大大简化这些场景开发难度。这些模式可以使用Agent形式来使用，并以AgentType来做区分，详见下面实例。在开发时，选择合适的 AgentType 是成功的关键，本文将逐一剖析这些代理类型，结合特性分析、应用场景和代码示例，助你在实际项目中快速找到最优解。

---

1. ZERO_SHOT_REACT_DESCRIPTION

特点

• 基于 ReAct 模型：推理（Reasoning）与行动（Action）结合。
• 无需训练样本即可完成任务（零样本）。

优势

简单直接，适合快速推理与操作。

局限性

对复杂任务的处理能力有限。

应用场景

基础计算、逻辑推理或单步查询。

代码示例

from langchain.agents import initialize_agent, AgentType
from langchain.chat_models import ChatOpenAI
from langchain.tools import Tool# 定义工具：计算平方
def square_number(n: str):return int(n) ** 2square_tool = Tool(name="Square Calculator", func=square_number, description="计算一个数的平方")# 初始化代理
agent = initialize_agent(tools=[square_tool],llm=ChatOpenAI(model="gpt-4"),agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)# 执行任务
response = agent.run("计算 5 的平方")
print(response)  # 输出: 25

---

2. REACT_DOCSTORE

特点

• 在 ReAct 基础上集成文档存储（DocStore）。
• 先检索文档，再推理回答。

优势

增强了对知识库的支持，适合信息密集型任务。

局限性

需要预先准备文档库，初始化成本较高。

应用场景

知识库问答、RAG 系统。

代码示例

from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.document_loaders import TextLoader
from langchain.tools import Tool# 加载文档并创建向量存储
loader = TextLoader("knowledge.txt")
docs = loader.load()
vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())# 定义检索工具
def retrieve_docs(query: str):return vectorstore.similarity_search(query, k=3)docstore_tool = Tool(name="Document Retriever", func=retrieve_docs, description="检索文档内容")# 初始化代理
agent = initialize_agent(tools=[docstore_tool],llm=ChatOpenAI(model="gpt-4"),agent=AgentType.REACT_DOCSTORE,verbose=True
)response = agent.run("查找人工智能相关资料")
print(response)

---

3. SELF_ASK_WITH_SEARCH

特点

• 将复杂问题拆解为子问题，通过搜索工具逐一解决。
• 动态获取外部信息。

优势

适合需要实时数据的任务。

局限性

依赖搜索工具质量，响应时间可能较长。

应用场景

时事查询、专业资料搜集。

代码示例

from langchain.tools import Tool
from langchain.utilities import GoogleSearchAPIWrapper# 配置 Google 搜索工具（需 API Key）
search = GoogleSearchAPIWrapper()
search_tool = Tool(name="Google Search", func=search.run, description="通过 Google 搜索信息")# 初始化代理
agent = initialize_agent(tools=[search_tool],llm=ChatOpenAI(model="gpt-4"),agent=AgentType.SELF_ASK_WITH_SEARCH,verbose=True
)response = agent.run("爱因斯坦哪年获得诺贝尔奖？")
print(response)  # 输出: 1921

---

4. CONVERSATIONAL_REACT_DESCRIPTION

特点

• 支持多轮对话，具备上下文记忆。
• 融合 ReAct 的推理与操作能力。

优势

动态适应用户需求，交互性强。

局限性

对内存管理要求较高。

应用场景

聊天机器人、智能客服。

代码示例

from langchain.memory import ConversationBufferMemory# 配置上下文记忆
memory = ConversationBufferMemory(memory_key="chat_history")# 初始化代理
agent = initialize_agent(tools=[],llm=ChatOpenAI(model="gpt-4"),agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,memory=memory,verbose=True
)print(agent.run("中国的 GDP 是多少？"))
print(agent.run("比去年增长了多少？"))  # 利用上下文回答

---

5. CHAT_ZERO_SHOT_REACT_DESCRIPTION

特点

• 为聊天场景优化的零样本 ReAct。
• 注重自然语言表达。

优势

对话流畅，适合轻量交互。

局限性

不支持复杂工具调用。

应用场景

简单聊天助手。

代码示例

agent = initialize_agent(tools=[],llm=ChatOpenAI(model="gpt-4"),agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)response = agent.run("介绍 Python 语言的特点。")
print(response)

---

6. CHAT_CONVERSATIONAL_REACT_DESCRIPTION

特点

• 结合聊天优化与上下文记忆。
• 支持更复杂的多轮对话。

优势

适用于长时间、连贯的交互。

局限性

配置稍复杂，计算资源需求较高。

应用场景

高级客服、交互式问答。

代码示例

agent = initialize_agent(tools=[],llm=ChatOpenAI(model="gpt-4"),agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,verbose=True
)response = agent.run("什么是机器学习？")
print(response)

---

7. STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION

特点

• 支持多工具调用，返回结构化数据。
• 任务处理更具条理性。

优势

适合复杂任务的综合处理。

局限性

对工具定义要求较高。

应用场景

天气查询、综合信息整合。

代码示例

from langchain.tools import Tool# 定义天气工具
def get_weather(city: str):return f"{city} 当前温度为 25°C"weather_tool = Tool(name="Weather Tool", func=get_weather, description="获取城市天气")# 初始化代理
agent = initialize_agent(tools=[weather_tool],llm=ChatOpenAI(model="gpt-4"),agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)response = agent.run("查询北京的天气")
print(response)

---

8. OPENAI_FUNCTIONS

特点

• 利用 OpenAI 的 function calling 机制。
• 直接调用外部 API，返回结构化结果。

优势

调用精准，响应高效。

局限性

依赖 OpenAI 模型支持。

应用场景

API 驱动任务，如航班查询。

代码示例

from langchain.tools import StructuredTool
from pydantic import BaseModel# 定义查询结构
class FlightQuery(BaseModel):origin: strdestination: strdef search_flights(query: FlightQuery):return f"从 {query.origin} 到 {query.destination} 的航班价格约为 1500 元"flight_tool = StructuredTool.from_function(func=search_flights, name="Flight Search", description="查询航班价格")# 初始化代理
agent = initialize_agent(tools=[flight_tool],llm=ChatOpenAI(model="gpt-4"),agent=AgentType.OPENAI_FUNCTIONS,verbose=True
)response = agent.run("查询从北京到上海的航班价格。")
print(response)

---

9. OPENAI_MULTI_FUNCTIONS

特点

• 支持多个 OpenAI 函数调用。
• 可整合多源数据。

优势

处理多任务能力强。

局限性

配置复杂，依赖多工具协作。

应用场景

综合查询，如航班与汇率结合。

代码示例

from langchain.tools import Tool# 定义汇率工具
def get_exchange_rate():return "当前 1 USD = 7.2 CNY"exchange_tool = Tool(name="Exchange Rate Checker", func=get_exchange_rate, description="获取美元兑人民币汇率")# 初始化代理
agent = initialize_agent(tools=[flight_tool, exchange_tool],llm=ChatOpenAI(model="gpt-4"),agent=AgentType.OPENAI_MULTI_FUNCTIONS,verbose=True
)response = agent.run("查询从北京到上海的航班价格，并获取最新美元汇率。")
print(response)

总结与选择指南

代理类型	核心特点	优势	局限性	适用场景
ZERO_SHOT_REACT_DESCRIPTION	零样本推理与操作	简单高效	不适合复杂任务	基础计算、逻辑推理
REACT_DOCSTORE	文档检索 + 推理	知识库支持强	需预置文档	知识库问答、RAG
SELF_ASK_WITH_SEARCH	问题拆解 + 搜索	实时信息获取	依赖搜索质量	时事、专业查询
CONVERSATIONAL_REACT_DESCRIPTION	多轮对话 + 上下文	交互性强	内存需求高	聊天机器人、智能客服
CHAT_ZERO_SHOT_REACT_DESCRIPTION	聊天优化零样本	对话流畅	无复杂工具支持	简单聊天助手
CHAT_CONVERSATIONAL_REACT_DESCRIPTION	聊天 + 上下文记忆	连贯性好	配置复杂	高级客服、多轮问答
STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION	多工具 + 结构化输出	处理复杂任务	工具定义要求高	天气、综合查询
OPENAI_FUNCTIONS	单函数调用	调用精准	依赖 OpenAI	API 驱动任务
OPENAI_MULTI_FUNCTIONS	多函数调用	数据整合能力强	配置复杂	综合多任务查询

选择建议

• 轻量任务：优先 ZERO_SHOT_REACT_DESCRIPTION 或 CHAT_ZERO_SHOT_REACT_DESCRIPTION。
• 知识密集型：选择 REACT_DOCSTORE 或 SELF_ASK_WITH_SEARCH。
• 多轮交互：推荐 CONVERSATIONAL_REACT_DESCRIPTION 或 CHAT_CONVERSATIONAL_REACT_DESCRIPTION。
• 复杂工具调用：使用 STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION 或 OPENAI_MULTI_FUNCTIONS。

希望这篇优化后的指南能为你的 LangChain 项目提供清晰指引！如需更具体案例或代码调试建议，请随时告诉我。