LangChain 課程 – Agents：自主智能體

主題：ReAct Agent（思考‑行動‑觀察）

---

簡介

在大型語言模型（LLM）日益普及的今天，單純的「一次性」提示已難以滿足需要多步推理、外部工具呼叫或動態決策的應用。ReAct（Reason‑Act‑Observe）Agent 正是為了解決這類需求而設計的，它將 思考（Reasoning）、行動（Action） 與 觀察（Observation） 三個環節緊密結合，使智能體能在執行過程中不斷迭代、修正自己的策略。

ReAct 的核心概念是讓 LLM 先產生「思考」的文字描述，再根據描述決定要呼叫哪個工具（如搜尋、計算、資料庫），最後把工具回傳的結果視為「觀察」回饋給模型，進一步產出下一輪的思考。這樣的迴圈不僅提升了 答案的正確性，也讓開發者能以 模組化、可追蹤 的方式構建複雜的對話系統。

在本單元，我們將從概念說明、程式碼實作、常見陷阱與最佳實踐，最後延伸到實務應用，帶你一步步掌握 ReAct Agent 的使用方法。

---

核心概念

1. ReAct 的三大步驟

步驟	目的	範例
思考 (Reason)	LLM 產生自然語言的推理或指令說明	「我需要先查詢今天的天氣，才能決定是否建議外出。」
行動 (Act)	根據思考結果呼叫對應的工具（Tool）	呼叫 search_weather API
觀察 (Observe)	收集工具回傳的資訊，作為下一輪思考的輸入	取得「晴，最高 28°C」的天氣回應

這三個環節在 LangChain 中透過 AgentExecutor 與 Tool 物件自動串接，開發者只需要定義好工具與提示模板，剩下的迴圈由框架負責。

2. Prompt Template：把思考與行動寫進 Prompt

ReAct 需要在提示中明確告訴模型「如果需要執行工具，請以 Action: 開頭」的格式。例如：

Question: {input}
Thought: {your reasoning}
Action: {tool_name}[{tool_input}]
Observation: {tool_output}

LangChain 提供 ReActPromptTemplate（或自行組合 ChatPromptTemplate）來自動產生這樣的結構。

3. Tool 的設計與註冊

每個外部工具必須實作 Tool 介面，最重要的屬性有：

• name：工具名稱，必須與 Prompt 中的 Action 名稱對應。
• description：說明工具的功能，會被放入系統訊息讓模型了解可使用的工具。
• run(input_str: str) -> str：執行工具的實際邏輯，回傳文字型別的結果。

---

程式碼範例

以下範例採用 Python（LangChain 官方語言），每段程式碼皆附有說明註解，方便初學者快速上手。

範例 1：最簡單的 ReAct Agent（搜尋與計算）

# 1️⃣ 載入必要套件
from langchain.agents import AgentExecutor, ReActAgent
from langchain.tools import Tool
from langchain.llms import OpenAI
from langchain.prompts import ChatPromptTemplate

# 2️⃣ 定義兩個簡易工具
class SearchTool(Tool):
    name = "search"
    description = "在網路上搜尋關鍵字，回傳搜尋結果的摘要。"

    def _run(self, query: str) -> str:
        # 這裡僅示範，實際可接 Google SERP API
        return f"搜尋結果：{query} 的相關資訊..."

class CalculatorTool(Tool):
    name = "calculator"
    description = "計算數學表達式，回傳結果。"

    def _run(self, expression: str) -> str:
        try:
            return str(eval(expression))
        except Exception:
            return "計算失敗"

# 3️⃣ 建立 Prompt（ReAct 樣板）
prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一個能使用工具的助理。"),
        ("human", "{input}"),
    ]
)

# 4️⃣ 建立 LLM 與 Agent
llm = OpenAI(model="gpt-3.5-turbo", temperature=0)
react_agent = ReActAgent.from_llm_and_tools(
    llm=llm,
    tools=[SearchTool(), CalculatorTool()],
    prompt=prompt,
)

# 5️⃣ 執行 Agent
executor = AgentExecutor(agent=react_agent, tools=[SearchTool(), CalculatorTool()], verbose=True)

question = "台北今天的天氣如何？請算出最高溫度減去最低溫度的差值。"
response = executor.invoke({"input": question})
print(response["output"])

重點：

• verbose=True 可讓你看到 Thought / Action / Observation 的完整迭代過程，方便除錯。
• eval 僅作示範，實務上需使用安全的計算庫（如 sympy）。

---

範例 2：結合資料庫查詢

假設我們有一個 SQLite 資料庫，裡面存放產品資訊。以下示範如何把資料庫查詢封裝為 Tool，讓 ReAct Agent 能根據使用者問題自動查詢。

import sqlite3
from langchain.tools import StructuredTool

# 建立資料庫連線（一次性建立，後續可重用）
conn = sqlite3.connect("products.db")
cursor = conn.cursor()

class ProductLookupTool(StructuredTool):
    name = "product_lookup"
    description = "根據產品名稱查詢庫存與價格。輸入 JSON，例如 {'name': 'iPhone 15'}"

    def _run(self, input_json: str) -> str:
        import json
        data = json.loads(input_json)
        name = data.get("name")
        cursor.execute(
            "SELECT stock, price FROM products WHERE name = ?", (name,)
        )
        row = cursor.fetchone()
        if row:
            stock, price = row
            return f"產品 {name} 庫存 {stock} 件，價格 ${price}"
        return f"找不到產品 {name}"

# 重新建立 Agent（加入新工具）
react_agent = ReActAgent.from_llm_and_tools(
    llm=llm,
    tools=[SearchTool(), CalculatorTool(), ProductLookupTool()],
    prompt=prompt,
)

executor = AgentExecutor(agent=react_agent, tools=[SearchTool(), CalculatorTool(), ProductLookupTool()], verbose=True)

question = "我想知道 iPhone 15 現在的庫存與價格，還有今天台北的天氣。"
print(executor.invoke({"input": question})["output"])

說明：

• StructuredTool 允許我們定義 JSON 輸入，讓模型更精確地傳遞參數。
• 使用 json.loads 解析後再執行 SQL，避免 SQL 注入。

---

範例 3：多輪對話與記憶（使用 ConversationBufferMemory）

在實務應用中，使用者往往會在同一對話中提出多個相關問題。下面示範如何把 記憶 (Memory) 加入 ReAct Agent，使其能參考前一次的觀察結果。

from langchain.memory import ConversationBufferMemory

# 建立記憶物件
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)

# 重新建立 Prompt，加入記憶占位符
prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一個會使用工具的助理，請善用先前的對話記錄。"),
        ("human", "{chat_history}\nUser: {input}"),
    ]
)

react_agent = ReActAgent.from_llm_and_tools(
    llm=llm,
    tools=[SearchTool(), CalculatorTool()],
    prompt=prompt,
    memory=memory,
)

executor = AgentExecutor(agent=react_agent, tools=[SearchTool(), CalculatorTool()], verbose=True)

# 第一次詢問
print(executor.invoke({"input": "今天紐約的天氣如何？"})["output"])

# 第二次詢問（與第一次相關）
print(executor.invoke({"input": "如果要出門，請告訴我需要帶的衣物。"})["output"])

關鍵：

• ConversationBufferMemory 會自動把每次的 Human、Assistant、Observation 訊息累積到 chat_history，在 Prompt 中提供上下文。
• 這樣的設計讓 Agent 能在 多輪對話 中保持一致性與邏輯。

---

範例 4：自訂 ReAct 思考模板（加入「自我檢查」）

有時候我們希望模型在執行行動前先做一次 自我檢查，確保指令正確。下面示範如何在 Prompt 中加入「Check」區塊。

custom_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一個能使用工具的助理，請遵循以下流程：\n"
                    "1. 思考 (Thought)\n"
                    "2. 檢查 (Check) – 確認是否需要工具\n"
                    "3. 行動 (Action) – 若需要則呼叫工具\n"
                    "4. 觀察 (Observation)"),
        ("human", "{input}"),
    ]
)

class CheckTool(Tool):
    name = "check"
    description = "檢查是否需要使用其他工具，回傳 'yes' 或 'no'。"

    def _run(self, _: str) -> str:
        # 這裡僅示範，實際可根據需求實作
        return "yes"

react_agent = ReActAgent.from_llm_and_tools(
    llm=llm,
    tools=[SearchTool(), CalculatorTool(), CheckTool()],
    prompt=custom_prompt,
)

executor = AgentExecutor(agent=react_agent, tools=[SearchTool(), CalculatorTool(), CheckTool()], verbose=True)

print(executor.invoke({"input": "請告訴我今天的匯率，然後把它乘以 100。"})["output"])

技巧：

• 透過自訂 Prompt，我們可以 擴充 ReAct 流程，加入額外的驗證或安全檢查步驟。
• 在實務上，這類「Check」工具常用於 授權驗證、成本控制（如限制 API 呼叫次數）等。

---

常見陷阱與最佳實踐

陷阱	說明	最佳實踐
工具名稱不一致	Prompt 中的 Action: 必須與 Tool.name 完全相同，否則模型找不到對應工具。	於 測試階段 使用 verbose=True，確認每次 Action: 的字串正確。
輸入格式不明確	若工具需要 JSON、特定語法，模型有時會產生不符合格式的字串。	在 Tool.description 中加入 範例，並在 Prompt 加入「請使用以下格式」的指示。
迴圈無止境	當模型無法正確產生 Finish 訊息時，Agent 可能會無限循環。	設定 max_iterations（例如 5）或在 Tool.run 中加入 安全檢查。
安全風險	直接使用 eval、SQL 拼接等會產生執行任意程式碼的危險。	使用 安全的計算庫、參數化查詢，或在 Tool 前加入 沙箱 檢查。
記憶體爆炸	長時間對話會讓 ConversationBufferMemory 變大，影響效能。	定期 截斷（例如保留最近 10 條訊息）或改用 SummarizerMemory。

其他實用技巧

1. 使用 tool_choice="auto"：讓 LLM 自行決定是否需要工具，減少手動判斷的錯誤。
2. 加入 tool_error 處理：在 AgentExecutor 中捕捉工具執行失敗，回傳給模型作為新的 Observation，促使模型重新思考。
3. 觀察日誌：verbose=True 會印出完整的 Thought/Action/Observation 訊息，建議在開發階段開啟，正式上線後可改為寫入日誌檔。

---

實際應用場景

場景	為何適合使用 ReAct Agent
客服機器人	需要即時查詢訂單、庫存、物流資訊，且要在同一回合內完成多步驗證。
金融分析助理	先從網路抓取最新股價，接著計算技術指標，最後根據結果給出投資建議。
旅遊規劃	先搜尋目的地天氣、景點評價，再計算最佳路線，最終產出行程表。
醫療問診	先根據症狀搜尋相關文獻，再使用計算工具估算藥物劑量，最後回覆患者。
內部知識庫搜尋	先使用向量搜尋找出相關文件，然後根據文件內容做摘要或計算統計。

在這些情境下，ReAct 能夠 動態決定何時呼叫外部資源，避免一次性提示的資訊過載，同時保證 答案可追溯（每一步都有 Observation 記錄）。

---

總結

ReAct Agent 為 LangChain 中最具彈性、最實務導向的智能體模型之一。透過 思考 → 行動 → 觀察 的迴圈，我們可以：

1. 把 LLM 的自然語言推理與外部工具結合，形成可執行的工作流程。
2. 以 Prompt 模板明確指示模型，降低誤用工具的風險。
3. 加入記憶、檢查與安全機制，讓智能體在多輪對話或高風險環境中仍保持可靠。

只要遵守 工具名稱一致、輸入格式明確、迭代次數受控 等最佳實踐，ReAct Agent 就能在客服、金融、旅遊、醫療等多種領域發揮威力。希望本篇教學能幫助你快速上手，並在自己的專案中構建出更聰明、更可靠的自主智能體！祝開發順利 🎉