我在实际项目中用 LangGraph 构建智能代理已经一年多了，第一次接触 ReAct 模式时被各种专业术语搞得头晕。今天我决定用最直白的话，从零开始教大家搭建一个能真正工作的 ReAct 代理。整个过程我们使用 HolySheep AI 作为后端 API 提供商，国内直连延迟<50ms，价格更是比官方渠道便宜 85% 以上。
一、ReAct 模式到底是什么？
简单说，ReAct = Reasoning + Acting。它让 AI 不是一次性给你答案，而是像人类一样边想边做：先想一下“我现在要做什么”，然后执行一个动作，再根据结果调整策略。
举个例子，你要 AI 帮你查天气然后决定穿什么衣服：
- Thought（思考）：“我需要先知道北京的天气”
- Action（行动）：“调用天气查询工具，参数是北京”
- Observation（观察）：“天气 API 返回：晴，25度”
- Thought（思考）：“25度晴天，可以穿短袖”
- Final Answer（最终答案）：“建议穿短袖，记得带墨镜”
这就是 ReAct 的核心循环。LangGraph 就是帮你把这个循环用代码固定下来，让 AI 能自动执行多步骤任务。
二、环境准备
我的电脑是 Windows 系统，Python 3.10。先安装必要的库，打开命令行输入：
pip install langchain-core langchain-holysheep langgraph如果没有特殊网络需求，连接 HolySheheep AI 的服务完全不需要代理。它的服务器就在国内，我实测延迟只有 42ms，比之前用 OpenAI 的 300ms+ 快了 7 倍多。
三、实战：构建你的第一个 ReAct 代理
3.1 初始化 HolySheheep API 连接
这是最基础的一步，拿到你的 API Key 后，配置 LangChain 的连接：
import os
from langchain_holysheep import ChatHolySheep
from langchain_core.messages import HumanMessage, SystemMessage
设置 API Key（请替换成你自己的）
os.environ["HOLYSHEEP_API_KEY"] = "YOUR_HOLYSHEEP_API_KEY"
初始化模型
llm = ChatHolySheep(
base_url="https://api.holysheep.ai/v1",
model="gpt-4.1",
api_key=os.environ["HOLYSHEEP_API_KEY"],
temperature=0.7
)
简单测试
messages = [HumanMessage(content="你好，简单介绍一下你自己")]
response = llm.invoke(messages)
print(response.content)运行后如果看到模型回复，说明连接成功。我在第一次配置时遇到 Key 填错的问题，常见报错排查章节会详细说明。
3.2 定义工具（Tools）
ReAct 的强大之处在于它能调用外部工具。我们先定义两个简单的工具：计算器和搜索引擎。
from langchain_core.tools import tool
@tool
def calculator(expression: str) -> str:
"""执行数学计算。输入应该是数学表达式，如 '2 + 2' 或 '10 * 5'"""
try:
result = eval(expression)
return f"计算结果：{result}"
except Exception as e:
return f"计算错误：{str(e)}"
@tool
def search_info(query: str) -> str:
"""搜索信息。输入应该是你想查询的问题"""
# 这里简化处理，实际项目可以接入真实搜索 API
if "天气" in query:
return "北京今天晴，26度，适合户外活动"
elif "股票" in query:
return "上证指数：3156点，涨幅0.8%"
else:
return f"关于'{query}'的信息：这是搜索结果的占位符"
收集所有工具
tools = [calculator, search_info]
绑定工具到模型
llm_with_tools = llm.bind_tools(tools)3.3 构建 ReAct 循环逻辑
这是核心部分。我会一步步教大家用 LangGraph 构建状态机，让 AI 自动在思考和行动之间切换。
from typing import Annotated, Literal, TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
class AgentState(TypedDict):
messages: Annotated[list, add_messages]
def should_continue(state: AgentState) -> Literal["action", "end"]:
"""判断是否需要继续执行工具"""
last_message = state["messages"][-1]
# 如果最后一条消息没有 tool_calls，说明已经得到最终答案
if hasattr(last_message, "tool_calls") and last_message.tool_calls:
return "action"
return "end"
def call_model(state: AgentState) -> AgentState:
"""调用模型进行思考"""
response = llm_with_tools.invoke(state["messages"])
return {"messages": [response]}
def take_action(state: AgentState) -> AgentState:
"""执行工具并返回结果"""
last_message = state["messages"][-1]
tool_calls = last_message.tool_calls
results = []
for tool_call in tool_calls:
tool_name = tool_call["name"]
tool_args = tool_call["args"]
# 查找并调用对应工具
for t in tools:
if t.name == tool_name:
result = t.invoke(tool_args)
results.append(
HumanMessage(content=f"[{tool_name}] 返回：{result}",
name=tool_name)
)
break
return {"messages": results}
构建图
graph = StateGraph(AgentState)
graph.add_node("model", call_model)
graph.add_node("action", take_action)
graph.add_edge(START, "model")
graph.add_conditional_edges("model", should_continue,
{"action": "action", "end": END})
graph.add_edge("action", "model")
react_agent = graph.compile()3.4 运行 ReAct 代理
# 创建一个简单的测试问题
question = "北京现在的天气怎么样？如果气温超过20度，我想出门跑步，请告诉我适合吗？"
可视化思考过程
for event in react_agent.stream({"messages": [HumanMessage(content=question)]}):
for node_name, node_data in event.items():
print(f"\n=== {node_name.upper()} ===")
if "messages" in node_data:
for msg in node_data["messages"]:
if hasattr(msg, "content"):
print(f"内容: {msg.content}")
if hasattr(msg, "tool_calls") and msg.tool_calls:
print(f"工具调用: {msg.tool_calls}")运行后你应该能看到完整的 ReAct 循环：模型先思考“需要查天气”，调用 search_info 工具，拿到天气数据后再判断是否适合跑步。这就是 ReAct 的魅力——透明、可调试。
四、实战案例：构建多步骤研究代理
刚才的例子比较简单。现在我要教大家构建一个真正有用的研究代理，它会自动搜索多个信息源、汇总数据、给出建议。
# 扩展工具集
@tool
def search_academic(query: str) -> str: