Agent模式1 — ReAct模式

ReAct Agent - 基于 Reasoning + Acting 模式的智能代理

ReAct 模式的核心思想是让 LLM 交替进行：
1. Thought (思考): 分析当前情况，决定下一步行动
2. Action (行动): 选择并执行一个工具
3. Observation (观察): 获取工具执行结果

这个循环持续进行，直到 Agent 认为可以给出最终答案。

回答中的解析可以按照

Thought:
Action:
Action Input:

进行正则匹配获取 比如

    def _parse_response(self, response: str) -> tuple[str, Optional[str], Optional[dict], Optional[str]]:
        """
        解析 LLM 响应
        
        Returns:
            (thought, action, action_input, final_answer)
        """
        thought = ""
        action = None
        action_input = None
        final_answer = None
        
        # 提取 Thought
        thought_match = re.search(r"Thought:\s*(.+?)(?=Action:|Final Answer:|$)", response, re.DOTALL)
        if thought_match:
            thought = thought_match.group(1).strip()
        
        # 检查是否有 Final Answer
        final_match = re.search(r"Final Answer:\s*(.+?)$", response, re.DOTALL)
        if final_match:
            final_answer = final_match.group(1).strip()
            return thought, None, None, final_answer
        
        # 提取 Action
        action_match = re.search(r"Action:\s*(\w+)", response)
        if action_match:
            action = action_match.group(1).strip()
        
        # 提取 Action Input
        input_match = re.search(r"Action Input:\s*(\{.+?\})", response, re.DOTALL)
        if input_match:
            try:
                import json
                action_input = json.loads(input_match.group(1))
            except json.JSONDecodeError:
                # 尝试更宽松的解析
                action_input = {"input": input_match.group(1)}
        else:
            # 尝试匹配非 JSON 格式的输入
            input_match = re.search(r"Action Input:\s*(.+?)(?=Thought:|Action:|$)", response, re.DOTALL)
            if input_match:
                raw_input = input_match.group(1).strip()
                # 根据工具类型推断参数名
                if action == "calculator":
                    action_input = {"expression": raw_input}
                elif action == "web_search":
                    action_input = {"query": raw_input}
                elif action == "shell":
                    action_input = {"command": raw_input}
                elif action == "http_request":
                    action_input = {"url": raw_input}
                elif action == "python_repl":
                    action_input = {"code": raw_input}
                else:
                    action_input = {"input": raw_input}
        
        return thought, action, action_input, final_answer

提示词模板

你是一个智能助手，使用 ReAct (Reasoning + Acting) 模式来解决问题。

你可以使用以下工具：

{工具列表}

请严格按照以下格式回复：

Thought: [你的思考过程，分析问题和决定下一步]
Action: [工具名称]
Action Input: [工具参数，JSON 格式，如 {{"key": "value"}}]

或者，如果你已经知道答案，可以直接回复：

Thought: [你的思考过程]
Final Answer: [最终答案]

重要规则：

每次只能执行一个 Action
Action 必须是可用工具列表中的一个
Action Input 必须是有效的 JSON 格式
仔细分析 Observation 结果，决定是否需要继续执行 Action
当你有足够信息回答问题时，使用 Final Answer 结束
现在开始解决用户的问题。

用户问题：xxx

例如：

你是一个智能助手，使用 ReAct (Reasoning + Acting) 模式来解决问题。

你可以使用以下工具：
get_location: 无参数，获取当前位置
get_weather(location): 获取指定位置的天气
请严格按照以下格式回复：

Thought: [你的思考过程，分析问题和决定下一步]
Action: [工具名称]
Action Input: [工具参数，JSON 格式，如 {{"key": "value"}}]

或者，如果你已经知道答案，可以直接回复：

Thought: [你的思考过程]
Final Answer: [最终答案]

重要规则：

每次只能执行一个 Action
Action 必须是可用工具列表中的一个
Action Input 必须是有效的 JSON 格式
仔细分析 Observation 结果，决定是否需要继续执行 Action
当你有足够信息回答问题时，使用 Final Answer 结束
现在开始解决用户的问题。

用户问题：今天天气怎么样