Agent：ReAct 架构与无限工具循环
act → observe → reason → 循环

1 上一讲的局限：Router 只能单步

Router 已经很强大了——它可以让 LLM 决定是否调用工具，然后真正执行那个工具。但 Router 有一个根本限制：工具执行完毕后，直接走向 END。

这个限制来自一条边：

# Router 中的这一行：
builder.add_edge("tools", END)  # ← 工具执行完 → 结束，LLM 永远看不到工具结果

解决方案是什么？把这一行替换掉。把工具结果送回给 LLM，让 LLM 继续推理。这就是 Agent。

2 ReAct 是什么：Reasoning + Acting 循环

ReAct 是 2022 年 Google 提出的 Agent 范式，名字来自两个词的组合：Reasoning（推理）+ Acting（行动）。

它描述了一个 LLM Agent 应该如何工作：

这个循环的关键洞察是：工具结果本身也是信息。LLM 看到工具返回了什么，才能决定下一步怎么做。把工具结果追加到 messages 列表，等价于"让 LLM 观察到了执行结果"。

3 那一行改变一切的代码

从 Router 到 Agent，代码改动极小。找到这一行的差异，你就理解了 Agent 的本质：

# tools 执行完 → 结束
builder.add_edge(
  "tools",
  END  ← 这里
)

# tools 执行完 → 回到 assistant
builder.add_edge(
  "tools",
  "assistant"  ← 这里！
)

4 完整 Agent 图：代码全解析

from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage
from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.prebuilt import tools_condition, ToolNode

# ─── 1. 定义工具 ───────────────────────────────────────
def add(a: int, b: int) -> int:
    """Adds a and b."""
    return a + b

def multiply(a: int, b: int) -> int:
    """Multiplies a and b."""
    return a * b

def divide(a: int, b: int) -> float:
    """Divides a by b."""
    return a / b

tools = [add, multiply, divide]

# ─── 2. LLM 绑定工具 ───────────────────────────────────
llm = ChatOpenAI(model="gpt-4o")
llm_with_tools = llm.bind_tools(tools)

# ─── 3. 系统提示（在每次 LLM 调用时注入）─────────────
sys_msg = SystemMessage(content="You are a helpful assistant tasked with performing arithmetic.")

# ─── 4. assistant 节点：把 sys_msg 前置注入 ────────────
def assistant(state: MessagesState):
    return {"messages": [llm_with_tools.invoke([sys_msg] + state["messages"])]}

# ─── 5. 构建图 ────────────────────────────────────────
builder = StateGraph(MessagesState)

builder.add_node("assistant", assistant)         # LLM 节点
builder.add_node("tools", ToolNode(tools))       # 工具执行节点

builder.add_edge(START, "assistant")             # 入口
builder.add_conditional_edges("assistant", tools_condition)  # 条件分支
builder.add_edge("tools", "assistant")           # ← 关键！循环回去

react_graph = builder.compile()

# ─── 6. 运行 ─────────────────────────────────────────
messages = [HumanMessage(content="Add 3 and 4. Multiply the output by 2. Divide the output by 5")]
result = react_graph.invoke({"messages": messages})

代码要点解析

• 三个工具：add、multiply、divide，涵盖完整的运算链
• 节点名换成 "assistant"：相比 Router 的 "tool_calling_llm"，名字更符合语义，代表"智能助手"角色
• [sys_msg] + state["messages"]：每次调用 LLM 时在对话前面加上 SystemMessage，不管循环了多少次
• 高亮那一行：add_edge("tools", "assistant")，这是 Agent 循环的物理实现

5 Agent 循环图示：双向箭头的秘密

6 执行步骤追踪：(3+4)×2÷5 完整过程

用户输入："Add 3 and 4. Multiply the output by 2. Divide the output by 5"

这道题需要三步计算：3+4=7，7×2=14，14÷5=2.8。让我们追踪 Agent 的每一步，以及 messages 列表的演变。

messages 列表的完整演变

每次 assistant 节点被调用时，它看到的 messages 是什么：

7 SystemMessage 的作用

这是 Agent 和 Router 的另一个小区别：assistant 节点在调用 LLM 时，会在消息列表最前面加一条 SystemMessage：

sys_msg = SystemMessage(content="You are a helpful assistant tasked with performing arithmetic.")

def assistant(state: MessagesState):
    return {"messages": [llm_with_tools.invoke(
        [sys_msg] + state["messages"]   # ← sys_msg 注入在最前面
    )]}

• 不占用 State：SystemMessage 不写入 messages 列表，不会随着循环重复累积。State 里只保留真正的对话历史
• 每次生效：不管循环多少轮，LLM 每次都能看到系统提示，角色不会"遗忘"

8 循环何时终止

Agent 循环是无限的吗？不是。终止条件非常明确，由 tools_condition 控制：

LLM 自己决定什么时候停止。当它判断所有子任务都完成了，它的回复就不再包含 tool_calls，只有纯文字答案。tools_condition 检测到这一点，路由到 END，图执行完毕。

# 限制最大递归深度（每个节点执行一次算一步）
result = react_graph.invoke(
    {"messages": messages},
    config={"recursion_limit": 10}  # 超过则抛出 GraphRecursionError
)

9 Router vs Agent：唯一的区别

让我们把两个图并排比较。除了那一行边，其他完全相同：

# 节点
builder.add_node("tool_calling_llm", tool_calling_llm)
builder.add_node("tools", ToolNode([multiply]))

# 边
builder.add_edge(START, "tool_calling_llm")
builder.add_conditional_edges(
    "tool_calling_llm", tools_condition
)
# ↓ 工具结果 → 结束
builder.add_edge("tools", END)

# 节点
builder.add_node("assistant", assistant)
builder.add_node("tools", ToolNode(tools))

# 边
builder.add_edge(START, "assistant")
builder.add_conditional_edges(
    "assistant", tools_condition
)
# ↓ 工具结果 → 回到 LLM（关键！）
builder.add_edge("tools", "assistant")

10 这就是通用 Agent 架构

我们用三个数学函数演示了 Agent，但这个架构完全通用。把工具换成任何东西，Agent 的工作方式不变：

下一步扩展方向

• Module 2 — 内存与持久化：给 Agent 加上跨对话记忆，不再每次从零开始
• Module 3 — Human-in-the-Loop：在关键工具调用前暂停，让人类审批后再继续
• Module 4 — 并行与子图：多个 Agent 并行工作，处理更复杂的任务
• Module 5 — 长期记忆：用向量数据库存储 Agent 的长期知识和用户偏好