[Hello Agents Chapter 4] 智能体经典范式构建 Part 2：手写 ReAct 智能体

摘要: 本篇紧接上文，将利用已封装的 LLM 客户端和工具箱，通过精细的 Prompt 工程与正则表达式解析，从零组装一个完整的 ReAct 智能体。我们将深入代码核心，实现“思考-行动-观察”的闭环逻辑，并探讨该范式的优缺点及调试技巧。
关键词: ReAct Agent, Prompt Engineering, Regex Agent 智能体 Parsing, Agent Loop, Debugging
本文是基于Datawhale的hello-agent开源项目做的一些笔记，内容仅供参考，原PDF以及代码可以去github仓库获取https://datawhalechina.github.io/hello-agents

在 Part 1 中，我们完成了开发环境搭建，封装了 客户端，并实现了一个具备智能解析功能的 Google Search 工具及其调度器 。现在，万事俱备，只欠核心逻辑。

我们将通过一个 类来封装核心逻辑。为了便于理解，我们将实现过程拆分为：Prompt 设计、核心循环、输出解析、工具执行与观测整合。

1. 系统提示词设计 (System Prompt)

提示词是 ReAct 机制的基石。我们需要设计一个模板，动态插入可用工具、用户问题及历史交互记录，并强制 LLM 遵循特定的输出格式（Thought/Action）。

这个模板定义了交互规范：

• 角色定义：明确其具备使用工具的能力。
• 工具清单 ({tools})：由 动态生成。
• 格式规约：这是最关键的部分。
• ：强制模型进行“内心独白”。
• ：规定了 的调用格式和 的结束指令。

💡 深度解析 (Deep Dive)：
原书使用的这种基于文本格式（Text-based）的 Prompt 在早期 Agent 开发中非常普遍。但在现代工程（如 OpenAI GPT-4 Turbo）中，我们通常会结合 Function Calling (Tool Use) API，将工具定义为 JSON Schema 传入，从而获得更稳定、更结构化的输出，减少正则解析失败的概率。

2. 核心循环的实现 (The Core Loop)

的核心是一个 循环，它不断执行“格式化 Prompt -> 调用 LLM -> 解析 -> 执行 -> 更新历史”的流程。

🛠️ 实战映射 (Implementation)：
是一个极其重要的安全阀。在生产环境中，Agent 很容易因为陷入死循环（Loop）而耗尽 Token 额度。LangChain 的 中也有类似的 参数。

3. 输出解析器的实现 (Output Parser)

LLM 返回的是非结构化文本，我们需要用正则表达式提取关键信息。

(注：原书中的正则较简单 ，但在实际多行输出中可能需要 或更复杂的逻辑来防止匹配错误，此处尽量保持原书逻辑并微调以确保可运行)

4. 运行实例与分析

将所有组件组合后，我们可以运行一次真实的查询。

输入问题：“华为最新的手机是哪一款？它的主要卖点是什么？”

运行轨迹记录 (Log)：

1. 第 1 步：

• Thought: 我需要查找华为最新发布的手机型号。这些信息可能在我的知识库之外，需要使用搜索。
• Action:
• Observation: (SerpApi 返回结果)

2. 第 2 步：

• Thought: 根据搜索结果，Pura 70 是最新发布的。Mate 60 也很新。我需要总结它们的卖点。
• Action:

亲手实现 ReAct 后，我们可以总结其工程特性。

1. 主要特点

• 高可解释性：通过 链，我们可以清晰看到 Agent 为什么选择这个工具，这对于调试至关重要 。
• 动态规划：它是“走一步，看一步”。如果第一步搜索结果通过，它可以在第二步立即调整关键词重新搜索，而不是死板地执行预设计划 。
• 工具协同：LLM 负责运筹帷幄（Plan/Reason），工具负责解决具体问题（Data/Calc） 。

2. 固有局限性 (Limitations)

• 依赖模型能力：如果 LLM 逻辑推理弱，或者不遵循指令（Instruction Following），很容易在 环节产生幻觉，或者输出无法解析的 格式 。
• 执行效率：串行循环。每一步都需要一次 LLM 调用 + 网络请求。复杂任务可能导致高延迟和高 Token 消耗 。
• 提示词脆弱性：Prompt 中的标点符号、换行符差异都可能导致 Agent 行为异常 。
• 局部最优：由于缺乏全局规划，它可能陷入“原地打转”的死循环（Looping） 。

3. 调试技巧 (Debugging)

当你构建的 Agent 不工作时，请按以下清单检查 ：

1. 检查完整 Prompt：打印出最终发给 LLM 的字符串，检查历史记录 () 拼接是否正确。
2. 分析原始输出 (Raw Output)：解析失败时，查看 LLM 到底输出了什么。往往是因为 LLM 加了“Note:”或者没换行。
3. 验证工具输入：确保 Agent 生成的 符合函数要求（例如 JSON 格式是否正确）。
4. Few-shot Prompting：如果模型总是格式错误，在 Prompt 中加入 1-2 个成功的 示例。