第 14 期 | ReAct 框架解析：思考与行动交替的艺术

⏱ 预计阅读 19 分钟 更新于 2026/5/7
💡 进群学习加 wx: agentupdate
(申请发送: agentupdate)

🎯 本期学习目标

嘿，各位未来的 AI 大师们！欢迎来到《LangChain 全栈大师课》的第一期。我是你们的导师，一个在 AI 领域摸爬滚打了十年的老兵，也是一个对教育充满激情的布道者。从今天开始，我们将一起用 LangChain 打造一个真正能跑起来的智能客服知识库。

本期，我们将迈出万里长征的第一步，目标明确，收益满满：

  1. 理解 LangChain 的核心价值与设计哲学： 搞清楚为什么我们需要 LangChain，它能帮我们解决什么痛点。
  2. 掌握 LangChain 的基本构成要素： 认识 LLMs、Prompts 和 Chains，并理解它们如何协同工作。
  3. 构建并运行你的第一个 LLM Chain： 亲手搭建一个最简单的智能客服原型，让它能接收用户问题并给出初步回应。
  4. 洞察 LLM 应用开发的基石： 为后续更复杂的智能客服功能打下坚实的基础，知道下一步该往哪里走。

📖 原理解析

好了，各位，深呼吸，准备好迎接 AI 世界的洗礼。你有没有想过，一个智能客服助手，它的大脑是怎么工作的？它如何理解你的问题，又如何生成听起来像模像样的回答？

在没有 LangChain 的时代，构建一个基于大型语言模型（LLM）的应用，就像在荒野中徒手盖房子。你要自己处理与 LLM 的交互、管理提示词（Prompt）、处理历史对话、集成外部工具……这活儿，累！

而 LangChain 就像一把瑞士军刀，它不是发明了轮子，而是把那些散落在各处的轮子、螺丝、扳手，都巧妙地整合到了一起，让你能以搭积木的方式，快速、优雅地构建复杂的 LLM 应用。它提供了一套标准化的接口和组件，帮我们把 LLM 应用开发的常见模式和复杂流程抽象化、模块化。

LangChain 的核心骨架：LLMs, Prompts, Chains

在 LangChain 的世界里，有三个核心概念，它们构成了我们智能客服助手的“大脑”和“神经系统”：

  1. LLMs (Large Language Models)：

    • 是什么？ 这就是我们智能客服的“大脑”，能理解语言、生成文本、进行推理的核心AI模型。比如 OpenAI 的 GPT 系列，Google 的 Gemini，Anthropic 的 Claude 等。
    • 在客服中扮演什么角色？ 它是回答用户问题、总结对话、生成回复的基础能力提供者。它负责“思考”和“表达”。
    • LangChain 如何处理？ LangChain 提供了一致的接口来与各种 LLM 进行交互，无论你用的是 OpenAI 还是 Hugging Face，代码都能保持高度一致，这极大地简化了模型切换和管理。

  2. Prompts (提示词)：

    • 是什么？ 这是你与 LLM 沟通的“语言”，是指令、是上下文、是范例。你给 LLM 什么样的问题和背景信息，它就会给出什么样的回答。
    • 在客服中扮演什么角色？ 它是指导 LLM 如何扮演客服角色、如何回答特定类型问题的“剧本”。比如，告诉 LLM “你是一个专业的客服助手，请用礼貌、简洁的语言回答用户问题。”
    • LangChain 如何处理？ LangChain 提供了 PromptTemplate，让你能以结构化的方式定义和管理提示词，方便动态插入变量，避免硬编码。这对于需要根据不同场景生成不同提示词的客服系统至关重要。

  3. Chains (链)：

    • 是什么？ 这是 LangChain 的核心概念之一，它将多个组件（比如 LLM、Prompt、解析器等）串联起来，形成一个端到端的工作流。你可以把 Chain 理解为一系列按特定顺序执行的动作。
    • 在客服中扮演什么角色？ 它是我们智能客服的“神经系统”，将用户输入、提示词、LLM 的处理、以及最终的输出连接起来。一个简单的 Chain 可以是“用户提问 -> 格式化提示词 -> LLM 生成回答”。更复杂的 Chain 则可能包含“用户提问 -> 检索知识库 -> LLM 根据知识库生成回答”。
    • LangChain 如何处理？ LangChain 提供了各种预定义的 Chain 类型（如 LLMChain, SequentialChain, RetrievalQAChain 等），也允许你自定义 Chain，极大地提高了构建复杂 LLM 应用的效率和可维护性。

智能客服的基石：一个简单的问答链

对于我们的智能客服知识库项目来说，最开始，它需要具备的最基本能力就是——回答问题。哪怕是最简单的，直接把用户的问题丢给 LLM，让它生成一个回复。这，就是我们第一个 Chain 的任务。

想象一下这个过程：

  1. 用户输入一个问题，比如“我的订单状态是什么？”
  2. 这个问题被送入一个提示词模板，这个模板会告诉 LLM：“你是一个专业的客服，请回答这个问题：[用户问题]”。
  3. 格式化后的提示词发送给LLM。
  4. LLM 处理后，生成一个回答，比如“请提供您的订单号，我将为您查询。”
  5. 这个回答就是我们智能客服的初步响应。

这一切，LangChain 的 LLMChain 就能轻松搞定。

Mermaid 图解：智能客服的第一个 Chain

graph TD
    A[用户输入: "我的订单状态是什么？"] --> B{PromptTemplate: "你是一个客服，请回答：{question}"}
    B --> C[LLM (e.g., GPT-3.5-turbo)]
    C --> D[LLMChain]
    D --> E[输出: "请提供您的订单号，我将为您查询。"]

    style A fill:#f9f,stroke:#333,stroke-width:2px
    style B fill:#bbf,stroke:#333,stroke-width:2px
    style C fill:#ccf,stroke:#333,stroke-width:2px
    style D fill:#ddf,stroke:#333,stroke-width:2px
    style E fill:#f9f,stroke:#333,stroke-width:2px
    linkStyle 0 stroke:#666,stroke-width:2px,fill:none,stroke-dasharray: 5 5;
    linkStyle 1 stroke:#666,stroke-width:2px,fill:none,stroke-dasharray: 5 5;
    linkStyle 2 stroke:#666,stroke-width:2px,fill:none,stroke-dasharray: 5 5;
    linkStyle 3 stroke:#666,stroke-width:2px,fill:none,stroke-dasharray: 5 5;

这个图清晰地展示了我们第一个智能客服助手的“大脑”是如何工作的。用户的问题经过 PromptTemplate 的包装，送入 LLM 处理，最终通过 LLMChain 协调，生成回复。简单而强大，不是吗？

💻 实战代码演练 (客服项目中的具体应用)

理论说得再多，不如亲手敲一行代码。现在，我们来一起把这个简单的问答链在我们的智能客服项目中实现出来。

1. 环境准备

首先，确保你的 Python 环境已经就绪。我们需要安装 LangChain 核心库以及 OpenAI 的集成库（因为我们课程中会默认使用 OpenAI 的模型作为示例）。

# 确保你使用的是 Python 3.8+
# 创建并激活虚拟环境（推荐）
python -m venv venv
source venv/bin/activate # macOS/Linux
# venv\Scripts\activate # Windows

# 安装 LangChain 和 OpenAI 集成
pip install langchain-openai python-dotenv

接下来，你需要一个 OpenAI API Key。为了安全起见，我们通常会将敏感信息存储在 .env 文件中。

在项目根目录下创建一个名为 .env 的文件，并添加你的 API Key：

# .env 文件
OPENAI_API_KEY="YOUR_OPENAI_API_KEY_HERE"

重要提示： 请务必将 YOUR_OPENAI_API_KEY_HERE 替换为你的真实 API Key。永远不要将 API Key 硬编码到你的代码中，也不要提交到公共仓库！

2. 构建智能客服的第一个 Chain

现在，让我们来编写代码，实现我们智能客服助手的第一个功能——接收用户提问并由 LLM 进行初步回答。

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain.chains import LLMChain

# 1. 加载环境变量
# 这一步确保我们可以从 .env 文件中读取 OPENAI_API_KEY
load_dotenv()

# 2. 初始化 LLM
# 我们将使用 OpenAI 的 GPT-3.5 Turbo 模型。
# temperature 参数控制生成文本的随机性，0.0 表示最确定性的输出，适合客服场景。
# verbose=True 会在控制台打印 Chain 的详细运行过程，非常有助于调试。
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.0, verbose=True)

# 3. 定义提示词模板 (PromptTemplate)
# 这是我们给智能客服设定的“人设”和“指令”。
# {question} 是一个占位符，运行时会替换为用户的实际问题。
prompt_template = PromptTemplate(
    input_variables=["question"],
    template="你是一个专业的、友好的智能客服助手。请根据以下用户问题提供简洁、准确的回答：\n\n用户问题：{question}\n\n你的回答：",
)

# 4. 创建 LLMChain
# 将 LLM 和 PromptTemplate 组合成一个 Chain。
# 这就是我们客服助手的核心工作流：接收问题 -> 格式化问题 -> 提交给LLM -> 获取LLM的回答。
llm_chain = LLMChain(llm=llm, prompt=prompt_template)

# 5. 模拟用户交互并运行 Chain
print("--- 智能客服助手启动 ---")
while True:
    user_input = input("\n请问您有什么问题？(输入 '退出' 结束): ")
    if user_input.lower() == '退出':
        print("感谢使用，再见！")
        break

    # 调用 Chain 处理用户输入
    # chain.invoke 方法是 LangChain 0.1.0+ 的推荐用法
    # 它接受一个字典作为输入，字典的键对应 prompt_template 中的 input_variables
    response = llm_chain.invoke({"question": user_input})

    # 打印智能客服的回答
    # 对于 LLMChain，invoke 的输出是一个字典，其中 'text' 键包含 LLM 的最终生成结果。
    print(f"\n智能客服：{response['text']}")

Python 代码解析：

  • load_dotenv(): 从 .env 文件加载环境变量，确保 os.environ["OPENAI_API_KEY"] 能正确获取到你的密钥。
  • ChatOpenAI(model="gpt-3.5-turbo", temperature=0.0, verbose=True): 初始化一个 ChatOpenAI 实例。model 指定使用的模型，temperature 设置为 0.0 表示我们希望 LLM 给出更确定、更少创造性的回答，这在客服场景中是理想的。verbose=True 是一个调试利器，它会打印出 Chain 内部的运行细节，包括发送给 LLM 的完整 Prompt，这对于理解和排查问题至关重要。
  • PromptTemplate(...): 定义了我们发送给 LLM 的指令模板。input_variables=["question"] 声明了模板中可以动态替换的变量。template 则是实际的文本，其中 {question} 会被用户的输入填充。
  • LLMChain(llm=llm, prompt=prompt_template): 这是本期的核心！它将我们的 LLM 和 PromptTemplate 绑定在一起，创建了一个基本的问答工作流。当这个 llm_chain 被调用时，它会接收用户输入，将其插入到 prompt_template 中，然后将完整的提示词发送给 llm，最后返回 llm 的生成结果。
  • llm_chain.invoke({"question": user_input}): 这是执行 Chain 的方法。它接收一个字典，字典的键必须与 PromptTemplate 中定义的 input_variables 匹配。

3. 运行效果演示

运行上述 Python 代码，你会看到类似这样的交互：

--- 智能客服助手启动 ---

请问您有什么问题？(输入 '退出' 结束): 我的订单号是多少？

> Entering new LLMChain chain...
Prompt after formatting:
你是一个专业的、友好的智能客服助手。请根据以下用户问题提供简洁、准确的回答：

用户问题：我的订单号是多少？

你的回答：

> Finished chain.

智能客服：很抱歉，我无法直接查询您的订单号。为了保护您的账户安全和隐私，请您登录您的账户或联系人工客服获取您的订单信息。

请问您有什么问题？(输入 '退出' 结束): 你们公司的产品有什么特点？

> Entering new LLMChain chain...
Prompt after formatting:
你是一个专业的、友好的智能客服助手。请根据以下用户问题提供简洁、准确的回答：

用户问题：你们公司的产品有什么特点？

你的回答：

> Finished chain.

智能客服：我们的产品主要特点包括：
1.  **创新性设计：** 致力于提供独特且用户友好的解决方案。
2.  **高性能表现：** 确保产品在各种场景下都能稳定高效运行。
3.  **优质客户服务：** 我们提供全方位的支持，确保用户拥有最佳体验。
4.  **可持续发展：** 在产品开发和运营中注重环保和社会责任。
希望这些信息对您有所帮助！

请问您有什么问题？(输入 '退出' 结束): 退出
感谢使用，再见！

看到了吗？我们的智能客服助手已经能进行基本的问答了！通过 verbose=True，你还能清楚地看到 LLM 实际接收到的完整 Prompt，这对于理解 LLM 的行为至关重要。

当然，这个初版客服助手还很“傻”，它没有任何记忆，也无法访问外部知识。它仅仅是根据你给它的提示词和当前问题进行泛泛的回答。但这正是我们逐步构建复杂系统的起点！

坑与避坑指南

作为一位经验丰富的导师，我必须提前给你们打上预防针，避免踩到一些新手常犯的坑：

  1. API Key 泄露：致命错误！

    • 坑： 直接把 OPENAI_API_KEY 硬编码在代码里，或者提交到 GitHub 等公共仓库。
    • 避坑指南： 永远不要这样做！ 使用 .env 文件和 python-dotenv 库是标准实践。在生产环境中，你还需要考虑更安全的密钥管理方案，比如云服务商的密钥管理服务（KMS）。同时，确保 .gitignore 文件中包含 .env，防止误提交。

  2. Prompt 工程：垃圾进，垃圾出 (GIGO)

    • 坑： 随便写一个 Prompt，然后抱怨 LLM 的回答不够好。
    • 避坑指南： LLM 的能力很强，但它不是读心术大师。你给的指令越清晰、越具体、越有结构，它的表现就越好。本期我们只用了很简单的 Prompt，但后续我们会深入探讨 Prompt 工程的艺术。记住，Prompt 是你与 LLM 沟通的桥梁，也是你塑造其行为的关键。 仔细观察 verbose=True 打印出的完整 Prompt，思考如何改进它。

  3. temperature 参数的理解与运用

    • 坑： 不理解 temperature 的作用，随意设置，导致 LLM 回答过于随机或过于死板。
    • 避坑指南： temperature 控制 LLM 输出的“创造性”或“随机性”。0.0 意味着 LLM 会尝试给出最可能、最确定的答案，这非常适合需要准确性和一致性的客服、QA 任务。如果你在创作故事、生成诗歌，你可能需要更高的 temperature (比如 0.7-1.0)。对于客服场景，我们通常倾向于较低的 temperature。

  4. LLM 与 ChatModel 的选择

    • 坑： 混淆 langchain.llms 和 langchain_openai.ChatOpenAI (或 langchain.chat_models)。
    • 避坑指南： LangChain 区分了两种类型的语言模型：
      • LLM：接受字符串输入，返回字符串输出（例如 langchain_openai.OpenAI）。
      • ChatModel：接受消息列表（如用户消息、系统消息、AI 消息）作为输入，返回消息对象作为输出（例如 langchain_openai.ChatOpenAI）。 对于像 GPT-3.5-turbo 这样为对话优化的模型，推荐使用 ChatOpenAI，因为它能更好地处理对话上下文和角色信息。虽然 LLMChain 可以同时接受这两种模型，但在实际的对话应用中，ChatModel 的优势会逐渐显现出来。

  5. 调试与 verbose=True

    • 坑： 代码不工作，不知道问题出在哪里，盲目猜测。
    • 避坑指南： verbose=True 是你的好朋友！它会打印出 Chain 内部的详细执行日志，包括发送给 LLM 的完整 Prompt，这对于理解 LLM 为什么会给出某个回答，以及排查 Prompt 问题，是极其宝贵的。养成调试的好习惯！

📝 本期小结

恭喜你！在本期课程中，我们成功地迈出了构建智能客服知识库的第一步。我们：

  • 深入理解了 LangChain 的核心价值，明白了它如何作为 LLM 应用开发的“瑞士军刀”，简化了复杂性。
  • 掌握了 LangChain 的三大基石：LLMs (大脑)、Prompts (指令) 和 Chains (工作流)。
  • 亲手构建并运行了第一个 LLMChain，让我们的智能客服助手具备了最基础的问答能力。
  • 学习了关键的避坑指南，为未来的开发之路扫清障碍。

现在，我们的智能客服虽然还只是一个“初生牛犊”，只能进行简单的问答，但它已经拥有了与 LLM 交互的核心能力。这就像给它装上了一个初步的“大脑”。

但是，仅仅是问答可不够！一个真正智能的客服，它需要记忆（记住之前的对话），它需要知识（访问公司的产品文档、FAQ），它还需要行动（比如查询订单、创建工单）。这些，正是我们接下来要一步步解锁的强大能力！

在下一期，我们将深入探讨如何为我们的客服助手增加“记忆力”，让它能够记住之前的对话，提供更连贯、更个性化的服务。敬请期待！