在基于大模型构建智能体（Agent）的过程中，ReAct 作为经典的推理 + 执行范式，被广泛应用于工具调用、逻辑推理、多步任务编排等场景。而 LangChain 内置的两种核心 ReAct 实现 ——ZeroShot ReAct 与 Structured Chat ReAct，在实际落地中经常被混淆。本文将结合实战经验，清晰拆解 Structured Chat ReAct 的设计思想、核心优势、与 ZeroShot ReAct 的本质区别，以及完整实现思路。

Structured Chat ReAct 是 LangChain 专门为生产级稳定工具调用设计的 ReAct 智能体。它的核心定位是：强约束、结构化、低解析失败率，让 LLM 严格按照固定格式进行推理与工具调用，彻底解决自由文本输出带来的解析不稳定问题。

与传统的自由文本思考不同，Structured Chat ReAct 强制模型以标准化结构输出每一步决策，全程可解析、可追踪、可稳定执行。

模型不再输出自由文本形式的思考与动作，而是严格遵循统一结构输出，每一步动作都清晰、规范、无歧义。

使用 System / Human / AI 标准对话模板，更符合当前主流对话模型的输入习惯，指令遵循率更高。

格式固定、解析明确，大幅降低因模型输出乱码、多余文字、思考前缀导致的执行失败，适合正式项目使用。

结构化设计使其可以轻松扩展到多参数、多类型工具场景，扩展性远优于文本格式的智能体。

很多开发者在初次使用 LangChain 时，都会疑惑：同样是 ReAct，两者到底差在哪里？这里用最直观的方式总结差异：

优先选择指令遵循能力强、结构化输出稳定的模型，避免使用会自动增加思考标签的模型，保证格式纯净。

定义可被智能体调用的功能工具，例如获取当前时间、数学计算、数据库查询、API 请求等，并为每个工具提供清晰名称与描述。

使用标准对话模板构建提示词，明确告诉模型：

提示词的约束强度直接决定智能体稳定性。

使用 LangChain 提供的专用构造函数，将模型、工具、提示词三者绑定，生成可直接执行的智能体。

通过智能体执行器运行任务，开启日志便于调试，设置最大迭代次数避免死循环，同时开启解析容错，提升整体健壮性。

执行过程中，智能体会自动完成：理解用户意图 → 选择工具 → 执行工具 → 整理结果 → 返回最终答案，全程无需人工干预。

在实际运行中，Structured Chat ReAct 表现出明显优势：

对比传统 ZeroShot ReAct，Structured Chat ReAct 更像是工业级的智能体实现，而前者更适合教学与快速验证。

# -*- coding: utf-8 -*-
import os
from dotenv import load_dotenv
from langchain.agents import AgentExecutor, create_structured_chat_agent
from langchain_core.tools import Tool
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from datetime import datetime
import re
import json

# 加载环境变量
load_dotenv()

# ========================
# 1. 配置 LLM
# ========================
DEEPSEEK_API_KEY = "123"  # 替换为实际的 API Key
llm = ChatOpenAI(
    api_key=DEEPSEEK_API_KEY,
    base_url="http://192.168.0.100:8000/v1",  # Deepseek 的 API 基础地址
    model="Qwen3-235B-A22B",  # Deepseek 对话模型（可选：deepseek-chat-pro 等高级模型）
    temperature=0.1,  # 温度参数（0-1，越低越稳定）
    max_tokens=1024  # 最大生成 tokens
)

# ========================
# 2. 工具定义
# ========================
def get_current_time(input_str: str = "") -> str:
    """获取当前系统时间"""
    return f"当前时间：{datetime.now().strftime('%Y年%m月%d日 %H:%M:%S')}"

def calculate_math_expression(expression: str) -> str:
    """安全计算数学表达式"""
    try:
        if not re.match(r'^[\d+\-*/().\s]+$', expression):
            return "表达式包含非法字符"
        result = eval(expression, {"__builtins__": {}}, {})
        return f"计算结果：{result}"
    except:
        return "计算失败"

tools = [
    Tool(
        name="GetCurrentTime",
        func=get_current_time,
        description="获取当前系统时间，输入为空字符串"
    ),
    Tool(
        name="CalculateMathExpression",
        func=calculate_math_expression,
        description="计算数学表达式"
    )
]

# ========================
# 3. 【关键修复】超强约束 Prompt，禁止输出  标签
# ========================
prompt = ChatPromptTemplate.from_messages([
    ("system", """
你必须只输出纯 JSON，**绝对禁止输出  、思考过程、解释文字、中文说明等任何内容**。

可用工具：
{tools}

工具名称：
{tool_names}

【输出格式 严格遵守】
{{"action":"工具名","action_input":"输入内容"}}

完成任务后输出：
{{"action":"Final Answer","action_input":"直接回答结果"}}

禁止任何多余文字！只输出 JSON！
"""),
    ("human", "{input}"),
    ("ai", "{agent_scratchpad}"),
])

# ========================
# 4. 创建 Agent
# ========================
agent = create_structured_chat_agent(llm, tools, prompt)

agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    handle_parsing_errors=True,  # 容错解析错误
    max_iterations=3,
)

# ========================
# 5. 测试
# ========================
if __name__ == "__main__":
    print("🔍 任务1：获取当前时间")
    result1 = agent_executor.invoke({"input": "现在几点了？只告诉我结果"})
    print("✅ 最终答案:", result1["output"])

    print("\n" + "="*60 + "\n")

    print("🧮 任务2：数学计算")
    result2 = agent_executor.invoke({"input": "计算 100*(25+15)/4 - 80 等于多少？"})
    print("✅ 最终答案:", result2["output"])