原创 尹珉 2025-09-01 17:59 上海
手把手教你用LangGraph搭建ReAct Agent（含ReAct Agent教程 ）
本文是LangGraph 系列第二篇，首篇请见LangChain vs LangGraph：谁是agent落地最优解
后续基于langgraph-up-react做Multi-Agent的教程，将在本系列第三篇推出
大模型落地，要么做workflow、要么做agent，而无论哪一种，全都离不开框架。
而毫无疑问，LangGraph 是构建Agent 系统的最主流框架之一。它不仅支持循环、条件分支，能处理复杂流程；对应用流程和状态有细粒度控制；有内置持久性功能，跨交互保持上下文；支持人工干预；还能实时流输出数据……堪称Multi-Agent系统的框架最优解。但是，作为新事物，LangGraph也有不小问题，比如：官方的文档变更频繁，学习曲线较高，对新手并不算友好。而对大部分开发者来说，做agent没那么难，难的是，如何从0到1做个细分领域能用的小应用，解决启动问题。那不妨试试 langgraph-up-react，这一套 LangGraph 模板，不仅完美解决以上问题，而且更适合中国用户的开发环境。以下是基于LangGraph 做一个ReAct Agent的手把手教程。01 ReAct Agent 解读ReAct（Reason + Act） 框架诞生于谷歌 2022 年的论文《ReAct: Synergizing Reasoning and Acting in Language Models》。其意义在于，结合了 Chain of Thought（CoT，思维链，擅长推理，但无法与外部环境交互）以及传统强化学习 Agent（擅长环境交互，但缺乏逻辑规划）两者之所长，让 agent 像人类一样，通过 “分析问题（思考）→ 与环境交互（行动）→ 获取反馈（观察）” 的动态循环解决问题。其核心模块有三：Reason（推理）：借鉴 CoT“Chain-of-Thought（思维链）”，让模型先自我拆解、自我提问的方式地分析问题。此外，这个模块的核心能力是上下文理解、策略规划，更重要的是，它还能根据反馈的信息对错误内容进行纠正，对行为做策略进行调整。Act（行动）：根据推理结果，调用工具执行操作（如 API、数据库、计算器、搜索）。Observation（观察）：查看行动结果，进入下一轮推理或行动。核心能力在于结果的收集与分析，以及信息的过滤提取。现如今，ReAct 已成为智能体（如 ChatGPT 插件、机器人控制、智能助手）的核心底层架构之一，广泛应用于需要动态交互的真实场景。02 LangGraph 解读2.1 LangGraph 解决了什么问题？传统的 AI 模型不能维持这种多步骤的连续推理过程，每次对话都是独立的，不能记住之前的处理结果，也不能基于中间结果动态调整后续步骤。LangGraph 正是为了解决这个问题而生。它能将复杂任务分解成多个步骤，记住每个步骤的结果，并根据情况灵活调整执行路径，最终完成整个任务链条。2.2 LangGraph 的核心机制LangGraph 把 AI 的思考过程变成了一个流程图：2.下载项目到本地curl -LsSf https://astral.sh/uv/install.sh | sh
git clone https://github.com/webup/langgraph-up-react.git
cd langgraph-up-react
3.安装项目依赖
4.配置项目环境4.1 创建uv sync --dev
.env 文件4.2 填写 API-KEYcp .env.example .env
# Web 搜索功能（必需）
TAVILY_API_KEY=your-tavily-api-key
# 模型提供商（至少选择一个）
DASHSCOPE_API_KEY=your-dashscope-api-key # 千问模型（默认推荐）
OPENAI_API_KEY=your-openai-api-key # OpenAI 或兼容平台
# OPENAI_API_BASE=https://your-api-endpoint # OpenAI 兼容平台需设置
# 可选：模型供应商的区域支持
REGION=prc # 中国大陆地区
# 可选：启用文档工具
ENABLE_DEEPWIKI=true
4.3 启动项目
# 启动开发服务器（不带界面）
make dev
# 启动带 LangGraph Studio UI 的开发服务器
make dev_ui
4.4 访问环境
作者介绍
Zilliz 黄金写手：尹珉
