Java 實現(xiàn) ReAct Agent工具調用與推理循環(huán)的過程

更新時間：2026年04月24日 09:08:33 作者：花千樹-010

文章介紹了Agent的概念,與普通LLM的區(qū)別,并詳細講解了ReAct模式,包括定義工具、ReAct Prompt模板、構建推理循環(huán)和工具執(zhí)行邏輯,還對比了j-langchain和LangChain Python的特點,強調了j-langchain的透明度和可調試性

什么是 Agent？

普通 LLM 是被動的：你問，它答，結束。

Agent 是主動的：它能思考、制定計劃、調用工具獲取信息、基于結果繼續(xù)思考，直到完成目標。

典型場景：

“幫我查一下上海的天氣，然后推薦合適的穿搭”
“搜索最新的 Java 21 新特性，寫一份技術對比報告”
“查詢數(shù)據(jù)庫中的銷售數(shù)據(jù)，生成本月分析報告”

ReAct 模式

ReAct = Reasoning + Acting，交替進行推理和行動：

Question: 用戶的問題
  ↓
Thought: LLM 思考：需要什么信息？用什么工具？
  ↓
Action: 調用工具（get_weather）
Action Input: 工具參數(shù)（"上海"）
  ↓
Observation: 工具返回結果（"上海天氣晴，25°C"）
  ↓
Thought: 基于結果，還需要其他信息嗎？
  ↓
（如需要，重復 Action → Observation 循環(huán)）
  ↓
Final Answer: 最終回答

Step 1：定義工具

工具是 Agent 的"手和腳"，本質上是一個帶描述的函數(shù)：

// 天氣查詢工具
Tool getWeather = Tool.builder()
    .name("get_weather")                            // 工具名稱（LLM 調用時使用）
    .params("location: String")                     // 參數(shù)描述
    .description("獲取城市天氣信息，輸入城市名稱")    // 工具描述（LLM 理解用途）
    .func(location ->                               // 實際執(zhí)行邏輯
        String.format("%s 天氣晴，氣溫 25°C", location)
    )
    .build();
// 時間查詢工具
Tool getTime = Tool.builder()
    .name("get_time")
    .params("city: String")
    .description("獲取城市當前時間，輸入城市名稱")
    .func(city -> String.format("%s 當前時間 14:30", city))
    .build();

生產中，func 里可以調用真實 API、數(shù)據(jù)庫查詢、HTTP 請求——任何 Java 能做的事。

Step 2：ReAct Prompt 模板

這是 Agent 的"大腦"，告訴 LLM 如何思考和行動：

PromptTemplate prompt = PromptTemplate.fromTemplate(
    """
    盡你所能回答以下問題。你有以下工具可以使用：
    ${tools}           ← 工具列表自動注入
    請按以下格式回答：
    Question: 你必須回答的問題
    Thought: 思考是否已有足夠信息回答
    Action: 要執(zhí)行的動作，必須是 [${toolNames}] 之一
    Action Input: 動作的輸入
    Observation: 動作結果
    （可重復 Thought/Action/Observation，最多3次）
    Final Answer: 最終回答
    Question: ${input}
    Thought:
    """
);
// 將工具注入 Prompt
List<Tool> tools = List.of(getWeather, getTime);
prompt.withTools(tools);

Step 3：構建推理循環(huán)

這是 ReAct 的核心——循環(huán)執(zhí)行，直到得到最終答案：

FlowInstance agentChain = chainActor.builder()
    .next(prompt)
    .loop(
        // 循環(huán)條件：還需要調用工具 && 未超過最大次數(shù)
        shouldContinue,
        // 循環(huán)體
        llm,                   // LLM 推理（生成 Thought/Action）
        chainActor.builder()
            .next(cutAtObservation)  // 截斷 LLM 自己編造的 Observation
            .next(parseAction)       // 解析 Action 和 Action Input
            .next(
                Info.c(needsToolCall, executeTool),  // 需要工具調用
                Info.c(input -> ContextBus.get().getResult(llm.getNodeId())) // 已有答案，退出循環(huán)
            )
            .build()
    )
    .next(new StrOutputParser())
    .next(extractFinalAnswer)  // 提取 "Final Answer:" 后面的內容
    .build();

關鍵細節(jié)：

為什么要截斷 Observation？

LLM 有時會自己"編造"工具的返回結果（Observation）而不真正調用。通過截斷 Observation: 之前的內容，強制讓框架執(zhí)行真實的工具調用。

循環(huán)退出條件：

Function<Integer, Boolean> shouldContinue = i -> {
    Map<String, String> parsed = ContextBus.get().getResult(parseAction.getNodeId());
    return i < maxIterations                   // 未超過最大次數(shù)
        && (parsed == null                     // 還沒開始
            || (parsed.containsKey("Action") && parsed.containsKey("Action Input"))); // 還需要調用工具
};

Step 4：工具執(zhí)行邏輯

每次循環(huán)，如果 LLM 決定調用工具，執(zhí)行器會：

找到對應工具
執(zhí)行工具函數(shù)
將 Observation 追加到 Prompt，構造下一輪推理上下文

TranslateHandler<Object, Map<String, String>> executeTool = new TranslateHandler<>(map -> {
    // 找到 LLM 決定調用的工具
    Tool useTool = tools.stream()
        .filter(t -> t.getName().equalsIgnoreCase(map.get("Action")))
        .findFirst().orElse(null);
    // 執(zhí)行工具，獲取觀察結果
    String observation = (String) useTool.getFunc().apply(map.get("Action Input"));
    System.out.println("Observation: " + observation);
    // 將觀察結果追加到 Prompt，形成下一輪推理的上下文
    String agentScratchpad = thoughtPart + "\nObservation:" + observation + "\nThought:";
    promptValue.setText(promptValue.getText().trim() + agentScratchpad);
    return promptValue;
});

完整執(zhí)行示例

執(zhí)行 chainActor.invoke(agentChain, Map.of("input", "上?，F(xiàn)在的天氣怎么樣？")) 的完整輸出：

> 進入 AgentExecutor 鏈...
Thought: 我需要查詢上海的天氣。
Action: get_weather
Action Input: 上海
Observation: 上海 天氣晴，氣溫 25°C
Thought: 我已經(jīng)獲得了上海的天氣信息，可以回答問題了。
Final Answer: 上?，F(xiàn)在天氣晴朗，氣溫25攝氏度。
> 鏈執(zhí)行完成。
=== 最終答案 ===
上?，F(xiàn)在天氣晴朗，氣溫25攝氏度。

與 LangChain Python 對比

特性	LangChain Python	j-langchain Java
ReAct Agent	`create_react_agent`	`chainActor.builder().loop(...)`
工具定義	`@tool` 裝飾器	`Tool.builder()`
循環(huán)控制	框架內置	顯式 `loop(condition, ...)`
透明度	框架封裝，較黑盒	完全透明，可調試每一步