如何使用Python-LangChain框架构建Structured Chat ReAct智能体并与ZeroShot ReAct对比？
摘要：LangChain 实战：Structured Chat ReAct 智能体原理与实现（对比 ZeroShot ReAct） 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
LangChain 实战：Structured Chat ReAct 智能体原理与实现（对比 ZeroShot ReAct）
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。
一、什么是 Structured Chat ReAct？
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。
二、Structured Chat ReAct 核心特点
1. 强结构化输出，全程可控
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。
2. 基于聊天消息结构（Chat Message）
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。
3. 工具调用稳定、鲁棒性强
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。
4. 天然支持多参数复杂工具
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。
三、Structured Chat ReAct 与 ZeroShot ReAct 核心区别
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：
1. 输出格式不同
ZeroShot ReAct：基于自由文本，通过 Thought/Action/Action Input 文本行输出，依赖正则匹配提取内容，容易出错。
Structured Chat ReAct：基于结构化输出，格式严格统一，每一步动作都规范可解析。
2. 消息结构不同
ZeroShot ReAct：使用普通文本模板，无明确对话角色区分。
Structured Chat ReAct：使用标准聊天模板（System、Human、AI），更适配对话模型。
3. 解析稳定性不同
ZeroShot ReAct：解析依赖文本规则，模型一旦乱输出就会失败。
Structured Chat ReAct：解析稳定可靠，适合高要求的生产环境。
4. 使用场景不同
ZeroShot ReAct：适合简单任务、快速验证、学习演示。
Structured Chat ReAct：适合正式项目、复杂工具链、高稳定性要求场景。
四、Structured Chat ReAct 实现思路
1. 模型选择
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。
2. 工具定义
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。
3. 构建结构化聊天提示词
使用标准对话模板构建提示词，明确告诉模型：
可用工具列表
必须遵守的输出格式
禁止输出多余内容（如思考前缀、解释文字）
任务完成后的结束格式
提示词的约束强度直接决定智能体稳定性。
4. 创建 Structured Chat 智能体
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。
5. 执行与调度
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。
五、实战效果总结
在实际运行中，Structured Chat ReAct 表现出明显优势：
指令遵循率极高
工具调用步骤清晰透明
几乎不会出现格式解析失败
日志干净、易于调试
扩展多工具时非常稳定
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。
六、适用场景推荐
需要稳定调用多种工具的 AI 助手
多步骤逻辑推理、数据计算类任务
对输出格式有强约束的系统
生产环境中不允许频繁执行失败的场景
基于本地模型部署的智能体系统
代码实现：
# -*- 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"])
注意：有的大模型不理解json的输出会报错，要选择合适的大模型
结果输出：
🔍 任务1：获取当前时间
> Entering new AgentExecutor chain...
{"action":"GetCurrentTime","action_input":""}当前时间：2026年04月09日 11:05:05{"action":"Final Answer","action_input":"现在是2026年04月09日 11:05:05"}
> Finished chain.
✅ 最终答案: 现在是2026年04月09日 11:05:05
============================================================
🧮 任务2：数学计算
> Entering new AgentExecutor chain...
{"action":"CalculateMathExpression","action_input":"100*(25+15)/4 - 80"}计算结果：920.0{"action":"Final Answer","action_input":"100*(25+15)/4 - 80 等于 920"}
> Finished chain.
✅ 最终答案: 100*(25+15)/4 - 80 等于 920
更多学习资料尽在
老虎网盘资源