LangChain ReAct Agent

<div align="center">

LangChain ReAct Agent

基于 LangChain / LangGraph 的 ReAct Agent 智能客服系统

中文 | English

</div>

---

项目简介

基于 LangChain 实现的 ReAct（Reasoning + Acting）Agent，集成 RAG 检索增强、多工具调用与动态提示词切换。系统根据用户意图自动判断任务类型（知识问答 / 报告生成），调用合适的工具与知识库完成推理，并通过 Streamlit 流式界面实时展示 Agent 的思考与执行过程。

效果展示

<div align="center"> <img src="assets/chat1.png" alt="RAG Q&A" width="720"> <br><em>图 1 · 普通问答 — RAG 检索知识库回复</em>

<br><br>

<img src="assets/chat2.png" alt="Tool calling" width="720"> <br><em>图 2 · Agent 工具调用 — 实时展示推理与工具执行链路</em>

<br><br>

<img src="assets/chat3.png" alt="Tool call details" width="720"> <br><em>图 3 · 工具调用详情 — 多步推理与中间结果可视化</em> </div>

技术架构

flowchart TD
    U["用户输入（Streamlit）"] --> AG
    subgraph AG["ReAct Agent · Middleware：工具监控 + 动态提示词切换"]
        direction LR
        T["Thought 推理"] --> ACT["Action 工具调用 / RAG"]
        ACT --> OBS["Observation 观察结果"]
        OBS --> T
    end
    AG --> RAG["RAG<br/>Chroma 向量检索"]
    AG --> TOOLS["Tools<br/>天气 / 用户数据 / 报告"]
    AG --> PROMPT["Prompt<br/>动态模板切换"]

核心特性

特性	说明
ReAct 范式	Thought → Action → Observation 循环，Agent 自主推理并决定调用哪个工具
RAG 检索增强	Chroma 向量库 + DashScope Embedding，MD5 文件去重，支持 txt/pdf 混合加载
多工具调用	天气查询 / 用户定位 / 外部数据检索 / 报告上下文填充，Agent 按需自动选择
动态提示词切换	Middleware 根据运行时上下文自动切换「普通问答」与「报告生成」两套 System Prompt
流式对话界面	Streamlit 构建，支持流式逐字输出、历史消息留存、Agent 推理过程可见
模块化结构	Agent / RAG / Model / Tools / Middleware 独立模块，YAML 配置驱动

技术栈

层级	技术
LLM	通义千问（DashScope / ChatTongyi）
Agent 框架	LangChain + LangGraph
向量数据库	Chroma
文档处理	PyPDF + RecursiveCharacterTextSplitter
前端	Streamlit
配置	YAML 驱动（Agent / RAG / Chroma / Prompts）

快速开始

环境要求

• Python ≥ 3.10
• DashScope API Key — 在阿里云百炼申请

1. 克隆仓库

git clone https://github.com/lhh737/LangChain-ReAct-Agent.git
cd LangChain-ReAct-Agent

2. 安装依赖

pip install -r requirements.txt

3. 配置 API Key

# Linux / macOS
export DASHSCOPE_API_KEY="your-api-key"

# Windows (CMD)
set DASHSCOPE_API_KEY=your-api-key

4. 初始化知识库（首次运行）

python -c "from rag.vector_store import VectorStoreService; VectorStoreService().load_document()"

5. 启动应用

streamlit run app.py

浏览器自动打开 http://localhost:8501

6. 验证运行

启动后可在聊天框输入以下测试问题：

测试问题	触发能力
扫地机器人有哪些主要功能？	RAG 知识库问答
如果机器人无法正常回充，该如何处理？	知识库故障排查
请根据用户数据生成一份个性化使用报告	报告生成 + 工具调用

项目结构

LangChain-ReAct-Agent/
├── agent/                          # Agent 核心
│   ├── react_agent.py              #   ReAct Agent 主逻辑（流式执行）
│   └── tools/
│       ├── agent_tools.py          #   工具函数（RAG检索/天气/用户数据/报告）
│       └── middleware.py           #   中间件（工具监控/动态提示词切换）
│
├── rag/                            # RAG 检索增强
│   ├── vector_store.py             #   Chroma 向量库 · 文档加载 · MD5 去重
│   └── rag_service.py              #   RAG 检索 → LLM 总结服务
│
├── model/
│   └── factory.py                  # 模型工厂（ChatTongyi + DashScopeEmbedding）
│
├── config/                         # YAML 配置文件
│   ├── agent.yml                   #   Agent 行为与工具配置
│   ├── chroma.yml                  #   向量库与检索参数
│   ├── prompts.yml                 #   提示词模板路径
│   └── rag.yml                     #   RAG 模型与参数
│
├── prompts/                        # 提示词模板
│   ├── main_prompt.txt             #   普通问答 System Prompt
│   ├── rag_summarize.txt           #   RAG 总结 Prompt
│   └── report_prompt.txt           #   报告生成 System Prompt
│
├── utils/                          # 工具函数
│   ├── config_handler.py           #   YAML 配置加载
│   ├── file_handler.py             #   文件解析（PDF/TXT）
│   ├── logger_handler.py           #   日志管理
│   ├── path_tool.py                #   路径工具
│   └── prompt_loader.py            #   提示词加载
│
├── data/                           # 知识库文档（扫地机器人相关）
├── assets/                         # 效果展示截图
├── app.py                          # Streamlit 应用入口
├── requirements.txt
└── README.md

配置说明

项目通过 config/ 目录下的 YAML 文件统一管理配置：

文件	说明
rag.yml	对话模型名称、Embedding 模型名称
chroma.yml	Chroma 持久化路径、分块大小、检索 Top-K、支持的文件类型
prompts.yml	各场景提示词模板文件路径
agent.yml	Agent 超时时间、外部数据路径等

首次运行只需确保 DashScope API Key 已设置 且 data/ 目录下有知识库文档即可。

License

MIT © lhh737