一、先搞懂：ZeroShot_ReAct 到底是什么？

首先要明确两个核心概念的结合——ZeroShot（零样本）与ReAct（推理+行动），二者结合才构成了这个Agent的强大能力：

1. ReAct：让AI像人一样“思考+行动”

ReAct是一种大模型推理框架，核心逻辑源于人类解决问题的习惯：先思考（Thought），再行动（Action），根据行动结果（Observation）再调整思考，循环往复直到得出答案。这种框架打破了“大模型只做文本生成”的局限，让AI具备了“主动调用外部工具”的能力，而不是单纯依赖自身知识库回答问题。

比如面对“现在几点了”这个问题，AI不会凭空猜测，而是会思考“我需要获取当前时间，这需要调用专门的工具”，然后执行调用操作，拿到结果后再整理成最终答案——这就是ReAct的核心价值：让推理与行动协同，解决大模型“不会实时交互、不会计算”的痛点。

2. ZeroShot：无需训练，即插即用

ZeroShot（零样本）则解决了“使用门槛”的问题。传统Agent可能需要提前准备大量训练样本，告诉AI“什么场景用什么工具”，而ZeroShot_ReAct Agent完全不需要——它仅通过工具的描述信息，就能自主判断“当前问题是否需要调用工具、调用哪个工具、如何传递参数”。

简单来说，你只需要告诉Agent“有一个工具能获取当前时间，无需参数”，它就能在遇到“查询时间”的问题时，自动调用这个工具；遇到“数学计算”的问题时，自动匹配计算工具——这就是它最便捷的地方：无需训练，配置好工具和提示词，就能直接使用。

ZeroShot_ReAct 核心优势总结

• 零样本适配：无需训练样本，仅通过工具描述即可实现工具调用决策，降低开发成本；

• 推理透明：全程遵循“思考-行动-观察”的流程，可清晰追溯AI的决策逻辑，便于调试；

• 灵活扩展：新增工具时，只需添加工具描述和实现逻辑，无需修改Agent核心代码；

• 兼容性强：可适配各类兼容OpenAI API的大模型，无论是在线模型还是本地部署的模型（如Qwen、DeepSeek等）都能无缝对接。

二、实战拆解：ZeroShot_ReAct Agent 实现步骤

结合本次实战案例，我们搭建的Agent能实现两个核心功能：获取当前系统时间、执行数学表达式计算。整个实现过程分为4个核心步骤，逻辑清晰，可直接复用思路扩展更多工具。

步骤1：配置大模型（LLM）—— Agent的“大脑”

大模型是ZeroShot_ReAct Agent的核心，负责“思考决策”：判断是否需要调用工具、调用哪个工具、如何处理工具返回结果。本次实战选用了本地部署的Qwen3.5模型，通过兼容OpenAI API的方式接入LangChain。

核心配置思路：只需指定模型的API密钥、部署地址、模型名称，以及温度（temperature）和最大令牌数（max_tokens）——温度越低，AI的决策越稳定，避免随机猜测；最大令牌数则限制单次输出的长度，防止冗余。

这里的关键的是：只要模型兼容OpenAI API，无论你用的是在线模型（如GPT、DeepSeek）还是本地部署的模型（如Ollama部署的Qwen、Llama），都能直接替换使用，无需修改后续核心逻辑。

步骤2：定义工具—— Agent的“手脚”

工具是Agent与外部交互的载体，也是ZeroShot_ReAct实现“行动”的核心。每个工具都需要明确三个关键信息：工具名称、工具功能（函数实现）、工具描述——这三个信息，尤其是工具描述，直接决定了AI能否正确判断何时调用该工具。

本次实战定义了两个工具，思路可直接复用：

• 时间工具：负责获取当前系统时间，无需输入参数，工具描述需明确“无需参数”，避免AI传递多余信息；

• 计算工具：负责执行数学表达式计算，支持加减乘除和括号，工具描述需明确支持的表达式类型，让AI知道该工具能解决什么问题、需要传递什么格式的输入。

这里有一个细节：工具的描述必须简洁、准确，避免模糊表述。因为ZeroShot_ReAct Agent正是通过解析工具描述，来判断“当前问题是否需要调用该工具”——描述越清晰，AI的决策越准确，减少调用错误。同时，工具的函数实现需考虑安全性，比如计算工具需限制可执行的函数，避免恶意代码注入。

步骤3：自定义ReAct提示模板—— Agent的“行为准则”

提示模板（Prompt）是ZeroShot_ReAct Agent的“规则手册”，核心作用是告诉AI“如何思考、如何输出、如何调用工具”。因为大模型本身并不知道“ReAct流程”，也不知道“如何规范调用工具”，需要通过提示模板来约束其行为。

本次实战的提示模板，重点做了两个核心约束（也是ZeroShot_ReAct能正常工作的关键）：

1. 格式约束：明确规定“需要调用工具”和“无需调用工具”的输出格式，比如调用工具时必须按照“思考-行动-输入”的三行格式输出，不能添加任何多余文字，确保Agent能正确解析AI的输出；

2. 工具约束：明确告知AI可用的工具名称和工具功能，并且强调“工具名称必须完全匹配，区分大小写”，避免AI因名称错误导致调用失败。

此外，提示模板中还预留了“历史执行记录”的位置，用于存储AI的思考、行动和观察记录，让AI能根据上一步的结果调整下一步的决策——这正是ReAct框架“循环推理”的核心实现。

步骤4：创建Agent和执行器—— 让Agent“动起来”

有了“大脑”（大模型）、“手脚”（工具）和“行为准则”（提示模板），就可以将三者组装成完整的ZeroShot_ReAct Agent，再通过执行器（AgentExecutor）来运行任务。

核心思路：使用LangChain提供的create_react_agent方法，将大模型、工具、提示模板整合，生成Agent；再通过AgentExecutor来控制Agent的执行流程，比如设置最大迭代次数（防止死循环）、开启详细日志（便于调试）、自动处理解析错误（提升稳定性）。

执行器的作用相当于“管家”，负责调度Agent的思考和行动，确保整个流程有序进行：接收用户问题 → Agent思考决策 → 调用工具（如有） → 处理工具返回结果 → 输出最终答案。

三、关键细节与避坑指南

在搭建ZeroShot_ReAct Agent的过程中，有几个细节直接影响Agent的稳定性和准确性，新手很容易踩坑，这里重点提醒：

• 工具描述要精准：避免模糊表述，比如“计算工具”不能只写“能计算”，要明确支持的运算类型、输入格式，否则AI可能无法判断何时调用；

• 格式约束要严格：AI的输出格式必须和提示模板中规定的一致，否则执行器无法解析，会导致调用失败——这也是为什么提示模板中要强调“不要添加任何额外文字”；

• 大模型选择要适配：建议选择推理能力较强的模型，比如Qwen3.5、DeepSeek等，避免因模型推理能力不足，导致无法正确判断是否需要调用工具；

• 安全性要考虑：如果工具涉及外部调用或代码执行（如计算工具），需做好安全防护，比如限制可执行的函数、过滤危险输入，避免恶意攻击。

四、总结与扩展方向

本次实战搭建的ZeroShot_ReAct Agent，虽然功能简单，但已经覆盖了核心实现逻辑——它的本质就是“通过提示模板约束大模型，让大模型根据工具描述，自主完成‘思考-行动-观察’的循环，实现零样本工具调用”。

对比传统的工具调用方式，ZeroShot_ReAct的优势在于“灵活、低成本”：无需训练样本，新增工具时只需添加工具描述和实现逻辑，就能快速适配新的需求；而ReAct框架则让AI的决策过程更加透明，便于调试和优化，这也是其在企业智能决策、自动化流程等场景中广泛应用的原因之一。

后续扩展方向也很明确：

• 扩展工具：新增天气查询、知识库检索、文件读取等工具，实现更复杂的任务；

• 优化提示模板：调整思考逻辑的描述，提升AI的决策准确性；

• 对接更多模型：尝试接入不同的大模型，对比其在ZeroShot_ReAct场景下的表现；

• 增加记忆功能：结合LangChain的记忆组件，让Agent能记住历史对话，实现多轮交互下的工具调用。

ZeroShot_ReAct Agent是LangChain Agent体系中最基础也最实用的方案，掌握它的实现思路，能为后续搭建更复杂的智能Agent（如多Agent协同、带记忆的Agent）打下坚实基础。

如果觉得本文对你有帮助，欢迎点赞、收藏，后续会持续分享LangChain实战技巧，一起玩转大模型应用开发～

代码实现：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121

import os from dotenv import load_dotenv from langchain.agents import AgentExecutor, create_react_agent from langchain_core.tools import Tool from langchain_openai import ChatOpenAI from langchain_core.prompts import PromptTemplate  # ← 用于自定义 prompt # 加载环境变量 load_dotenv() # ======================== # 1. 配置 LLM（Ollama 兼容 OpenAI API） # ======================== DEEPSEEK_API_KEY = "123"  # 替换为实际的 API Key llm = ChatOpenAI(     api_key=DEEPSEEK_API_KEY,     base_url="http://192.168.0.100:8085/v1",     model="qwen3.5-27b-awq",     temperature=0.3,     max_tokens=1024, ) # ======================== # 2. 定义工具 # ======================== def get_current_time(*args, **kwargs):     from datetime import datetime     current_time = datetime.now().strftime("%Y年%m月%d日 %H:%M:%S")     return f"当前时间：{current_time}" def calculate_math_expression(expression: str):     try:         # 构建安全的白名单内置函数         safe_funcs = {}         for func_name in ("abs", "round", "min", "max", "pow"):             if hasattr(__builtins__, func_name):                 safe_funcs[func_name] = getattr(__builtins__, func_name)         # 执行安全计算         result = eval(expression, {"__builtins__": {}}, safe_funcs)         return f"数学表达式计算结果：{expression} = {result}"     except Exception as e:         return f"计算失败，错误信息：{str(e)}" tools = [     Tool(         name="GetCurrentTime",         func=get_current_time,         description="获取当前系统时间，无需任何输入参数"     ),     Tool(         name="CalculateMathExpression",         func=calculate_math_expression,         description="计算一个数学表达式，例如 '100 * (25 + 15) / 4 - 80'，仅支持 + - * / 和括号"     ) ] # ======================== # 3. 自定义 ReAct 提示模板（中文 + 严格格式约束） # ======================== react_prompt_template = """你是一个智能助手，必须严格遵守以下交互协议： ## 规则 1. 如果需要使用工具，请**严格按照以下三行格式输出**，不要添加任何额外文字、标点、说明或自然语言： Thought: 我需要使用工具来解决问题。 Action: 工具名称 Action Input: 工具输入内容 2. 如果不需要工具，直接输出： Thought: 我可以直接回答。 Final Answer: 你的最终答案 ## 可用工具 {tools} ## 合法工具名称（必须完全匹配，区分大小写）： {tool_names} ## 用户问题 {input} ## 历史执行记录（如有） {agent_scratchpad} """ # 创建 PromptTemplate，确保包含所有必要变量 prompt = PromptTemplate(     input_variables=["tools", "tool_names", "input", "agent_scratchpad"],     template=react_prompt_template ) # ======================== # 4. 创建 Agent 和执行器 # ======================== agent = create_react_agent(     llm=llm,     tools=tools,     prompt=prompt ) agent_executor = AgentExecutor(     agent=agent,     tools=tools,     verbose=True,     handle_parsing_errors=True,   # 自动处理解析错误并重试     max_iterations=5,             # 防止死循环 ) # ======================== # 5. 执行任务 # ======================== if __name__ == "__main__":     print("===== 任务1：获取当前时间 =====")     agent_executor.invoke({"input": "请告诉我现在的时间是多少？"})     print("\n" + "=" * 50 + "\n")     print("===== 任务2：数学计算 =====")     agent_executor.invoke({"input": "请帮我计算 100 * (25 + 15) / 4 - 80 的结果是多少？"})

结果输出：

===== 任务1：获取当前时间 =====


> Entering new AgentExecutor chain...
写。
</think>

Thought: 我需要使用工具来解决问题。
Action: GetCurrentTime
Action Input:当前时间：2026年04月07日 16:49:28案。
</think>

Thought: 我可以直接回答。
Final Answer: 当前时间是2026年04月07日 16:49:28。

> Finished chain.

==================================================

===== 任务2：数学计算 =====


> Entering new AgentExecutor chain...
0'
</think>

Thought: 我需要使用工具来解决问题。
Action: CalculateMathExpression
Action Input: 100 * (25 + 15) / 4 - 80数学表达式计算结果：100 * (25 + 15) / 4 - 80 = 920.0题。
</think>