feat: add ReAct agent with custom API support

README.md

@@ -1,3 +0,0 @@
-# langgraph_learing
-
-langgraph_learing

langgraph-tutorial/README.md

@@ -2,23 +2,15 @@
 
 ## 课程大纲
 
-### ✅ 第 1 步：核心理念
+| 步骤 | 内容 | 文件 | 状态 |
-- LangGraph 是基于图的 AI 应用框架
+|------|------|------|------|
-- 支持有状态、循环、分支的智能体构建
+| 第 1 步 | 核心理念 | - | ✅ |
+| 第 2 步 | Hello World | `hello.py` | ✅ |
+| 第 3 步 | 条件边 | `conditional.py` | ✅ |
+| 第 4 步 | 循环 + 智能体 | `loop.py`, `agent.py` | ✅ |
+| 第 5 步 | ReAct 智能体 | `react_agent.py` | ✅ |
 
-### ✅ 第 2 步：Hello World
+## 核心概念
-- 文件: `hello.py`
-- 学习了：State、Node、Edge 三大核心概念
-
-### ✅ 第 3 步：条件边
-- 文件: `conditional.py`
-- 学习了：让图学会做决定，根据输入走不同路径
-
-### ✅ 第 4 步：循环 + 智能体
-- 文件: `loop.py` - 循环演示（尝试-评估-重试）
-- 文件: `agent.py` - AI 智能体（思考-行动-回答）
-
-## 核心概念总结
 
 ```
 LangGraph 图 = State(状态) + Node(节点) + Edge(边)
@@ -30,22 +22,9 @@ Edge: 连接节点，定义流程走向
   - 条件边: add_conditional_edges()
 ```
 
-## 下一步学习
-
-### 第 5 步：真实 LLM 智能体
-- 接入 OpenAI API
-- 构建 ReAct 模式智能体
-- 添加工具调用能力
-
-### 第 6 步：高级特性
-- 检查点机制（暂停/恢复）
-- 子图（嵌套图）
-- 并行执行
-- 流式输出
-
 ## 运行示例
 
-```bash
+```powershell
 # 设置编码
 $env:PYTHONIOENCODING="utf-8"
 
@@ -53,15 +32,28 @@ $env:PYTHONIOENCODING="utf-8"
 python hello.py         # Hello World
 python conditional.py   # 条件边
 python loop.py          # 循环
-python agent.py      # AI 智能体
+python agent.py         # AI 智能体 (模拟模式)
+python react_agent.py   # ReAct 智能体 (需要 API)
 ```
 
-## 接入真实 LLM
+## ReAct 智能体配置
 
 ```powershell
-# 设置 API Key
+# 必需
-$env:OPENAI_API_KEY = "sk-..."
+$env:OPENAI_API_KEY = "your-api-key"
 
-# 运行智能体示例
+# 可选
-python agent.py
+$env:OPENAI_BASE_URL = "https://your-api.com/v1"  # 默认 OpenAI
+$env:MODEL_NAME = "gpt-4o-mini"                    # 默认 gpt-4o-mini
+
+# 运行
+python react_agent.py                              # 内置测试
+python react_agent.py "你的问题"                    # 自定义问题
 ```
+
+## 下一步学习
+
+- [ ] 检查点机制（暂停/恢复）
+- [ ] 子图（嵌套图）
+- [ ] 并行执行
+- [ ] 流式输出

langgraph-tutorial/react_agent.py

@@ -0,0 +1,227 @@
+"""
+LangGraph 第 5 步：真实 LLM 智能体
+ReAct 模式：思考(Reason) - 行动(Act) - 观察(Observe)
+支持自定义 OpenAI 兼容 API
+"""
+import os
+import sys
+from langgraph.graph import StateGraph, START, END
+from typing import TypedDict
+
+# 1️⃣ 配置 API
+API_KEY = os.environ.get("OPENAI_API_KEY", "")
+BASE_URL = os.environ.get("OPENAI_BASE_URL", "https://api.openai.com/v1")
+MODEL = os.environ.get("MODEL_NAME", "gpt-4o-mini")
+
+if not API_KEY:
+    print("请先设置环境变量:")
+    print("  $env:OPENAI_API_KEY = 'your-api-key'")
+    print("  $env:OPENAI_BASE_URL = 'your-api-base-url'  # 可选，默认 OpenAI")
+    print("  $env:MODEL_NAME = 'gpt-4o-mini'  # 可选")
+    exit(1)
+
+from openai import OpenAI
+client = OpenAI(api_key=API_KEY, base_url=BASE_URL)
+
+# 2️⃣ 定义状态
+class AgentState(TypedDict):
+    question: str
+    thoughts: list
+    current_thought: str
+    action: str
+    action_param: str
+    observation: str
+    final_answer: str
+    iteration: int
+    max_iterations: int
+
+# 3️⃣ 定义工具
+def calculator(expression: str) -> str:
+    """计算器工具"""
+    try:
+        result = eval(expression, {"__builtins__": {}}, {})
+        return f"计算结果: {expression} = {result}"
+    except Exception as e:
+        return f"计算错误: {e}"
+
+def search_knowledge(query: str) -> str:
+    """知识库搜索工具"""
+    knowledge = {
+        "langgraph": "LangGraph 是 LangChain 团队开发的框架，用于构建有状态、基于图的 AI 应用。",
+        "python": "Python 是一种高级编程语言，广泛用于 AI、Web 开发、数据分析等领域。",
+        "langchain": "LangChain 是构建 LLM 应用的框架，提供 Prompt 管理、Chain、Agent 等组件。",
+        "ai": "人工智能 (AI) 是计算机科学的一个分支，致力于创建能执行智能任务的系统。",
+    }
+    for key, value in knowledge.items():
+        if key in query.lower():
+            return f"搜索到: {value}"
+    return f"未找到关于 '{query}' 的精确信息"
+
+tools = {
+    "calculator": calculator,
+    "search": search_knowledge,
+}
+
+# 4️⃣ 定义节点
+def think_node(state: AgentState):
+    """思考节点 - 让 LLM 决定下一步"""
+    state = state.copy()
+    state['iteration'] += 1
+
+    system_prompt = f"""你是一个智能助手，可以使用以下工具:
+1. calculator - 数学计算，参数是数学表达式如 "2+3*4"
+2. search - 搜索知识，参数是搜索关键词
+
+当前是第 {state['iteration']}/{state['max_iterations']} 轮。
+
+请严格按照以下格式回复:
+[思考] 你的思考过程
+[行动] 工具名称|参数
+例如:
+[思考] 我需要计算这个数学题
+[行动] calculator|2+3*4
+
+如果可以直接回答，请这样回复:
+[思考] 我已经知道答案了
+[回答] 你的最终答案"""
+
+    messages = [{"role": "system", "content": system_prompt}]
+    messages.append({"role": "user", "content": state['question']})
+
+    if state.get('observation'):
+        messages.append({"role": "assistant", "content": f"[观察] {state['observation']}"})
+
+    response = client.chat.completions.create(
+        model=MODEL,
+        messages=messages,
+        max_tokens=300,
+        temperature=0.3,
+    )
+
+    thought_text = response.choices[0].message.content
+    state['current_thought'] = thought_text
+    state['thoughts'] = state.get('thoughts', []) + [thought_text]
+
+    print(f"\n{'='*50}")
+    print(f"[思考] 第 {state['iteration']} 轮:")
+    print(thought_text)
+
+    # 解析行动
+    for line in thought_text.split('\n'):
+        if '[行动]' in line:
+            parts = line.replace('[行动]', '').strip().split('|')
+            if len(parts) == 2:
+                state['action'] = parts[0].strip()
+                state['action_param'] = parts[1].strip()
+                return state
+        if '[回答]' in line:
+            state['final_answer'] = line.replace('[回答]', '').strip()
+            return state
+
+    state['action'] = ""
+    return state
+
+def act_node(state: AgentState):
+    """行动节点 - 执行工具"""
+    state = state.copy()
+    action = state.get('action', '')
+    param = state.get('action_param', '')
+
+    print(f"\n[行动] 执行 {action}({param})")
+
+    if action in tools:
+        result = tools[action](param)
+        state['observation'] = result
+        print(f"[观察] {result}")
+    else:
+        state['observation'] = f"未知工具: {action}"
+        print(f"[观察] 未知工具: {action}")
+
+    return state
+
+def answer_node(state: AgentState):
+    """回答节点 - 生成最终答案"""
+    state = state.copy()
+
+    if state.get('final_answer'):
+        print(f"\n[回答] {state['final_answer']}")
+        return state
+
+    messages = [
+        {"role": "system", "content": "请根据以下信息给出简洁的最终答案"},
+        {"role": "user", "content": f"问题: {state['question']}\n\n思考过程:\n" + "\n".join(state.get('thoughts', []))}
+    ]
+
+    response = client.chat.completions.create(
+        model=MODEL,
+        messages=messages,
+        max_tokens=200,
+    )
+
+    state['final_answer'] = response.choices[0].message.content
+    print(f"\n[回答] {state['final_answer']}")
+    return state
+
+# 5️⃣ 路由函数
+def route(state: AgentState):
+    """决定下一步"""
+    if state.get('final_answer'):
+        return "answer"
+    if state['iteration'] >= state['max_iterations']:
+        return "answer"
+    if state.get('action'):
+        return "act"
+    return "answer"
+
+# 6️⃣ 构建图
+graph = StateGraph(AgentState)
+graph.add_node("think", think_node)
+graph.add_node("act", act_node)
+graph.add_node("answer", answer_node)
+
+graph.add_edge(START, "think")
+graph.add_conditional_edges("think", route, {"act": "act", "answer": "answer"})
+graph.add_edge("act", "think")
+graph.add_edge("answer", END)
+
+app = graph.compile()
+
+# 7️⃣ 运行
+print("=" * 50)
+print("LangGraph ReAct 智能体")
+print("=" * 50)
+print(f"API: {BASE_URL}")
+print(f"模型: {MODEL}")
+print("\n图结构:")
+print("  START -> think -> [有行动?] -> act -> think (循环)")
+print("              |")
+print("              +-> [无行动/达到限制] -> answer -> END")
+
+# 如果有命令行参数，用命令行参数作为问题
+if len(sys.argv) > 1:
+    questions = [" ".join(sys.argv[1:])]
+else:
+    questions = [
+        "计算一下 123 * 456",
+        "什么是 LangGraph？",
+    ]
+
+for q in questions:
+    print(f"\n{'#'*50}")
+    print(f"问题: {q}")
+    print(f"{'#'*50}")
+
+    result = app.invoke({
+        "question": q,
+        "thoughts": [],
+        "iteration": 0,
+        "max_iterations": 4,
+        "action": "",
+        "observation": "",
+        "final_answer": "",
+        "action_param": "",
+    })
+
+    print(f"\n{'='*50}")
+    print(f"最终答案: {result['final_answer']}")
+    print(f"{'='*50}")