1. 背景与目标

随着大语言模型（LLM）的发展，AI Agent 在智能问答、自动化任务等领域得到了广泛应用。然而，LLM 受限于其训练数据的时效性，无法获取最新信息。例如，如果你问 GPT-4：「2025 年奥运会在哪里举行？」它可能无法提供准确答案。

如何让 AI 具备实时搜索能力？ 这正是 ReAct（Reasoning + Acting）框架的优势。通过 结合推理（Reasoning）与行动（Acting），AI 可以在回答问题前先分析是否需要查询最新信息，再通过工具获取外部数据，最后整合结果给出回答。

本篇文章的目标是：

✅ 实现一个 AI Agent，能基于 ReAct 框架进行两次任务调度

✅ 结合 SerpAPIWrapper，让 AI 具备实时搜索能力

✅ 让 AI 能够判断何时需要调用搜索工具，何时直接回答

---

2. ReAct 框架简介

2.1 什么是 ReAct？

ReAct（Reasoning + Acting）是一种让 AI 既能思考（Reasoning）又能执行任务（Acting）的方法。它的核心思路是：

1. 观察（Observe）：接收用户问题。

2. 思考（Think）：分析问题，决定下一步行动。

3. 执行（Act）：调用工具（如搜索 API）获取数据。

4. 总结（Reflect）：基于所有信息，生成最终回答。

2.2 ReAct 在 AI Agent 中的应用场景

• 信息查询：调用搜索 API，获取最新数据。

• 自动化任务：如计算、代码执行、数据库查询等。

• 复杂决策：结合多种工具，分析和推理最佳方案。

---

3. 让 AI 具备搜索能力：SerpAPIWrapper 介绍

3.1 为什么要使用 SerpAPI？

SerpAPI 是一个用于调用 Google/Bing 搜索的 API，可以让 AI 获取最新的网页数据。相比于 LLM 的静态知识库，SerpAPI 能帮助 AI 实时查询外部世界的信息。

3.2 安装与配置

在代码实现前，先安装 langchain，

安装 langchainhub：从langchainhub拉取标准提示词

安装 dashscope：使用Tongyi大模型

安装 google-search-results：使用serpapi进行搜索

API KEY获取：Google Search Engine Results API - SerpApi

pip install langchain langchainhub dashscope google-search-results

完整代码如下

import os
os.environ["SERPAPI_API_KEY"] = ''

# 导入LangChain Hub
from langchain import hub
# 从hub中获取React的Prompt
prompt = hub.pull("hwchase17/react")
print(prompt)

# 导入ChatOpenAI
from langchain_community.llms import Tongyi
# 选择要使用的LLM
llm = Tongyi(
    api_key = "",
    base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 导入SerpAPIWrapper即工具包
from langchain_community.utilities import SerpAPIWrapper
from langchain_core.tools.simple import Tool
# 实例化SerpAPIWrapper
search = SerpAPIWrapper()
# 准备工具列表
search_tool = Tool(
    name="Search",
    func=search.run,
    description="用于查询最新信息，如新闻、事实验证等"
)

from langchain.agents import initialize_agent
from langchain.agents import AgentType

# 初始化 Agent
agent = initialize_agent(
    tools=[search_tool],  # 让 AI 具备搜索能力
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,  # 使用 ReAct 进行推理
    verbose=True
)

# 运行示例
question = "2025 年奥运会在哪里举行？"
response = agent.run(question)
print(response)

运行 verbose=True 时，可以看到 AI Agent 任务调度的完整日志。例如，当用户问**「2025 年奥运会在哪里？」**时，AI 的思考过程可能是：

1️⃣ 思考：「这涉及 2025 年的最新信息，可能需要搜索。」

2️⃣ 行动：「调用 SerpAPI 进行 Google 搜索。」

3️⃣ 获取搜索结果：「SerpAPI 返回了最新新闻和维基百科信息。」

4️⃣ 总结并回答：「2025 年奥运会将在 XXX 地点举行。」

这样，AI 就能像人类一样，先分析问题，再利用工具，最终给出准确答案。

---

6. 代码优化与扩展方向

6.1 增强 Agent 记忆功能

目前的 AI 只是处理单个问题，可以增加记忆功能，让 AI 记住上下文。

• 方法 1：使用 langchain.memory.ConversationBufferMemory() 存储对话历史。

• 方法 2：使用 FAISS 向量数据库，让 AI 具备长期记忆能力。

6.2 增加更多工具

目前 AI 只能进行搜索查询，可以扩展：

• 计算工具（math tool）：让 AI 能计算复杂数学问题。

• 数据库查询工具：让 AI 查询业务数据库，实现自动化办公。

• API 调用工具：让 AI 访问外部 API，如天气、金融数据等。

6.3 结合 RAG（检索增强生成）优化回答质量

可以使用 RAG（Retrieval-Augmented Generation） 结合企业内部知识库，让 AI 具备更强的知识查询能力，例如：

• 结合 企业文档（PDF, Word） 进行问答。

• 使用 向量数据库（如 FAISS, Chroma） 检索业务信息。

---

7. 总结：打造一个能实时搜索的 AI Agent

本篇文章，我们实现了一个 基于 ReAct 任务调度 + SerpAPIWrapper 的智能 AI Agent，能够：

✅ 判断问题是否需要搜索

✅ 调用 SerpAPI 进行 Google 查询

✅ 结合搜索结果，生成精准答案

这样，AI 具备了类似人类的思考 + 搜索 + 总结能力，而不是单纯依赖静态训练数据。

未来可以优化哪些方面？

📌 增加记忆，让 AI 记住上下文。

📌 增加工具，让 AI 具备计算、API 调用、数据库查询能力。

📌 结合 RAG，增强 AI 在特定领域的知识检索能力。