在前一篇文章中，我們已經學會如何用 LangGraph 建立基本的 AI Agent 流程。今天，我們要更進一步，介紹一個經典的 Agent 設計模式：ReAct（Reasoning + Acting）。
ReAct 模式的核心概念是結合「推理」與「行動」，讓模型不僅能回答問題，還能在需要時選擇合適的工具來完成任務。這種設計使得 AI Agent 具備更高的靈活性與解題能力。

什麼是 ReAct 模式？

ReAct（Reasoning + Acting） 模式最早由 Google Research 在論文 ReAct: Synergizing Reasoning and Acting in Language Models 中提出，目的是讓大型語言模型（LLM）同時具備 推理（Reasoning） 與 行動（Acting） 能力。

它的核心運作流程可以拆解為以下循環：

1. 思考 (Thought)：模型根據目前的上下文，描述觀察結果並提出推理。
2. 行動 (Action)：模型決定要使用哪個工具，並產生對應的輸入。
3. 觀察 (Observation)：接收工具的輸出結果，並將其作為下一步推理的依據。
4. 重複以上步驟，直到模型認為任務已完成，輸出 最終答案 (Final Answer)。

這樣的設計使得 ReAct 將 Chain-of-Thought（CoT） 與 工具調用（Tool Use） 結合在一起，不再只是單向的「輸入 Prompt → 輸出答案」，而是形成一個動態的「推理—行動—觀察—再推理」循環。這讓 LLM 能更有條理地處理複雜任務，並在需要時引入外部能力，透過實際操作與驗證逐步推進，最終獲得更準確、可解釋的結果。

舉例來說，假設使用者詢問：「台北今天適合跑步嗎？」ReAct 模式的過程可能如下：

1. 思考：要判斷是否適合跑步，需要知道台北的天氣。
2. 行動：呼叫天氣工具，輸入「Taipei」。
3. 觀察：工具回覆「30 度，多雲，有午後雷陣雨」。
4. 思考：因為有雷陣雨，今天不適合戶外跑步。
5. 最終答案：今天不建議在台北跑步，因為可能會下雨。

這個流程展現了 ReAct 的精髓：模型並不是一次性輸出結論，而是透過推理與工具調用的交互循環，逐步累積資訊，最終形成可靠的答案。

ReAct 解決了什麼問題？

在 ReAct 概念落地之前，傳統的 LLM 應用中，模型通常採取「單次輸入 Prompt → 輸出答案」的方式運作。這種模式雖然簡單，但也存在一些限制：

• 無法即時查詢外部資料：只能依賴訓練階段的知識，遇到需要最新資訊的問題（例如天氣、股價、新聞）便無能為力。
• 中間思考過程不透明：LLM 的推理大多隱藏在內部，使用者與開發者難以觀察，也不容易調整或除錯。
• 難以處理複雜任務：面對需要多步驟推理的問題時，模型容易產生錯誤或幻覺（hallucination），缺乏可靠性。

ReAct 模式的循環設計，則帶來了以下幾個關鍵優勢：

• 資訊即時性：能透過工具調用獲取外部知識與最新資料，而不僅限於模型內部記憶。
• 可解釋性：思考（Thought）、行動（Action）與觀察（Observation）會被明確輸出，開發者能清楚追蹤推理過程。
• 任務可拆解：複雜問題可被分解為多個小步驟，每次透過「推理—行動—觀察」迴圈逐步完成，降低出錯率。

換句話說，ReAct 是讓 Agent 從「純對話機器人」進化為「能思考、能行動的智慧助手」的關鍵設計。

在 LangGraph 中實現 ReAct

ReAct 的核心精神是「推理與行動交替進行」，而 LangGraph 恰好非常適合用來實作這種迴圈式流程。要在 LangGraph 中落地 ReAct 模式，我們可以把「推理」與「行動」拆分成不同的 節點（Node），並透過 狀態（State） 與 邊（Edge） 的設計，讓 Agent 在兩者之間反覆循環，直到產生最終答案。

在這個設計中，通常會包含三個核心元件：

1. LLM 節點
   • 由大型語言模型（LLM）驅動，負責輸出 思考（Thought） 與 行動（Action） 的指令。
   • 例如，當使用者問「今天台北適合跑步嗎？」時，LLM 可能會先推理：「我需要知道今天台北的天氣，因此應該呼叫天氣查詢工具。」
2. Tool 節點
   • 負責執行模型指定的「行動」，例如呼叫 API、進行數學計算、或查詢資料庫。
   • 工具執行後會回傳結果，這就是 觀察（Observation） 的實現。延續前例，Tool 可能回覆：「台北今天 30 度，多雲，午後有雷陣雨。」
3. 迴圈控制
   • 工具的回覆並不會直接呈現給使用者，而是送回 LLM 節點 進行新一輪推理。模型需要判斷是否要再次呼叫工具，或是已經有足夠資訊輸出 最終答案（Final Answer）。
   • 這個迴圈會持續進行，直到模型明確輸出最終答案，流程才會結束。

ReAct 在 LangGraph 的運作流程

在 LangGraph 中，ReAct 的運作可以想成是一個「推理 → 行動 → 觀察 → 再推理」的循環：

1. 使用者提出問題，進入 LLM 節點。
2. 模型進行推理，並決定是否需要調用工具。
3. 如果需要，轉交給 Tool 節點 執行，並將結果作為觀察傳回。
4. 模型再根據觀察結果進一步推理，可能再次呼叫工具，或直接產生最終答案。

這個過程可以用下圖表示：

透過這樣的節點設計，LangGraph 能夠完整支援 ReAct 模式，讓 Agent 不再只是一次性回覆，而是能像人類一樣透過「推理—行動—觀察—再推理」的循環，不斷修正與補充資訊，最終得出更合理、精確且可解釋的答案。

實作範例：簡易 ReAct Agent

接下來我們用一個最小可行的案例示範 ReAct 模式：「查詢天氣，並根據結果建議今天是否適合出門運動。」這個範例會結合 OpenAI 模型 與 Tavily Search 工具，展示 LLM 如何一邊思考、一邊透過工具取得資訊，再回過頭做出合理的建議。

建立 LangGraph 專案

首先，我們使用官方工具 create-langgraph 來建立一個全新的專案：

create-langgraph react-agent

當工具詢問模板類型時，選擇 New LangGraph Project 即可。這個模板會自動幫你建立一個包含 src/agent 目錄的專案骨架。

接著進入專案資料夾並安裝相依套件：

cd react-agent
yarn install

安裝依賴套件

初始化專案後，接著安裝以下套件：

yarn add @langchain/openai @langchain/tavily

這裡我們會用到兩個主要套件：

• @langchain/openai：LangChain 官方的 OpenAI 模型整合套件，用於提供推理能力（Reasoning）。
• @langchain/tavily：LangChain 官方支援的工具封裝，用來呼叫 Tavily Search API，這裡把它當作查詢天氣的資訊來源。

設定環境變數

在專案根目錄建立 .env 檔案，填入必要的 API 金鑰：

LANGSMITH_KEY=llsv2...
OPENAI_API_KEY=sk-...
TAVILY_API_KEY=tvly-dev-... 

• LANGSMITH_KEY：啟用 LangSmith 觀察功能（可選，但建議填入，方便後續在 Studio UI 追蹤流程）。
• OPENAI_API_KEY：OpenAI 模型的金鑰。
• TAVILY_API_KEY：Tavily 搜尋工具的金鑰。

撰寫 ReAct Agent 流程

專案的 src/agent 目錄下已經有兩個檔案：

• state.ts：定義狀態結構，預設已經包含訊息處理，我們直接沿用即可。
• graph.ts：主要的流程定義檔，我們會在這裡實作 ReAct Agent。

開啟 src/agent/graph.ts，加入以下程式碼：

// src/agent/graph.ts
import { StateGraph, START, END } from '@langchain/langgraph';
import { ToolNode } from '@langchain/langgraph/prebuilt';
import { AIMessage } from '@langchain/core/messages';
import { ChatOpenAI } from '@langchain/openai';
import { TavilySearch } from '@langchain/tavily';
import { StateAnnotation } from './state.js';

// 建立可用的工具 (Act)
const tools = [new TavilySearch({ maxResults: 3 })];
const toolNode = new ToolNode(tools);

// 建立 LLM 並綁定工具 (Reason)
const model = new ChatOpenAI({
  model: 'gpt-4o-mini',
  temperature: 0,
}).bindTools(tools);

// 判斷是否要繼續迴圈
function shouldContinue({ messages }: typeof StateAnnotation.State) {
  const lastMessage = messages[messages.length - 1] as AIMessage;
  if (lastMessage.tool_calls?.length) {
    return 'tools'; // 如果 LLM 決定要呼叫工具
  }
  return END; // 否則結束，輸出最終答案
}

// LLM 推理節點
async function callModel(state: typeof StateAnnotation.State) {
  const response = await model.invoke(state.messages);
  return { messages: [response] };
}

// 建立 ReAct Agent 流程
const builder = new StateGraph(StateAnnotation)
  .addNode('agent', callModel) // Reasoning
  .addEdge(START, 'agent')
  .addNode('tools', toolNode)  // Acting
  .addEdge('tools', 'agent')   // Observation 回傳給 LLM
  .addConditionalEdges('agent', shouldContinue);

export const graph = builder.compile();
graph.name = 'ReAct Agent';

這裡最重要的部分是 addConditionalEdges，它會根據 LLM 是否提出工具調用（tool_calls）來決定流程走向：

• 有工具調用 → 流程進到 tools 節點，執行外部動作，並將結果傳回 LLM。
• 沒有工具調用 → 流程走向 END，輸出最終答案。

測試 ReAct Agent

完成程式碼後，可以啟動 LangGraph Server，並透過 LangGraph Studio 觀察流程：

npx @langchain/langgraph-cli dev

啟動後，終端機會顯示本地伺服器 URL，例如：

http://127.0.0.1:2024

將它帶入 Studio UI 的網址：

https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024

在 Studio UI 的 Chat 分頁輸入問題，例如：

台北今天適合跑步嗎？

你會看到流程圖清楚呈現：

1. 使用者的問題先進到 agent 節點，由 LLM 判斷是否需要外部資訊。
2. LLM 呼叫我們綁定的 TavilySearch 工具，查詢台北天氣。
3. 工具回傳觀察結果（Observation），再送回 LLM。
4. LLM 根據天氣狀況進行推理，給出最終建議。

今天台北的天氣大致晴朗，氣溫在33℃左右，降雨機率很低（約5%）。這樣的天氣條件很適合跑步，但建議注意防曬和保持水分。如果你打算在戶外運動，記得穿著輕便的運動服裝，並在早晨或傍晚的時候進行，以避免高溫。

這樣，我們就完成了一個最小可行的 ReAct Agent 範例。它雖然只是查詢天氣，但已經完整展現了 ReAct 的核心精神：先思考，再行動，根據結果再思考，直到完成任務。

使用 createReactAgent 快速建立 ReAct Agent

如果你希望快速上手，不必手動設計所有節點與邊，LangGraph 提供了高階封裝函式 createReactAgent，能自動幫你建立一個符合 ReAct 模式的 Agent。

這個函式會將 LLM 節點 與 Tool 節點 的互動邏輯封裝起來，你只需要：

1. 指定要使用的 LLM。
2. 提供可調用的 工具（Tools）。
3. 視需求加上 記憶（Memory）、自訂 Prompt 或其他進階功能。

以下是一個最小化範例：

import { ChatOpenAI } from '@langchain/openai';
import { TavilySearch } from '@langchain/tavily';
import { HumanMessage } from '@langchain/core/messages';
import { createReactAgent } from '@langchain/langgraph/prebuilt';

const tools = [new TavilySearch({ maxResults: 3 })];

const model = new ChatOpenAI({
  model: 'gpt-4o-mini',
  temperature: 0,
});

const graph = createReactAgent({
  llm: model,
  tools,
});

const finalState = await graph.invoke({
  messages: [new HumanMessage('台北今天適合跑步嗎？')],
});

console.log(finalState.messages[finalState.messages.length - 1].content);

在這個範例中，createReactAgent 自動幫我們處理了 ReAct 模式的整個迴圈：

• LLM 推理：先分析問題，決定是否需要外部資訊。
• 工具調用：如果需要，就呼叫 TavilySearch 工具，獲取查詢結果。
• 觀察回饋：工具的回傳內容會再送回 LLM，做進一步推理。
• 最終答案：當模型認為資訊足夠時，輸出最後結論並結束流程。

這種高階封裝大幅降低了 ReAct Agent 的實作門檻，非常適合快速原型開發或不需要高度客製化的場景。如果未來需要更精細的流程控制，仍然可以回到前一節的做法，利用 StateGraph 手動定義節點與邊，打造更靈活的 ReAct 流程。

小結

今天我們學會如何在 LangGraph 中實作經典的 ReAct 模式，讓 Agent 能透過「思考—行動—觀察—再思考」的循環，逐步完成複雜任務。

• ReAct 的核心是把推理（Reasoning）與行動（Acting）結合，透過「思考—行動—觀察—再思考」的循環機制逐步收斂出可靠答案。
• 它解決了傳統 LLM 無法即時查詢、推理過程不透明、難以處理複雜任務的限制。
• ReAct 帶來資訊即時性、推理可解釋性，以及將複雜問題拆解成多步驟的能力。
• 在 LangGraph 中可用節點（Reasoning/Acting）、狀態與條件邊實現 ReAct 循環。
• 透過實作範例，我們示範了如何結合 OpenAI 與 Tavily 工具，建立一個能查天氣並給運動建議的最小 ReAct Agent。
• LangGraph 也提供 createReactAgent 高階封裝，能快速建立 ReAct Agent，適合原型開發或簡單應用場景。

ReAct 模式的出現，讓 AI 不再只是單向的「回答者」，而能像人類一樣邊思考邊行動，成為更靈活、可靠的智慧助手。