昨天我們讓 Agent 學會使用工具，能做查詢或計算。
但如果問題需要「多步驟思考」才能完成，單純呼叫工具就不夠了。
今天，我們要讓 Agent 更像一個真正的思考者 —— 引入 ReAct（Reason + Act）架構。

一、什麼是 ReAct？

ReAct 是一種 多步推理框架，核心概念是：

1. Reason（思考） → LLM 判斷接下來該做什麼
2. Act（行動） → 根據推理結果選擇工具、查資料或運算

這樣，Agent 就能處理 需要拆解任務 的情境，例如：

• 多步數學計算
• 查詢後再比較/彙整結果
• 需要依序呼叫多個工具的任務

二、實作範例：多步數學問題

from langchain_google_genai import ChatGoogleGenerativeAI
from langchain.agents import initialize_agent, Tool, AgentType
from langchain.agents import AgentType
import os

# -------------------------------
# 1. API Key 設定
# -------------------------------

# Gemini LLM API Key
os.environ["GOOGLE_API_KEY"] = ""

# 計算工具
def calculate(expression: str) -> str:
    try:
        return str(eval(expression))
    except:
        return "計算錯誤"

calc_tool = Tool(
    name="Calculator",
    func=calculate,
    description="計算數學題，例如 12*8+5"
)

# 初始化 LLM
llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash", temperature=0)

# 初始化 ReAct Agent
agent = initialize_agent(
    tools=[calc_tool],
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,  # <- 改成有效類型
    verbose=True
)

# 測試
question = "請先算 12*8，再加上 5，最後乘以 2"
response = agent.run(question)
print(response)

💡 ReAct Agent 的運作流程會是：

1. Reason：思考「12*8=96，再加5=101，最後乘2」
2. Act：一步步使用計算器工具完成
3. Answer：最終輸出 202

三、今日小結

• ReAct = Reason + Act，讓 Agent 先思考，再採取行動
• 能處理 多步推理與工具整合 的任務
• 是之後進階應用（例如規劃型 Agent、Tool Chaining）的基礎