核心特性

| 特性 | 说明 | |---|---| | ReAct 范式 | Thought → Action → Observation 循环，Agent 自主推理并决定调用哪个工具 | | RAG 检索增强 | Chroma 向量库 + DashScope Embedding，MD5 文件去重，支持 txt/pdf 混合加载 | | 多工具调用 | 天气查询 / 用户定位 / 外部数据检索 / 报告上下文填充，Agent 按需自动选择 | | 动态提示词切换 | Middleware 根据运行时上下文自动切换「普通问答」与「报告生成」两套 System Prompt | | 流式对话界面 | Streamlit 构建，支持流式逐字输出、历史消息留存、Agent 推理过程可见 | | 模块化结构 | Agent / RAG / Model / Tools / Middleware 独立模块，配置 YAML 驱动 |

技术栈

| 层级 | 技术 | |---|---| | LLM | 通义千问（DashScope / ChatTongyi） | | Agent 框架 | LangChain + LangGraph | | 向量数据库 | Chroma | | 文档处理 | PyPDF + RecursiveCharacterTextSplitter | | 前端 | Streamlit | | 配置 | YAML 驱动（Agent / RAG / Chroma / Prompts） |

快速开始

环境要求

• Python ≥ 3.10
• DashScope API Key（阿里云百炼 申请）

1. 克隆仓库

git clone https://github.com/lhh737/LangChain-ReAct-Agent.git
cd LangChain-ReAct-Agent

2. 安装依赖

pip install -r requirements.txt

3. 配置 API Key

参考 .env.example，设置阿里云百炼 API Key：

# Linux / macOS
export DASHSCOPE_API_KEY="your-api-key"

# Windows (CMD)
set DASHSCOPE_API_KEY=your-api-key

申请地址：阿里云百炼控制台

4. 初始化知识库（首次运行）

python -c "from rag.vector_store import VectorStoreService; VectorStoreService().load_document()"

5. 启动应用

streamlit run app.py

浏览器自动打开 http://localhost:8501

验证运行

启动后在聊天框输入以下测试问题：

• 扫地机器人有哪些主要功能？（RAG 知识库问答）
• 如果机器人无法正常回充，该如何处理？（故障排查）
• 请根据用户数据生成一份个性化使用报告（报告生成 + 工具调用）

项目结构

LangChain-ReAct-Agent/
│
├── agent/                          # Agent 核心
│   ├── react_agent.py              #   ReAct Agent 主逻辑（流式执行）
│   └── tools/
│       ├── agent_tools.py          #   工具函数（RAG检索/天气/用户数据/报告）
│       └── middleware.py           #   中间件（工具监控/动态提示词切换）
│
├── rag/                            # RAG 检索增强
│   ├── vector_store.py             #   Chroma 向量库 · 文档加载 · MD5 去重
│   └── rag_service.py              #   RAG 检索 → LLM 总结服务
│
├── model/
│   └── factory.py                  # 模型工厂（ChatTongyi + DashScopeEmbedding）
│
├── config/                         # YAML 配置文件
│   ├── agent.yml                   #   Agent 行为与工具配置
│   ├── chroma.yml                  #   向量库与检索参数
│   ├── prompts.yml                 #   提示词模板
│   └── rag.yml                     #   RAG 模型与参数
│
├── prompts/                        # 提示词模板
│   ├── main_prompt.txt             #   普通问答 System Prompt
│   ├── rag_summarize.txt           #   RAG 总结 Prompt
│   └── report_prompt.txt           #   报告生成 System Prompt
│
├── utils/                          # 工具函数
│   ├── config_handler.py           #   YAML 配置加载
│   ├── file_handler.py             #   文件解析（PDF/TXT）
│   ├── logger_handler.py           #   日志管理
│   ├── path_tool.py                #   路径工具
│   └── prompt_loader.py            #   提示词加载
│
├── data/                           # 知识库文档（扫地机器人相关）
├── assets/                         # 效果展示截图
├── app.py                          # Streamlit 应用入口
├── requirements.txt
└── README.md

配置说明

项目通过 config/ 目录下的 YAML 文件统一管理配置：

| 文件 | 说明 | |---|---| | rag.yml | 对话模型名称、Embedding 模型名称 | | chroma.yml | Chroma 持久化路径、分块大小、检索 Top-K、支持的文件类型 | | prompts.yml | 各场景提示词模板文件路径 | | agent.yml | Agent 超时时间、外部数据路径等 |

首次运行只需确保 DashScope API Key 已设置 且 data/ 目录下有知识库文档即可。

License

MIT © lhh737