如何将向量嵌入（Pinecone索引）整合至Langchain ReAct Agent？

要把Pinecone向量索引作为上下文提供给ReAct Agent，核心是将向量检索逻辑包装成Agent可调用的工具，让Agent在需要时主动触发检索获取上下文信息。具体实现步骤如下：

1. 把Pinecone检索器包装为工具 #

使用LangChain的create_retrieval_tool方法，将你的retriever直接转换成Agent能识别的工具。这个工具会自动处理检索逻辑，并返回相关的上下文内容。

from langchain.tools.retriever import create_retrieval_tool

# 创建检索工具，指定工具名称、描述（帮助Agent判断何时调用）
retrieval_tool = create_retrieval_tool(
    retriever,
    name="pinecone_context_retriever",
    description="当需要回答与知识库相关的问题时调用，用于从Pinecone索引中获取相关上下文信息"
)

2. 将工具加入ReAct Agent的工具列表 #

修改你的Agent初始化代码，把上面创建的检索工具加入tools列表：

# 导入需要的库（如果还没导入）
from langchain.agents import create_structured_chat_agent, AgentExecutor
from langchain import hub

# 定义工具列表，加入检索工具（可保留原有的其他工具）
tools = [retrieval_tool]

# 拉取prompt并初始化Agent
prompt = hub.pull("hwchase17/structured-chat-agent")
agent = create_structured_chat_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

3. 调用Agent进行交互 #

现在调用Agent时，它会根据问题判断是否需要调用Pinecone检索工具获取上下文，再结合上下文生成回答：

result = agent_executor.invoke(
    {
        "input": question,
        "chat_history": chat_history
    }
)
# 更新对话历史（可选，根据需求处理）
chat_history.append((question, result['output']))

关键说明 #

• 与之前的ConversationalRetrievalChain不同，这种方式是Agent自主决策是否触发检索，而非每次自动注入上下文，更贴合ReAct Agent的推理逻辑。
• 工具的description非常关键，需清晰描述工具用途，帮助LLM判断调用时机。

内容的提问来源于stack exchange，提问作者MirrahOH