能否为create_react_agent()与工具分别使用不同大语言模型？

完全可以为LangChain的React智能体和工具链分别使用不同的大语言模型。LangChain的组件化设计允许你独立为智能体决策层、各工具内部的LLM调用指定不同模型，适配不同场景的需求（比如智能体用擅长推理的模型，工具用擅长特定任务的模型）。

代码示例 #

以下是一个简单实现：

from langchain.agents import create_react_agent, AgentExecutor
from langchain.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic

# 1. 定义两个不同的LLM
# 智能体决策用的LLM（比如GPT-3.5）
agent_llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
# 工具链用的LLM（比如Claude 2）
tool_llm = ChatAnthropic(model="claude-2", temperature=0)

# 2. 定义使用独立LLM的工具
def custom_tool(input_text):
    # 工具内部使用tool_llm处理任务
    prompt = PromptTemplate(
        template="请详细分析以下文本的核心观点：{text}",
        input_variables=["text"]
    )
    chain = prompt | tool_llm | StrOutputParser()
    return chain.invoke({"text": input_text})

# 包装工具为LangChain格式
tools = [
    {
        "name": "文本分析工具",
        "description": "用于分析文本的核心观点，输入为需要分析的文本内容",
        "func": custom_tool
    }
]

# 3. 创建React智能体（使用agent_llm做决策）
agent_prompt = PromptTemplate.from_template("""
你是一个智能助手，根据用户的问题选择合适的工具处理。
工具列表：{tools}
请按照以下格式思考和输出：
Thought: 我需要使用哪个工具？
Action: 工具名称
Action Input: 工具输入内容
Observation: 工具返回结果
...（重复思考-行动-观察步骤）
Thought: 我已经得到答案了
Final Answer: 最终答案

用户问题：{input}
""")

agent = create_react_agent(agent_llm, tools, agent_prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 测试调用
result = agent_executor.invoke({"input": "请分析以下文本的核心观点：人工智能正在改变各行各业的生产方式，尤其是在制造业的自动化和服务业的客户交互场景中，效率提升明显。"})
print(result["output"])

交互流程示意图 #

sequenceDiagram
    participant 用户
    participant 智能体决策层(agent_llm: GPT-3.5)
    participant 工具链(tool_llm: Claude 2)
    
    用户->>智能体决策层: 提交问题
    智能体决策层->>智能体决策层: 分析问题，判断需要调用"文本分析工具"
    智能体决策层->>工具链: 传递待分析文本
    工具链->>工具链: 使用Claude 2处理文本，生成分析结果
    工具链->>智能体决策层: 返回分析结果
    智能体决策层->>智能体决策层: 确认结果足够回答问题
    智能体决策层->>用户: 返回最终答案

内容的提问来源于stack exchange，提问作者Kt Student