ReAct（Reason + Act）是目前主流 Agent 架构的基础模式。它的逻辑很直白：LLM 观察当前上下文，进行推理，决定是否调用某个工具；如果调用，就执行工具、把结果交还给 LLM，LLM 再次推理，决定下一步——直到它认为任务完成，不再产生工具调用为止。
用 LangGraph 的语言描述，这个模式的图结构是：
graph TD
START(["START"]) --> agent["agent\n调用 LLM"]
agent -->|"AIMessage.tool_calls 非空"| tools["tools\nToolNode 并发执行工具"]
tools --> agent
agent -->|"AIMessage.tool_calls 为空"| END(["END"])
style agent fill:#dae8fc,stroke:#6c8ebf
style tools fill:#d5e8d4,stroke:#82b366
style START fill:#f5f5f5,stroke:#666
style END fill:#f5f5f5,stroke:#666
两个节点，一条条件边，一个循环。整个图的逻辑可以在一张白纸上画清楚。把这张图翻译成代码，就是 create_react_agent() 的核心。
这个函数在 langgraph.prebuilt 模块里，大约 300 行（含文档、边界处理和可选特性），其中真正描述图结构的核心代码不超过 30 行。这个规模本身就说明了一件事：一个标准的 ReAct Agent 并没有什么神秘的内部魔法，它就是一个极其简洁的图。
阅读源码，去掉可选特性和边界处理，create_react_agent() 的骨干结构是这样的：
workflow = StateGraph(state_schema=AgentState)
# 两个节点
workflow.add_node("agent", call_model) # 调用 LLM
workflow.add_node("tools", tool_node) # 执行工具
# 入口是 agent 节点
workflow.set_entry_point("agent")
# agent 节点的条件路由：有 tool_calls 去 tools，否则结束
workflow.add_conditional_edges("agent", should_continue, ["tools", END])
# tools 节点执行完毕后，无条件回到 agent
workflow.add_edge("tools", "agent")
return workflow.compile(checkpointer=checkpointer, store=store, ...)
call_model 是一个普通函数，它从状态里取出消息列表，调用 LLM，把返回的 AIMessage 追加到 messages 里：
def call_model(state, runtime, config):
response = model.invoke(state["messages"], config)
return {"messages": [response]}
这里没有手动管理消息列表。call_model 只是返回 {"messages": [response]}，框架会用 add_messages 这个 reducer 把新消息追加到现有列表上。整个对话历史不需要节点去管理，它靠 reducer 的累积语义自然形成。
这个设计选择很关键：状态的合并逻辑（"追加"还是"覆盖"）是在状态模式定义时声明的，而不是在每个节点里手动实现的。这样做的好处是，节点代码只需要关心"我要输出什么"，不需要关心"现有状态是什么样子、我该如何合并"。
should_continue 是另一个简单函数，它检查消息列表最后一条是否是带有 tool_calls 的 AIMessage：
def should_continue(state):
last_message = state["messages"][-1]
if isinstance(last_message, AIMessage) and last_message.tool_calls:
return "tools" # 有工具调用，继续循环
return END # 没有工具调用，退出
这就是整个 ReAct 循环的控制流逻辑——十行以内。
ToolNode 是执行工具的节点，也是 prebuilt 层里技术含量最高的部分。它不只是"接收工具调用，调用函数，返回结果"，它还承担了工具执行的所有横切关注点：注入机制、错误处理、并发执行。