【LangGraph】langgraph.prebuilt.create_react_agent() 函数：快速创建基于 ReAct（Reasoning + Acting）架构的智能代理

本文是对 langgraph.prebuilt.create_react_agent 函数的详细且全面的介绍，涵盖其定义、功能、设计理念、参数、返回值、使用场景、实现原理、示例代码、高级用法、注意事项、与其他方法的对比，以及学习建议。

1. 概述

langgraph.prebuilt.create_react_agent 是 LangGraph 库中的一个预构建函数，位于 langgraph.prebuilt 模块，用于快速创建基于 ReAct（Reasoning + Acting）架构的智能代理。LangGraph 是 LangChain 生态的扩展，专注于构建复杂、有状态的工作流，通过状态图（State Graph）管理节点和边，支持动态路由、循环和多代理协作。

ReAct 是一种结合推理和行动的代理架构，基于论文 ReAct: Synergizing Reasoning and Acting in Language Models。它通过语言模型（LLM）生成推理步骤（思考）和行动指令（工具调用），动态决定是否直接回答用户或调用工具获取信息。create_react_agent 封装了 ReAct 的标准逻辑，简化了代理的构建过程，使开发者无需手动定义状态图即可快速实现功能。

1.1 核心功能

  • 快速构建 ReAct 代理：自动生成一个支持推理和工具调用的代理，基于 LLM 和工具列表。
  • 状态管理：支持对话历史和中间结果的跟踪，适合多轮交互。
  • 工具集成：与 LangChain 的工具生态无缝集成，支持搜索、计算、API 调用等。
  • 流式输出：提供流式响应，增强实时交互体验。
  • 状态持久化：通过检查点（checkpointer）支持有状态对话，保存和恢复上下文。
  • 异步支持：支持异步执行，适合高并发或 I/O 密集型任务。

1.2 设计理念

  • 简化和标准化：为开发者提供开箱即用的 ReAct 代理，降低复杂工作流的构建难度。
  • 模块化：与 LangChain 的 LLM 和工具生态紧密集成，保持扩展性。
  • 动态性：支持动态决策，代理根据输入和上下文选择推理或工具调用。
  • 可控性：通过状态管理和检查点机制，提供清晰的上下文跟踪和调试能力。

2. 函数定义与参数

以下是 create_react_agent 函数的定义和参数：

from langgraph.prebuilt import create_react_agentdef create_react_agent(model: BaseLanguageModel,tools: Sequence[BaseTool],checkpointer: Optional[BaseCheckpointSaver] = None,state_modifier: Optional[Union[str, BasePromptTemplate]] = None,interrupt_before: Optional[List[str]] = None,interrupt_after: Optional[List[str]] = None,debug: bool = False,stream_mode: Literal["values", "messages"] = "values",
) -> CompiledGraph:"""创建一个 ReAct 风格的代理。参数：model: 语言模型实例，用于生成推理和工具调用。tools: 工具列表，代理可调用以执行任务。checkpointer: 可选，检查点保存器，用于状态持久化。state_modifier: 可选，提示模板或字符串，用于自定义代理的行为。interrupt_before: 可选，指定在某些节点执行前中断。interrupt_after: 可选，指定在某些节点执行后中断。debug: 是否启用调试模式，输出详细日志。stream_mode: 流式输出模式，"values" 或 "messages"。返回：CompiledGraph: 编译后的状态图，可通过 invoke 或 stream 调用。"""

2.1 参数详解

  • model：
    • 类型：BaseLanguageModel（LangChain 的语言模型基类）。
    • 描述：用于生成推理和工具调用的 LLM，例如 ChatOpenAI(model="gpt-4")。
    • 要求：模型必须支持工具调用（Tool Calling），如 OpenAI 的 gpt-3.5-turbo 或 gpt-4。函数会自动绑定工具，无需手动调用 bind_tools。
  • tools：
    • 类型：Sequence[BaseTool]（LangChain 工具列表）。
    • 描述：代理可调用的工具，例如搜索工具（DuckDuckGoSearchRun）、计算器或自定义 API 工具。
    • 示例：tools=[DuckDuckGoSearchRun(), Calculator()]。
  • checkpointer：
    • 类型：Optional[BaseCheckpointSaver]。
    • 描述：用于保存和恢复状态，支持有状态对话。常用 MemorySaver（内存中保存）或数据库检查点（如 SQLite）。
    • 默认：None，表示无状态交互。
  • state_modifier：
    • 类型：Optional[Union[str, BasePromptTemplate]]。
    • 描述：自定义代理的提示模板或字符串，用于调整 LLM 的行为（例如添加系统提示）。
    • 默认：None，使用默认 ReAct 提示。
  • interrupt_before：
    • 类型：Optional[List[str]]。
    • 描述：指定在某些节点执行前中断工作流，用于调试或人工干预。
    • 默认：None，无中断。
  • interrupt_after：
    • 类型：Optional[List[str]]。
    • 描述：指定在某些节点执行后中断工作流。
    • 默认：None，无中断。
  • debug：
    • 类型：bool。
    • 描述：是否启用调试模式，输出详细的执行日志。
    • 默认：False。
  • stream_mode：
    • 类型：Literal["values", "messages"]。
    • 描述：流式输出模式：
      • "values"：返回完整的消息（消息级流式）。
      • "messages"：返回每个令牌（令牌级流式）。
    • 默认："values"。

2.2 返回值

  • 类型：CompiledGraph。
  • 描述：一个编译后的 LangGraph 状态图，可通过 invoke（同步）、ainvoke（异步）或 stream（流式）方法调用。
  • 示例：agent_executor.invoke({"input": "查询天气"}) 返回状态字典。

3. 工作原理

create_react_agent 内部自动构建一个 ReAct 风格的状态图，包含以下核心组件：

3.1 状态（State）

  • 默认状态是一个字典，包含 messages 字段（List[BaseMessage]），存储对话历史、用户输入、LLM 响应和工具调用结果。
  • 如果使用 checkpointer，状态会持久化，支持多轮对话。

示例状态：

{"messages": [HumanMessage(content="查询天气"),AIMessage(content=None, tool_calls=[{"name": "search", "args": {"query": "天气"}}]),ToolMessage(content="天气结果", tool_call_id="call_123")]
}

3.2 节点（Nodes）

  • Agent 节点：调用 LLM 生成推理或工具调用。通常使用 ToolNode 预构建逻辑，结合 model 和 tools。
  • Tool 节点：执行工具调用，基于 langgraph.prebuilt.ToolNode，处理 LLM 生成的 ToolCall 请求。
  • 节点之间通过状态共享上下文，Agent 节点决定是否调用工具，Tool 节点执行具体任务。

3.3 边（Edges）

  • 普通边：从 Agent 节点到 Tool 节点，当 LLM 生成工具调用时。
  • 条件边：根据状态决定下一步：
    • 如果有工具调用，返回 Tool 节点。
    • 如果无工具调用或达到终止条件，跳转到 END。

3.4 执行流程

  1. 用户输入：通过 invoke 或 stream 传入初始状态（包含 input）。
  2. Agent 节点：LLM 分析输入和历史，生成：
    • 直接回答（AIMessage）。
    • 工具调用（AIMessage 包含 tool_calls）。
  3. Tool 节点：执行工具调用，将结果作为 ToolMessage 添加到状态。
  4. 循环或终止：根据状态（是否有新的工具调用）决定返回 Agent 节点或结束。
  5. 输出：返回最终状态，通常包含 messages 字段。

3.5 ReAct 逻辑

ReAct 代理的核心是交替进行推理和行动：

  • 推理：LLM 分析输入，决定是否需要工具或直接回答。
  • 行动：调用工具获取外部信息，更新状态。
  • 迭代：根据工具结果，LLM 可能再次推理或生成最终回答。

create_react_agent 自动实现这一逻辑，通过状态图管理迭代过程。

4. 使用步骤

以下是使用 create_react_agent 的标准步骤：

4.1 安装依赖

pip install langgraph langchain langchain-openai langchain-community
  • langgraph：核心库。
  • langchain：提供 LLM 和工具支持。
  • langchain-openai：OpenAI 模型集成。
  • langchain-community：社区工具（如搜索）。

配置 OpenAI API 密钥：

import os
os.environ["OPENAI_API_KEY"] = "你的API密钥"

4.2 定义工具

使用 LangChain 的工具接口（@tool 装饰器或 BaseTool 子类）。

from langchain_core.tools import tool@tool
def search(query: str) -> str:"""模拟搜索引擎"""return f"搜索结果：{query}"

4.3 初始化 LLM

选择支持工具调用的模型。

from langchain_openai import ChatOpenAIllm = ChatOpenAI(model="gpt-3.5-turbo")

4.4 创建代理

调用 create_react_agent，传入 LLM 和工具。

from langgraph.prebuilt import create_react_agenttools = [search]
agent_executor = create_react_agent(llm, tools)

4.5 运行代理

通过 invoke 或 stream 执行。

result = agent_executor.invoke({"input": "搜索 LangGraph 文档"})
print(result["messages"][-1].content)

5. 详细示例

以下是一个完整的示例，展示如何使用 create_react_agent 构建一个支持搜索和多轮对话的代理。

5.1 代码实现

from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import MemorySaver
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langchain_core.messages import HumanMessage# 定义工具
@tool
def search(query: str) -> str:"""模拟搜索引擎"""return f"搜索结果：{query} 的相关文档"# 初始化 LLM
llm = ChatOpenAI(model="gpt-3.5-turbo")# 创建检查点
memory = MemorySaver()# 创建代理
tools = [search]
agent_executor = create_react_agent(model=llm,tools=tools,checkpointer=memory,stream_mode="values"
)# 运行多轮对话
config = {"configurable": {"thread_id": "conversation_1"}}  # 用于状态持久化
inputs = [{"input": "搜索 LangGraph 的最新功能"},{"input": "我之前问了什么？"}
]for input_data in inputs:print(f"\n用户输入：{input_data['input']}")for chunk in agent_executor.stream(input_data, config=config):last_message = chunk["messages"][-1]print(f"代理输出：{last_message.content}")

5.2 输出示例

用户输入：搜索 LangGraph 的最新功能
代理输出：搜索结果：LangGraph 的最新功能的文档用户输入：我之前问了什么？
代理输出：你之前问了“搜索 LangGraph 的最新功能”。

5.3 代码说明

  • 工具：定义了一个 search 工具，模拟搜索功能。
  • LLM：使用 gpt-3.5-turbo，支持工具调用。
  • 检查点：MemorySaver 保存对话历史，thread_id 标识对话线程。
  • 代理：通过 create_react_agent 创建，支持流式输出。
  • 运行：模拟多轮对话，代理根据历史回答问题。

6. 高级用法

6.1 自定义提示

使用 state_modifier 参数自定义代理行为。

from langchain_core.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_template("你是一个专业助手，严格遵循用户指令。回答前仔细思考，并优先使用工具获取准确信息。\n用户输入：{input}"
)
agent_executor = create_react_agent(llm, tools, state_modifier=prompt)

6.2 异步执行

支持异步调用，适合高并发场景。

import asyncioasync def run_agent():result = await agent_executor.ainvoke({"input": "搜索天气"})print(result["messages"][-1].content)asyncio.run(run_agent())

6.3 流式输出

使用 stream_mode="messages" 实现令牌级流式。

for chunk in agent_executor.stream({"input": "搜索 LangGraph"}, stream_mode="messages"):print(chunk)

6.4 中断机制

使用 interrupt_before 或 interrupt_after 在特定节点暂停执行。

agent_executor = create_react_agent(llm,tools,interrupt_before=["tools"]  # 在工具调用前中断
)

6.5 多工具支持

支持多个工具，LLM 动态选择。

@tool
def calculator(expression: str) -> str:return f"计算结果：{eval(expression)}"tools = [search, calculator]
agent_executor = create_react_agent(llm, tools)

6.6 数据库检查点

使用 SQLite 或其他数据库保存状态。

from langgraph.checkpoint.sqlite import SqliteSavercheckpointer = SqliteSaver.from_conn_string("checkpoint.db")
agent_executor = create_react_agent(llm, tools, checkpointer=checkpointer)

7. 实现原理

create_react_agent 内部构建了一个状态图，基于以下组件：

  • 状态定义：使用 MessagesState（默认），包含 messages 字段。
  • 节点：
    • agent 节点：调用 LLM，生成 AIMessage 或工具调用。
    • tools 节点：基于 ToolNode，执行工具调用。
  • 边：
    • 从 agent 到 tools（如果有工具调用）。
    • 条件边：检查 messages 中的 tool_calls，决定循环或终止。
  • 运行时：LangGraph 的运行时管理状态更新和节点调度。

核心逻辑基于 ReAct 的迭代过程：

  1. LLM 分析输入，生成推理或工具调用。
  2. 如果有工具调用，执行工具并更新状态。
  3. 重复直到 LLM 决定直接回答或达到终止条件。

8. 适用场景

  • 聊天机器人：支持多轮对话和工具调用，如智能客服。
  • 自动化工作流：如数据分析后调用 API 生成报告。
  • 智能助手：支持天气查询、行程规划等功能。
  • 研究原型：快速测试 LLM 和工具的集成效果。

9. 注意事项

  1. 模型兼容性：

    • 使用支持工具调用的 LLM（如 OpenAI、Anthropic）。
    • 确保 model 是基础模型，create_react_agent 会自动绑定工具。

  2. 工具定义：

    • 工具必须符合 LangChain 的 BaseTool 接口。
    • 提供清晰的工具描述（description），帮助 LLM 正确选择。

  3. 状态管理：

    • 无 checkpointer 时，代理是无状态的。
    • 使用 thread_id 区分不同对话线程。

  4. 性能优化：

    • 使用异步接口减少延迟。
    • 限制工具调用次数，避免无限循环。

  5. 调试：

    • 启用 debug=True 查看详细日志。
    • 使用 graph.get_graph().to_dot() 可视化状态图。

  6. 如果提示模块不存在

    from langgraph.prebuilt import create_react_agent
    ImportError: cannot import name ‘create_react_agent’ from ‘langgraph.prebuilt’ (unknown location)

    需要通过 pip install langgraph-prebuilt 安装 prebuilt 模块

10. 与其他方法的对比

  • 手动构建状态图：
    • 优势：完全灵活，支持复杂逻辑（分支、循环、多代理）。
    • 劣势：代码量大，开发复杂。
  • LangChain Agent：
    • 优势：简单，适合线性任务。
    • 劣势：不支持复杂状态管理和动态路由。
  • create_react_agent：
    • 优势：开箱即用，适合标准 ReAct 场景。
    • 劣势：定制性有限，复杂逻辑需手动扩展。

11. 学习建议

  • 基础知识：先掌握 LangChain 的 LLM、工具和提示管理。
  • 官方文档：阅读 LangGraph 文档 和教程。
  • 实践：从简单代理开始，逐步添加工具和状态持久化。
  • 社区资源：加入 LangChain Discord，查看 GitHub 示例。
  • 调试工具：使用可视化和日志分析工作流。

12. 总结

langgraph.prebuilt.create_react_agent 是一个强大的预构建函数，用于快速创建 ReAct 风格的代理。它通过封装 LLM、工具和状态管理，简化了开发流程，支持多轮对话、工具调用和流式输出。适用于聊天机器人、自动化工作流和智能助手等场景。高级功能如异步执行、自定义提示和检查点进一步增强了其灵活性。对于复杂需求，可结合 LangGraph 的手动状态图实现定制化。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/news/920813.shtml
繁体地址，请注明出处：http://hk.pswp.cn/news/920813.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

北斗导航 | RAIM算法改进方案及性能对比分析报告

北斗导航 | RAIM算法改进方案及性能对比分析报告

github：https://github.com/MichaelBeechan CSDN：https://blog.csdn.net/u011344545 文章目录RAIM算法改进方案及性能对比分析报告一、RAIM算法改进技术框架1.1 多假设分组算法（MHSS）1.2 动态噪声估计算法1.3 多源信息融合技术二、…
阅读更多...
数据结构第8章 排序（竟成）

数据结构第8章 排序（竟成）

第 8 章 排序【考纲内容】1.排序的基本概念；2. 直接插入排序；3. 折半插入排序；4. 起泡排序（Bubble Sort）；5.简单选择排序；6. 希尔排序（Shell Sort）；7. 快速排…
阅读更多...
【学Python自动化】 5. Python 数据结构学习笔记

【学Python自动化】 5. Python 数据结构学习笔记

一、 列表详解 1 列表方法总结方法描述等价操作rust Vec类似操作list.append(x)末尾添加元素a[len(a):] [x]vec.push(x);list.extend(iterable)扩展列表a[len(a):] iterablevec.extend([4, 5, 6]); 或者更高效：vec.extend_from_slice(&[4, 5, 6]);list.inser…
阅读更多...
Python爬虫实战：研究Radar chart，构建多维度数据采集和分析系统

Python爬虫实战：研究Radar chart，构建多维度数据采集和分析系统

1. 引言 1.1 研究背景与意义 在信息爆炸的时代，互联网蕴含的海量数据已成为企业决策、学术研究和产品评估的重要依据。这些数据往往包含多个维度的特征，如电商平台的商品信息涵盖价格、销量、评价、性能参数等，社交媒体的用户数据涉及活跃度、互动量、内容偏好等。传统的单…
阅读更多...
[灵动微电子 MM32BIN560CN MM32SPIN0280]读懂电机MCU之串口DMA

[灵动微电子 MM32BIN560CN MM32SPIN0280]读懂电机MCU之串口DMA

在 MM32SPIN560C 微控制器中，串口（UART）的 DMA 传输可大幅减轻 CPU 负担，实现数据的“自动收发”。结合《MM32SPIN560C 用户手册（中文版）》中 UART 和 DMA 相关章节，以下从“原理匹配”“配置步…
阅读更多...
【机器学习】-torch相关知识01

【机器学习】-torch相关知识01

学习代码时遇到的问题，GPT给的答案，如有错误请指出。 问题1 torch.empty nn.init.xavier 问题2 nn.Parameter 是什么？ 问题3 self.add_module 问题4 torch.matmul torch.mm 文章目录问题1 torch.empty nn.init.xavier问题2 nn.Parameter 是什…
阅读更多...
Hutool DsFactory多数据源切换

Hutool DsFactory多数据源切换

一、简单上手&#xff1a;从配置到使用全流程 DsFactory 的核心优势是零侵入配置&#xff0c;支持多种配置方式&#xff0c;不管是 properties 文件还是代码里直接定义&#xff0c;都能快速初始化数据源。先引依赖&#xff08;Maven&#xff09;&#xff1a; <dependency>…
阅读更多...
Mysql中事务隔离级别有哪些？

Mysql中事务隔离级别有哪些？

Mysql中事务隔离级别有哪些&#xff1f; 读未提交&#xff1a; 一个事务可以看到另一个事务尚未提交的数据。可能导致脏读。 读已提交&#xff1a; 一个事务只能看到其他事务提交后的数据。避免了脏读&#xff0c;仍可能引发不可重复读。 可重复读&#xff1a; 可以确保一个事务…
阅读更多...
el-carousel在新增或者删除el-carousel-item时默认跳到第一页的原因和解决

el-carousel在新增或者删除el-carousel-item时默认跳到第一页的原因和解决

现象 使用走马灯效果时 当el-carousel-item增加或者减少时&#xff0c;页会跳到第一页 体验很不友好。 原因 当新增或这删除el-carousel-item时&#xff0c;会触发setActiveIndex&#xff08;props.initialindex&#xff09;, setActiveIndex的行为是小于0或者大于最大页会有一…
阅读更多...
人工智能学习：机器学习相关面试题（二）

人工智能学习：机器学习相关面试题（二）

7、有监督学习和无监督学习的区别 有监督学习&#xff1a; 对具有概念标记&#xff08;分类&#xff09;的训练样本进行 学习&#xff0c;以尽可能对训练样本集外的数据进行 标记&#xff08;分类&#xff09;预测。 这里 &#xff0c;所有的标记&#xff08;分类&#xff09…
阅读更多...
python如何下载svg图片

python如何下载svg图片

# 生成博客文章框架代码 import datetimeblog_content f"""# Python如何下载SVG图片## 引言 SVG&#xff08;可缩放矢量图形&#xff09;作为一种基于XML的矢量图形格式&#xff0c;在Web开发中广泛应用。本文将介绍如何使用Python从网络下载SVG图片&#xff0…
阅读更多...
Linux(一) | 初识Linux与目录管理基础命令掌握

Linux(一) | 初识Linux与目录管理基础命令掌握

个人主页-爱因斯晨 文章专栏-Linux 最近学习人工智能时遇到一个好用的网站分享给大家&#xff1a; 人工智能学习 文章目录个人主页-爱因斯晨文章专栏-Linux一、前言1.为什么学习Linux2.操作系统概述&#xff1a;3.常见的操作系统&#xff1a;二、初识Linux1.诞生2.什么是Linux…
阅读更多...
android-studio 安装

android-studio 安装

下载地址 国内&#xff1a;https://developer.android.google.cn/studio?hlzh-cn 全国&#xff1a;https://developer.android.com/studio 1.设置 ANDROID_HOME 环境变量 ANDROID_HOME D:\zhy\android-studio\sdk 2. 更新 PATH 环境变量 %ANDROID_HOME%\platform-tools %AN…
阅读更多...
【重学MySQL】九十三、MySQL字符集与比较规则完全解析

【重学MySQL】九十三、MySQL字符集与比较规则完全解析

【重学MySQL】九十三、MySQL字符集与比较规则完全解析一、字符集概述1.1 支持的字符集1.2 UTF8与UTF8MB4的区别二、比较规则&#xff08;Collation&#xff09;2.1 比较规则分类2.2 常见比较规则差异三、配置层级与继承关系3.1 配置层级3.2 继承关系四、最佳实践与问题解决4.1 …
阅读更多...
基于Kafka的延迟队列

基于Kafka的延迟队列

实现原理 通过topic区分不同的延迟时长&#xff0c;每个topic对于一个延迟&#xff0c;比如 topic100 仅存储延迟 100ms 的消息&#xff0c;topic1000 仅存储延迟 1s 的消息&#xff0c;依次类推。生产消息时&#xff0c;消息需按延迟时长投递到对应的topic。消费消息时&#x…
阅读更多...
LabVIEW转速仪校准系统

LabVIEW转速仪校准系统

LabVIEW 与机器视觉的智能校准系统以工控机为核心&#xff0c;整合标准源、智能相机等硬件&#xff0c;通过软件实现校准流程自动化&#xff0c;支持 500-6000r/min 转速范围校准&#xff0c;覆盖 5 类转速测量仪&#xff0c;校准时间缩短约 70%&#xff0c;满足计量院高效、精…
阅读更多...
Synchronized 概述

Synchronized 概述

1. 初识 synchronized 是 Java 中的关键字&#xff0c;是一种 同步锁 &#xff0c;可重入锁&#xff0c;悲观锁。它修饰的对象有以下几种&#xff1a; 具体表现为以下3种形式。 对于普通同步方法&#xff0c;锁是当前实例对象。 对于静态同步方法&#xff0c;锁是当前类的 Clas…
阅读更多...
通过Auth.log来查看VPS服务器是否被扫描和暴力破解及解决办法

通过Auth.log来查看VPS服务器是否被扫描和暴力破解及解决办法

说明&#xff1a;很多人vps可能出现过被扫的情况&#xff0c;有的还被爆破了&#xff0c;这里提供下查看方法 查看用密码登陆成功的IP地址及次数grep "Accepted password for root" /var/log/auth.log | awk {print $11} | sort | uniq -c | sort -nr | more查看用密…
阅读更多...
碰一碰发视频手机版源码开发：支持OEM

碰一碰发视频手机版源码开发：支持OEM

**从事开发 20 年&#xff0c;见过不少技术风口起起落落&#xff0c;最近 “碰一碰发视频” 又成了热门话题。不少同行或刚入行的年轻人来问我&#xff0c;手机版源码开发该从哪下手&#xff0c;怕踩坑、怕走弯路。今天就以一个老程序员的视角&#xff0c;把碰一碰发视频手机版…
阅读更多...
只出现一次的数字(总结)

只出现一次的数字(总结)

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录前言一、给定一个整数数组nums&#xff0c;除了某个元素只出现一次以外&#xff0c;其余元素均出现两次。找出那个只出现一次的元素二、给你一个整数数组nums&#x…
阅读更多...
最新文章

Copyright @ 2022~2023