ReAct模式（推理+行动）

ReAct（Reasoning + Acting，推理加行动）是一种智能体（Agent）设计范式：让大模型交替进行文字推理与外部动作——先想清楚下一步，再调用工具执行，观察结果后继续推理，如此循环直到任务完成。它把语言模型从只会“说”的问答器变成能查资料、跑代码、读写文件的执行者，是当前构建 AI 智能体的主流框架。

四步核心循环

每一次迭代都会把历史思考与观察结果保留在上下文里，因此模型能基于最新事实修正方向，而不是一次性猜答案。循环的终止条件通常是模型判断信息已足够，输出最终答复。

• 思考（Thought）：分析当前状况与已有信息，决定下一步该做什么。
• 行动（Action）：执行一个具体动作，例如搜索、调用接口、运行代码或读取文件。
• 观察（Observation）：查看动作返回的结果，包括报错、空结果与格式异常。
• 重复：把新信息并入上下文继续推理，直到可以给出最终答案。

为什么有效

它把推理与事实获取绑在一起：思考不脱离证据空转，行动也有明确目的。中间过程以文字形式留痕，每一步都可记录、回放与审计，出错时能定位到是哪一次检索或哪一行代码造成偏差。实现门槛也低——语言模型天然擅长文字推理，外部工具只要提供统一接口即可接入，无需改动模型本身。

与思维链的对比

思维链（Chain-of-Thought，CoT）只在模型内部一步步推演，不接触任何外部信息，适合纯逻辑问题；ReAct 让推理与外部动作交替进行，能持续获得新信息，适合需要查询、计算与操作环境的真实任务。实践中两者常混合使用：先做内部规划，再按需调用工具，最后综合观察结果收敛结论。

常见实现形态

简单版本用提示词规定“思考—行动—观察”的输出格式，由外层程序解析并执行；工程化版本会把工具调用交给模型的函数调用（Function Calling）能力，框架负责执行动作与回填结果。多智能体系统里，ReAct 常作为单个执行体的内部循环，外层再由规划器分配任务与汇总产出。

实践要点

• 工具描述要清楚：名称、用途、参数格式与返回含义都要写明，模型才知道何时该调用谁。
• 限制循环次数：设置最大步数与超时，避免模型陷入反复调用同一工具的死循环。
• 错误也要回传：把失败信息原样交给模型，它往往能据此换一种策略重试。
• 压缩历史上下文：长任务要摘要旧步骤，防止上下文膨胀拖慢推理并挤占预算。
• 关键动作加确认：删除、支付、外发消息等操作应加人工确认或权限白名单。

常见误区

• 把 ReAct 当成万能规划器：它擅长局部试错，长链条复杂任务仍需外层规划与任务拆分。
• 工具越多越好：工具过多会增加选择难度与误调用概率，应按任务裁剪工具集。
• 只看最终答案：忽略中间轨迹会错过工具误用、检索失败等关键问题。
• 放任模型自由行动：缺少权限与审计的智能体可能执行危险操作，必须设定边界。