概念-ReActAgent

一句话理解

ReAct Agent是Reasoning + Acting交替循环的Agent范式：Think(思考) → Act(行动) → Observe(观察) → Think(再思考)…直到任务完成。模型不只是”说”，而是”想一步、做一步、看结果、再想下一步”。

零基础理解

你让助手查天气并决定穿什么：

助手先想：“我需要知道今天天气”（Think）
助手行动：调用天气API查北京天气（Act）
助手看到结果：“20度，晴天”（Observe）
助手再想：“20度不冷，穿薄外套就行”（Think）
助手行动：告诉你结论”穿薄外套”（Act）

这个”想→做→看→再想”的循环，就是ReAct的核心。它让模型从”一次性回答”变成了”分步推理+执行”的智能体。

核心概念

Thought-Action-Observation循环

ReAct的核心是一个三阶段循环：

阶段	英文	说明	示例
思考	Thought	模型分析当前状态，决定下一步做什么	“我需要查诺贝尔奖得主的出生年份”
行动	Action	模型执行具体操作（调用工具、搜索等）	`search("2024 Nobel Prize winner")`
观察	Observation	模型获取行动结果，作为下一轮思考的输入	“搜索结果：John Smith, 1965年出生”

中间思考步骤

ReAct的关键创新是让模型输出中间推理过程。在纯对话模式中，模型的推理是”黑箱”的；在ReAct中，每一步推理都被显式输出，这带来三个好处：

可解释性：你能看到模型为什么做了某个决定
可调试性：出错时能定位是哪一步推理出了问题
自我纠错：模型看到错误结果后可以调整策略

根据上一步结果调整策略

ReAct Agent不是按固定流程执行的。它会根据每一步的Observation动态调整后续计划。例如：

如果搜索结果不相关 → 换搜索词
如果工具调用失败 → 换另一种方式
如果发现新信息 → 改变原计划

完整示例：查诺贝尔奖得主年龄

以下是一个完整的4轮ReAct循环：

第1轮

Thought: 用户想知道2024年诺贝尔物理学奖得主的年龄。
         我需要先知道是谁获奖。
Action: search("2024 Nobel Prize in Physics winner")
Observation: John Hopfield and Geoffrey Hinton won the 2024
             Nobel Prize in Physics.

第2轮

Thought: 有两位获奖者。我需要查他们的出生年份。
         先查John Hopfield。
Action: search("John Hopfield birth year")
Observation: John Hopfield was born in 1933.

第3轮

Thought: John Hopfield 1933年出生，2024年获奖，年龄是91岁。
         现在查Geoffrey Hinton。
Action: search("Geoffrey Hinton birth year")
Observation: Geoffrey Hinton was born in 1947.

第4轮

Thought: Geoffrey Hinton 1947年出生，2024年获奖，年龄是77岁。
         我已经有了所有需要的信息，可以给出最终答案了。
Action: finish("2024年诺贝尔物理学奖得主：John Hopfield(91岁)
         和Geoffrey Hinton(77岁)")

ReAct vs 纯对话 vs Function Calling

维度	纯对话(Pure Chat)	Function Calling	ReAct Agent
推理方式	一次性生成	按需调用工具	多步推理+迭代
工具调用	不支持	支持，单次或并行	支持，循环调用
中间步骤	不可见	部分可见	完全可见
自我纠错	不支持	有限	支持
复杂任务	差	中等	好
执行时间	短	中等	长
成本	低	中等	高（多次调用）
适用场景	简单问答、写作	查天气、数据库查询	研究、多步分析

2026年定位

ReAct仍是Agent设计的基础范式。几乎所有主流Agent框架都实现了ReAct循环或其变体：

LangChain：AgentExecutor封装了ReAct循环
LangGraph：用状态图实现更灵活的ReAct
CrewAI：每个Agent内部使用ReAct模式
AutoGen：对话式Agent，底层也是ReAct
OpenAI Assistants API：内置的Agent循环就是ReAct

ReAct的变体

变体	改进点	代表框架
ReAct + Planning	先做整体规划再执行	LangGraph, Plan-and-Execute
ReAct + Reflection	完成任务后自我反思	Reflexion
ReAct + Memory	跨任务记忆	MemGPT, Letta
ReAct + Tree Search	多路径探索	Tree of Thoughts

来源

Yao et al. “ReAct: Synergizing Reasoning and Acting in Language Models” (2022): https://arxiv.org/abs/2210.03629
Lilian Weng “LLM Powered Autonomous Agents”: https://lilianweng.github.io/posts/2023-06-23-agent/
LangChain ReAct Documentation: https://python.langchain.com/docs/modules/agents/agent_types/react
Anthropic Tool Use Best Practices: https://docs.anthropic.com/en/docs/build-with-claude/tool-use