ReAct模式：让AI Agent具备推理与行动能力

ReAct（Reasoning + Acting）是AI Agent领域最具影响力的设计模式之一。它将**推理（Reasoning）与行动（Acting）**紧密结合，让大语言模型不仅能"思考"，还能"动手"。本文将深入解析ReAct模式的原理、实现方式及实际应用。

一、为什么需要ReAct？

在传统的LLM应用中，模型通常采用"一步到位"的方式回答问题。然而，面对复杂任务时，这种方式往往力不从心：

• 知识截止：LLM的知识有截止日期，无法获取实时信息
• 推理深度：复杂多步问题需要分解推理，而非一次性输出
• 事实准确性：纯生成模式容易产生"幻觉"（Hallucination）

ReAct模式通过交替进行推理和行动，有效解决了上述问题。它让模型在每一步都可以：

1. 思考（Thought）：分析问题，决定下一步怎么做
2. 行动（Action）：调用工具获取信息或执行操作
3. 观察（Observation）：接收工具返回的结果
4. 循环：重复上述过程直到问题解决

二、ReAct的核心原理

2.1 认知科学基础

ReAct的设计灵感来源于人类解决问题的认知过程。研究表明，人类在执行任务时，大脑会同时进行推理和行动的循环：

遇到问题 → 分析思考 → 采取行动 → 观察结果 → 调整策略 → ... → 解决问题

ReAct将这一认知过程形式化，让LLM模拟人类的这种"边想边做"的工作方式。

2.2 模式结构

一个标准的ReAct交互流程如下：

| 步骤 | 类型 | 内容示例 | |------|------|---------| | 1 | 问题 | "2024年诺贝尔文学奖得主是谁？" | | 2 | 思考 | "我需要搜索最新的诺贝尔文学奖信息，因为LLM的知识可能不够新。" | | 3 | 行动 | 调用搜索工具，查询"2024年诺贝尔文学奖得主" | | 4 | 观察 | 搜索结果："韩江（Han Kang）获得了2024年诺贝尔文学奖" | | 5 | 思考 | "我已经获取到所需信息，可以回答用户了。" | | 6 | 最终答案 | "2024年诺贝尔文学奖得主是韩国作家韩江（Han Kang）。" |

三、ReAct vs 其他提示技术

ReAct并非孤立存在，它与其他提示工程技术形成互补关系：

| 技术 | 核心思想 | 是否调用工具 | 适用场景 | |------|---------|------------|---------| |Zero-shot| 直接提问，不加示例 | 否 | 简单直接的问题 | |Few-shot| 提供几个示例 | 否 | 需要特定格式的任务 | |Chain-of-Thought| 引导模型逐步推理 | 否 | 需要多步推理的数学题、逻辑题 | |ReAct| 推理与工具调用交替 |是| 需要外部信息的复杂任务 | |Self-Ask| 模型自问自答分解问题 | 可选 | 需要多步事实查询的问题 |

关键区别：ReAct的独特之处在于它显式地引入了外部工具调用，让模型的推理过程与实际的信息获取和操作执行交织在一起。

四、动手实现ReAct Agent

下面我们将从零开始实现一个完整的ReAct Agent，不依赖任何高级框架。

4.1 基础架构

import re from typing import List, Dict, Callable, Tuple class SimpleReActAgent: def __init__(self, llm, tools: Dict[str, Callable]): self.llm = llm self.tools = tools def run(self, query: str, max_iterations: int = 5) -> str: """执行ReAct循环""" scratchpad = f"问题：{query}\n" for i in range(max_iterations): # 生成思考与行动 thought_action = self.llm.generate(scratchpad) scratchpad += thought_action # 解析行动 action_match = re.search(r'行动：(\w+)\n行动输入：(.+)', thought_action) if action_match: tool_name = action_match.group(1) tool_input = action_match.group(2).strip() # 执行工具