拓冰网站定制 
文档教程知识库【免费下载链接】developer-roadmapInteractive roadmaps, guides and other educational content to help developers grow in their careers.项目地址https://gitcode.com/GitHub_Trending/de/developer-roadmap点击查看免费下载ReActReason Act提示技术通过引导语言模型先逐步推理、再基于推理执行具体行动的方式将思维链式的逻辑分解与 API 调用、信息检索等外部操作有机结合从而应对复杂查询、多步任务与外部系统交互场景。本文以 react-prompting 文档 为骨架结合仓库中 ReAct、ReActReason Act 及 Agent Loop、工具调用等相关文档系统讲解 ReAct 的核心机制、实现要点与实战设计帮助读者掌握这一构建工具型 AI Agent 的基石范式。什么是 ReAct Prompting推理与行动的协同ReAct Prompting 是一种将**推理Reasoning与行动Action**相结合的技术。其核心思想是引导语言模型先把问题拆解为一系列逻辑步骤通过自言自语式的思考梳理解决路径再根据推理结果执行具体操作——例如调用 API、检索信息、查询数据库等最终抵达解决方案。正如 react-prompting 文档 所述这种推理—行动的协同让模型能够处理复杂查询面对需要多步推导的问题模型不再一次性给出答案而是逐步逼近与外部系统交互通过工具调用获取模型本身无法知晓的事实或执行真实操作处理需要动作序列的任务在连续决策场景中保持状态连贯给出更准确、更具上下文感知能力的响应。从命名上看ReAct正是Reason推理与Act行动的合称。ai-agents 路线图的 ReAct 条目 将其概括为一种将推理步骤与行动步骤交错编排的 Agent 架构模型先思考接下来该做什么再采取行动、观察结果、继续推理如此往复直到任务完成。这种思考—行动—观察的紧密闭环使 Agent 能够基于真实反馈动态调整计划而非在一开始就固化完整的执行方案。核心循环Thought–Action–ObservationReAct 的工作方式可以归纳为一个三阶段循环仓库中 ReAct 文档 称之为thought-action-observation loopThought思考分析当前问题明确目标与已知条件规划下一步Action行动调用外部工具或 API 执行具体操作如搜索、计算、读写文件Observation观察获取工具返回的结果将其纳入后续推理的依据。循环不断迭代直到问题被解决。这一过程与仓库 agent-loop 文档 描述的 Agent 主循环收集数据 → 更新内部状态并决策 → 执行动作 → 检查结果并存储新信息 → 重新开始高度一致观察—决策—行动的快速重复正是 Agent 能力的来源。而 observation--reflection 文档 进一步阐释了循环中的思考暂停环节Agent 先审视周边世界、收集新数据、观察变化然后暂停下来反思这些新信息对我的目标意味着什么并借此更新记忆、识别错误、排列优先级。缺少这一环节Agent 会依赖过时或错误的事实很快偏离目标——这正是 ReAct 中 Observation 环节的意义所在。一个典型的多步推理示例以下是一个体现 ReAct 循环的示意流程用于说明提示词引导模型输出的模式可按需改写为实际使用的提示词问题2025 年发布的小米 15 Ultra 起售价是多少 Thought 1: 我需要先确认小米 15 Ultra 的发布时间再查询其起售价。直接回答可能依赖过时信息。 Action 1: 搜索「小米 15 Ultra 发布 时间」 Observation 1: 搜索结果指出该机型于 2025 年 2 月发布。 Thought 2: 机型确认接下来查询其官方起售价。 Action 2: 调用报价查询 API参数为 xiaomi 15 ultra Observation 2: API 返回 12GB256GB 版本起售价 6499 元。 Thought 3: 已获得起售价可以给出最终答案。 Final Answer: 小米 15 Ultra 起售价为 6499 元12GB256GB 版本。这个流程展示了 ReAct 的核心价值每次行动都基于前一步的观察结果模型不会凭记忆猜测而是通过外部事实校准答案。这正是仓库文档中强调的基于真实反馈调整计划而非预先承诺完整计划。为什么需要推理与行动分离ReAct 相较纯 Chain-of-ThoughtCoT提示的关键差异在于引入了外部动作。仓库 cot 文档 描述 CoT 是让 Agent 出声思考在给出最终答案前写下简短笔记列出事实、命名子任务或做小规模计算从而保持条理性、降低出错率并增强可验证性。然而 CoT 的全部推理仍局限于模型内部知识——一旦问题涉及实时数据天气、股价、最新发布信息或需要真实操作发送邮件、执行代码纯推理便无能为力。ReAct 正是为这类场景而生ReAct 文档 明确其适用于研究任务、多步问题以及需要当前数据的任务。推理负责怎么走行动负责走过去并核实路况两者交替进行。此外推理过程的显式化还带来两个附加收益可调试性Thought 与 Observation 文本被完整保留开发者可以回溯模型每一步的决策依据定位失败环节可修正性当观察结果与推理假设冲突时模型可以当场纠偏而不是把错误一路带到终点。工具与函数调用ReAct 行动的落地支撑ReAct 中的行动并非凭空产生而是依赖工具Tools与函数调用Function Calling。仓库 tools--function-calling 文档 指出工具与函数调用让 Agent 能够与真实世界交互、访问外部信息——不再只产出文本回复而是调用预定义函数、工具或 API 执行搜索网页、发送邮件、控制设备等具体动作从而解决超出纯语言生成范畴的复杂任务。要保证行动可靠关键在于工具定义的质量。仓库 tool-definition 文档 说明工具定义描述 Agent 可调用的函数包括名称、用途与接受的参数通常以 JSON Schema 等结构化格式给出。语言模型阅读该定义后判断工具何时相关、如何填充参数——清晰、文档完备的工具定义直接影响 Agent 选择和使用正确工具的可靠性。因此在设计 ReAct Agent 时应把工具定义当作一等公民对待每个工具给出明确、无歧义的用途描述这是模型选择工具的主要依据参数名与类型符合直觉必填项与默认值标注清楚尽量为枚举型参数列出可选值减少模型猜测空间。从提示技巧到 Agent 架构ReAct 的工程化演进值得注意的是ReAct 在仓库中被以两种视角呈现在 ai-engineer 路线图 中它是一种提示Prompting技术——通过精心设计的提示词引导模型交替输出 Thought 与 Action在 ai-agents 路线图 中它是一种Agent 架构模式——构建工具型 Agent 最广泛使用的模式之一。两者本质相同差异在于实现层次前者靠提示词约定输出格式后者常配合函数调用 API如 OpenAI 的 tool/function calling 接口由框架解析 Thought 与 Action 文本、自动执行工具并回填 Observation。从工程视角看可将 ReAct 循环与 planner-executor 文档 描述的分工架构对照规划者负责把目标拆解为步骤序列执行者负责落实每步并回报结果——这种职责分离让行为更易推理与调试与 ReAct 中推理引导、行动执行的分工思想一脉相承。实现要点清单基于仓库文档落地一个 ReAct Agent 时可参考以下要点环节要点仓库依据提示词明确要求模型先输出 Thought 再输出 Action格式固定如 JSON 或带标记的文本react-prompting工具以 JSON Schema 形式声明名称、用途、参数描述清晰tool-definition循环执行 Action 后将结果作为 Observation 回填再触发下一轮 Thoughtreact终止设定最大迭代次数与可直接作答判定防止无限循环由 agent-loop 的循环结构推断反思每轮观察后评估新信息对目标的意义必要时修正计划observation--reflection观测记录每一步的 Thought / Action / Observation 文本便于调试与追踪由推理过程显式化的特性推断适用场景与局限适用场景仓库文档明确支持研究类任务、需要多步推理的问题、依赖实时数据的任务、需要与外部系统交互的业务流程——例如 rag-agent 类需要检索外部知识的场景ReAct 的检索—推理—再检索模式天然契合。需要注意的局限基于机制推断非仓库事实延迟与成本每次循环都是一次完整的模型调用多步任务会成倍放大 token 消耗与响应时间错误累积若某一步行动选错工具或参数后续推理可能基于错误观察继续因此终止条件与异常处理必不可少提示词敏感Thought/Action 的格式约定若不清晰模型可能跳过推理直接作答或把非动作文本误当作 Action。小结ReAct Prompting 通过推理—行动—观察的交替循环把 LLM 的逻辑能力与外部工具的执行能力拧成一股绳使其能够处理超出纯文本生成的复杂任务。无论你把它当作一种提示技巧还是当作构建工具型 Agent 的架构范式其核心原则是一致的让模型想一步、做一步、看一步用真实世界的反馈持续校准推理方向。仓库中的相关文档分布在 ai-engineer 路线图 与 ai-agents 路线图 两条学习路径中配合 Agent Loop、Observation Reflection、Tools Function Calling 与 Tool Definition 等条目可以构成一条从提示技巧到 Agent 工程实现的完整学习链路。赞分享文档教程知识库【免费下载链接】developer-roadmapInteractive roadmaps, guides and other educational content to help developers grow in their careers.项目地址https://gitcode.com/GitHub_Trending/de/developer-roadmap点击查看免费下载相关推荐你的微信聊天记录究竟该如何真正属于你一份WeChatMsg的完整解决方案你的微信聊天记录究竟该如何真正属于你一份WeChatMsg的完整解决方案 你是否曾想过那些承载着珍贵回忆的微信聊天记录其实从未真正属于过你 它们被Zero-Shot Prompting 入门在 developer-roadmap 中掌握无示例提示工程Zero Shot Prompting 入门在 developer roadmap 中掌握无示例提示工程 本文是 developer roadmap 项目中文档教程知识库openpilot 上车指南如何为 335 款常见车型加装车道居中与自适应巡航新手完整教程openpilot 上车指南如何为 335 款常见车型加装车道居中与自适应巡航新手完整教程 openpilot 是一套开源的驾驶辅助操作系统目前可为自动驾驶人工智能计算机视觉深度学习机器人创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 developer-roadmap 中的 ReAct Prompting：推理与行动协同的 LLM 解题范式
文档教程知识库【免费下载链接】developer-roadmapInteractive roadmaps, guides and other educational content to help developers grow in their careers.项目地址https://gitcode.com/GitHub_Trending/de/developer-roadmap点击查看免费下载ReActReason Act提示技术通过引导语言模型先逐步推理、再基于推理执行具体行动的方式将思维链式的逻辑分解与 API 调用、信息检索等外部操作有机结合从而应对复杂查询、多步任务与外部系统交互场景。本文以 react-prompting 文档 为骨架结合仓库中 ReAct、ReActReason Act 及 Agent Loop、工具调用等相关文档系统讲解 ReAct 的核心机制、实现要点与实战设计帮助读者掌握这一构建工具型 AI Agent 的基石范式。什么是 ReAct Prompting推理与行动的协同ReAct Prompting 是一种将**推理Reasoning与行动Action**相结合的技术。其核心思想是引导语言模型先把问题拆解为一系列逻辑步骤通过自言自语式的思考梳理解决路径再根据推理结果执行具体操作——例如调用 API、检索信息、查询数据库等最终抵达解决方案。正如 react-prompting 文档 所述这种推理—行动的协同让模型能够处理复杂查询面对需要多步推导的问题模型不再一次性给出答案而是逐步逼近与外部系统交互通过工具调用获取模型本身无法知晓的事实或执行真实操作处理需要动作序列的任务在连续决策场景中保持状态连贯给出更准确、更具上下文感知能力的响应。从命名上看ReAct正是Reason推理与Act行动的合称。ai-agents 路线图的 ReAct 条目 将其概括为一种将推理步骤与行动步骤交错编排的 Agent 架构模型先思考接下来该做什么再采取行动、观察结果、继续推理如此往复直到任务完成。这种思考—行动—观察的紧密闭环使 Agent 能够基于真实反馈动态调整计划而非在一开始就固化完整的执行方案。核心循环Thought–Action–ObservationReAct 的工作方式可以归纳为一个三阶段循环仓库中 ReAct 文档 称之为thought-action-observation loopThought思考分析当前问题明确目标与已知条件规划下一步Action行动调用外部工具或 API 执行具体操作如搜索、计算、读写文件Observation观察获取工具返回的结果将其纳入后续推理的依据。循环不断迭代直到问题被解决。这一过程与仓库 agent-loop 文档 描述的 Agent 主循环收集数据 → 更新内部状态并决策 → 执行动作 → 检查结果并存储新信息 → 重新开始高度一致观察—决策—行动的快速重复正是 Agent 能力的来源。而 observation--reflection 文档 进一步阐释了循环中的思考暂停环节Agent 先审视周边世界、收集新数据、观察变化然后暂停下来反思这些新信息对我的目标意味着什么并借此更新记忆、识别错误、排列优先级。缺少这一环节Agent 会依赖过时或错误的事实很快偏离目标——这正是 ReAct 中 Observation 环节的意义所在。一个典型的多步推理示例以下是一个体现 ReAct 循环的示意流程用于说明提示词引导模型输出的模式可按需改写为实际使用的提示词问题2025 年发布的小米 15 Ultra 起售价是多少 Thought 1: 我需要先确认小米 15 Ultra 的发布时间再查询其起售价。直接回答可能依赖过时信息。 Action 1: 搜索「小米 15 Ultra 发布 时间」 Observation 1: 搜索结果指出该机型于 2025 年 2 月发布。 Thought 2: 机型确认接下来查询其官方起售价。 Action 2: 调用报价查询 API参数为 xiaomi 15 ultra Observation 2: API 返回 12GB256GB 版本起售价 6499 元。 Thought 3: 已获得起售价可以给出最终答案。 Final Answer: 小米 15 Ultra 起售价为 6499 元12GB256GB 版本。这个流程展示了 ReAct 的核心价值每次行动都基于前一步的观察结果模型不会凭记忆猜测而是通过外部事实校准答案。这正是仓库文档中强调的基于真实反馈调整计划而非预先承诺完整计划。为什么需要推理与行动分离ReAct 相较纯 Chain-of-ThoughtCoT提示的关键差异在于引入了外部动作。仓库 cot 文档 描述 CoT 是让 Agent 出声思考在给出最终答案前写下简短笔记列出事实、命名子任务或做小规模计算从而保持条理性、降低出错率并增强可验证性。然而 CoT 的全部推理仍局限于模型内部知识——一旦问题涉及实时数据天气、股价、最新发布信息或需要真实操作发送邮件、执行代码纯推理便无能为力。ReAct 正是为这类场景而生ReAct 文档 明确其适用于研究任务、多步问题以及需要当前数据的任务。推理负责怎么走行动负责走过去并核实路况两者交替进行。此外推理过程的显式化还带来两个附加收益可调试性Thought 与 Observation 文本被完整保留开发者可以回溯模型每一步的决策依据定位失败环节可修正性当观察结果与推理假设冲突时模型可以当场纠偏而不是把错误一路带到终点。工具与函数调用ReAct 行动的落地支撑ReAct 中的行动并非凭空产生而是依赖工具Tools与函数调用Function Calling。仓库 tools--function-calling 文档 指出工具与函数调用让 Agent 能够与真实世界交互、访问外部信息——不再只产出文本回复而是调用预定义函数、工具或 API 执行搜索网页、发送邮件、控制设备等具体动作从而解决超出纯语言生成范畴的复杂任务。要保证行动可靠关键在于工具定义的质量。仓库 tool-definition 文档 说明工具定义描述 Agent 可调用的函数包括名称、用途与接受的参数通常以 JSON Schema 等结构化格式给出。语言模型阅读该定义后判断工具何时相关、如何填充参数——清晰、文档完备的工具定义直接影响 Agent 选择和使用正确工具的可靠性。因此在设计 ReAct Agent 时应把工具定义当作一等公民对待每个工具给出明确、无歧义的用途描述这是模型选择工具的主要依据参数名与类型符合直觉必填项与默认值标注清楚尽量为枚举型参数列出可选值减少模型猜测空间。从提示技巧到 Agent 架构ReAct 的工程化演进值得注意的是ReAct 在仓库中被以两种视角呈现在 ai-engineer 路线图 中它是一种提示Prompting技术——通过精心设计的提示词引导模型交替输出 Thought 与 Action在 ai-agents 路线图 中它是一种Agent 架构模式——构建工具型 Agent 最广泛使用的模式之一。两者本质相同差异在于实现层次前者靠提示词约定输出格式后者常配合函数调用 API如 OpenAI 的 tool/function calling 接口由框架解析 Thought 与 Action 文本、自动执行工具并回填 Observation。从工程视角看可将 ReAct 循环与 planner-executor 文档 描述的分工架构对照规划者负责把目标拆解为步骤序列执行者负责落实每步并回报结果——这种职责分离让行为更易推理与调试与 ReAct 中推理引导、行动执行的分工思想一脉相承。实现要点清单基于仓库文档落地一个 ReAct Agent 时可参考以下要点环节要点仓库依据提示词明确要求模型先输出 Thought 再输出 Action格式固定如 JSON 或带标记的文本react-prompting工具以 JSON Schema 形式声明名称、用途、参数描述清晰tool-definition循环执行 Action 后将结果作为 Observation 回填再触发下一轮 Thoughtreact终止设定最大迭代次数与可直接作答判定防止无限循环由 agent-loop 的循环结构推断反思每轮观察后评估新信息对目标的意义必要时修正计划observation--reflection观测记录每一步的 Thought / Action / Observation 文本便于调试与追踪由推理过程显式化的特性推断适用场景与局限适用场景仓库文档明确支持研究类任务、需要多步推理的问题、依赖实时数据的任务、需要与外部系统交互的业务流程——例如 rag-agent 类需要检索外部知识的场景ReAct 的检索—推理—再检索模式天然契合。需要注意的局限基于机制推断非仓库事实延迟与成本每次循环都是一次完整的模型调用多步任务会成倍放大 token 消耗与响应时间错误累积若某一步行动选错工具或参数后续推理可能基于错误观察继续因此终止条件与异常处理必不可少提示词敏感Thought/Action 的格式约定若不清晰模型可能跳过推理直接作答或把非动作文本误当作 Action。小结ReAct Prompting 通过推理—行动—观察的交替循环把 LLM 的逻辑能力与外部工具的执行能力拧成一股绳使其能够处理超出纯文本生成的复杂任务。无论你把它当作一种提示技巧还是当作构建工具型 Agent 的架构范式其核心原则是一致的让模型想一步、做一步、看一步用真实世界的反馈持续校准推理方向。仓库中的相关文档分布在 ai-engineer 路线图 与 ai-agents 路线图 两条学习路径中配合 Agent Loop、Observation Reflection、Tools Function Calling 与 Tool Definition 等条目可以构成一条从提示技巧到 Agent 工程实现的完整学习链路。赞分享文档教程知识库【免费下载链接】developer-roadmapInteractive roadmaps, guides and other educational content to help developers grow in their careers.项目地址https://gitcode.com/GitHub_Trending/de/developer-roadmap点击查看免费下载相关推荐你的微信聊天记录究竟该如何真正属于你一份WeChatMsg的完整解决方案你的微信聊天记录究竟该如何真正属于你一份WeChatMsg的完整解决方案 你是否曾想过那些承载着珍贵回忆的微信聊天记录其实从未真正属于过你 它们被Zero-Shot Prompting 入门在 developer-roadmap 中掌握无示例提示工程Zero Shot Prompting 入门在 developer roadmap 中掌握无示例提示工程 本文是 developer roadmap 项目中文档教程知识库openpilot 上车指南如何为 335 款常见车型加装车道居中与自适应巡航新手完整教程openpilot 上车指南如何为 335 款常见车型加装车道居中与自适应巡航新手完整教程 openpilot 是一套开源的驾驶辅助操作系统目前可为自动驾驶人工智能计算机视觉深度学习机器人创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考