1、概述
ReAct = Reasoning（思考）+ Acting（行动）
让AI像人类一样：先想一想（Reason），再做一件事（Act），做完事再想一想，循环往复，直到解决问题。
核心思想：
不要让AI直接猜答案，而是让它：
- 思考（Reason）：分析问题、制定计划、反思结果
- 行动（Act）：调用工具（如搜素、计算、数据库）
- 循环：根据行动结果，再思考，再行动
2、ReAct vs 传统AI
| 对比项 | 传统方式（直接回答） | ReAct 模式 |
|---|---|---|
| 过程 | 输入 → 直接输出答案 | 输入 → 思考 → 行动 → 思考 → 行动 → 输出 |
| 可解释性 | 黑箱，不知道怎么想的 | 白箱，能看到每一步思考 |
| 准确性 | 容易"幻觉"瞎猜 | 基于事实行动，更准确 |
| 工具使用 | 不会主动调用工具 | 主动调用 API、搜索、计算等 |
| 错误恢复 | 答错了就错了 | 行动失败后会反思并调整 |
3、ReAct典型步骤
（1）核心循环
Think -> Act -> Observe -> Think ...
一个典型的ReAct交互流程：
1. 🤔 Reason (思考): "我需要查一下北京今天的天气"
2. 🛠 Act (行动): 调用 weatherAPI.getWeather("北京")
3. 👁 Observe (观察): 返回 {"city": "北京", "temp": "25°C", "condition": "晴"}
4. 🤔 Reason: "北京今天晴，25度，适合户外"
5. 🛠 Act: 无（问题已解决）
6. ✅ Answer: "北京今天晴，25度，适合户外活动。"这个循环可以多次执行，直到问题解决
（2）典型步骤
1）Step 1：Reasoning（推理）
AI开始思考：
- "用户问了什么？"
- "我需要哪些信息？"
- "我可以调用什么工具？"
- "下一步该做什么？"
示例输出：我需要查询北京的天气，可以调用天气 API。
2）Step 2：Acting（行动）
AI 决定调用一个工具：
- 调用
search(query)搜索网页 - 调用
calculate(expr)计算数学 - 调用
database.query(sql)查数据库 - 调用
python(code)执行代码
格式通常是结构化的，比如：
{
"action": "weather_api",
"action_input": "北京"
}3）Step 3：Observe（观察）
系统执行工具调用，拿到结果，返回给AI，比如：
{
"observation": "北京，25°C，晴"
}4）Step 4：继续Reasoning
AI看到结果后继续思考："我拿到了天气数据，现在可以回答用户了。"
或者如果结果不完整：
"温度是25度，但用户可能想知道是否适合穿短袖，我需要补充穿衣建议。"
5）Step 5：Final Answer（最终回答）
当AI认为问题已解决，输出最终答案给用户
4、ReAct优势
| 优势 | 说明 |
|---|---|
| ✅ 减少幻觉 | AI 不再瞎猜，而是基于真实工具返回的数据回答 |
| ✅ 可解释性强 | 你能看到 AI 的"思考过程"，像看侦探破案 |
| ✅ 能解决复杂问题 | 可以多步推理 + 多次调用工具（如先搜索，再计算） |
| ✅ 可调试 | 如果答案错了，可以看是哪一步出问题 |
| ✅ 支持工具扩展 | 可以接入搜索、数据库、代码执行、API 等 |
5、ReAct所需的技术组件
| 组件 | 说明 |
|---|---|
| LLM（大模型） | 负责推理和决策（如 GPT、通义千问） |
| Tool Calling（工具调用） | 定义工具接口，让 LLM 知道能调用什么 |
| Action Parser | 解析 LLM 输出的 action（如 JSON） |
| Observation Handler | 执行工具并返回结果 |
| Loop Controller | 控制最大步数，防止无限循环 |
| Prompt Engineering | 设计提示词，引导 LLM 按 ReAct 格式输出 |
6、ReAct的典型Prompt模板
你可以使用以下工具：
- search(query): 搜索网页
- calculate(expr): 计算数学表达式
- get_weather(city): 获取天气
使用格式：
Thought: 你正在想什么
Action: 要执行的工具
Action Input: 工具参数
Observation: 工具返回结果
...（可以重复）
Thought: 我现在可以回答了
Final Answer: 最终答案