【ReACT 设计模式】（思考 - 行动 - 观察）

ReAct 是一种将 推理 （Reasoning）与 行动（Acting）相结合的智能体（Agent）设计模式，常见于大语言模型（LLM）应用开发（如 LangChain、AutoGPT）。

它的核心思想是让模型在解决复杂任务时交替进行：

• 思考（Thought）：分析当前状态，规划下一步。
• 行动（Action）：调用外部工具（如搜索、计算器、API）。
• 观察（Observation）：接收工具返回的结果。

步骤	名称	核心职责	功能描述
1	Thought 思考	规划	思考用户问题，制定行动方案
2	Action 行动	执行	调用工具
3	Observation 观察	接收	获取原始结果，作为推理依据
4	Thought 思考（评估）	判断决策	评估信息是否足够（如果不满足回答，决定下一步 Action 行动做什么事情），决定循环或结束
5	Answer 回答	输出	向用户输出最终答案

典型流程示例 （用户问："今天XX公司股价是多少？"）：

1. Thought 思考 ：我需要查找今天的股价。 # 思考用户问题，制定行动方案
2. Action 行动 ：SearchXX公司 股价 2026-04-21 # 调用工具
3. Observation 观察 ：收盘价 125.30 元 # 获取工具返回的原始结果，作为下一步推理的依据
4. Thought 思考（评估） ：已获得答案。 # 评估当前积累的观察结果是否足以回答用户问题。若信息不足，指定下一步行动任务 返回第2步循环执行。
5. Answer 回答 ：XX公司今日收盘价为 125.30 元。 # 向用户输出最终答案

ReAct 的核心循环是：行动 → 观察 → 思考（评估）。若信息不足则继续行动，直至积累的信息足以回答用户问题，最后输出答案。

优势：

• 提高事实准确性（结合外部数据）
• 增强可解释性（推理过程可见）
• 处理需要多步交互的复杂任务

典型应用：代码生成、生成文档、数据分析、自动化操作等。

---

Trae 内置的 ReACT 模式回答用户问题

用户问题：重构这个函数并添加错误处理

Trae 内部执行流程：

1. Thought（思考）：需要先读取当前代码 → Action（行动）：读取文件
2. Observation（观察）：获得代码内容
3. Thought（思考/评估）：需要理解函数逻辑 → Action（行动）：分析依赖
4. Observation（观察）：发现有3个依赖函数
5. Thought（思考/评估）：信息充足，可以开始重构 → Action（行动）：生成新代码
6. Answer（回答）：输出重构后的代码