引言：为什么普通聊天机器人一遇到真实任务就不行？
很多人第一次使用大模型时，会觉得它已经很聪明了：
- 能聊天
- 能写代码
- 能翻译
- 能总结
于是自然会产生一个想法：
既然模型这么强，是不是直接接入业务系统就行了？
但真实项目里，你很快会发现：
- 问知识问题：还行
- 做真实任务：经常翻车
例如：
场景1：查天气 + 计算
用户：北京今天25度，比昨天高3度，那昨天多少度？
普通聊天机器人可能回答：昨天可能是22度。
看起来答对了，但它只是猜的，并没有真的查天气、验证温度、执行计算。
场景2：订机票
用户：帮我找下周上海到北京最便宜的航班，并推荐酒店。
普通 LLM 往往只能回答：你可以使用携程、飞猪查询。
它不会真的执行动作。
场景3：企业办公
用户：帮我汇总本周销售数据，生成PPT并发给老板。
传统 Chatbot 通常只能给你步骤建议，它不会真的查数据库、生成文件、发送邮件。
这就是传统聊天机器人和 Agent 的根本分水岭：
Chatbot 会回答问题，Agent 会完成任务。
而单 Agent 时代最经典、最重要的模式，就是 ReAct。
一、ReAct Agent 是什么？
ReAct = Reason + Act（思考 + 行动）
这是经典的 Agent 方法论，到 2026 年仍然是单 Agent 入门首选。
它的核心思想非常简单：
不让模型一次性回答问题，而是让它边思考、边行动、边观察，再继续思考。
普通 LLM 的工作方式
输入问题 → 一次性输出答案
例如：
用户：北京天气怎么样？
模型：北京今天晴天。
问题在于：它可能并没有查天气，只是"像知道答案一样回答"。
ReAct 的工作方式
用户问题
→ Thought（思考）
→ Action（行动）
→ Observation（观察结果）
→ Thought（继续思考）
→ Final Answer
例如：
Thought：我需要查询实时天气
Action：get_weather("北京")
Observation：晴天，25度
Thought：我已经获得天气结果
Final Answer：北京今天晴天，25度。
这就是 ReAct。
二、为什么 ReAct 如此重要？
1. 解决幻觉（Hallucination）
普通模型可能直接猜测天气、价格、事实信息。
ReAct 会先调用工具，再基于结果回答。
不靠记忆回答，靠外部世界回答。
这是 Agent 最核心的价值之一。
2. 解决多步任务
例如：
- 查询北京天气
- 再算昨天温度
- 再给出穿搭建议
普通 Prompt 一次性输出，很容易漏步骤。
ReAct 会拆解执行：
Thought：先查天气
Action：get_weather
Thought：再计算昨天温度
Action：calculator
Thought：最后给建议
3. 解决未知问题
例如：帮我查这个公司 CEO 是谁，并总结背景。
模型未必知道实时信息，但 ReAct 可以：
搜索 → 获取网页 → 总结
所以：
ReAct 让模型具备"探索未知世界"的能力。
三、简单 Prompt、Chain、ReAct 的区别
1. 简单 Prompt
问：北京天气怎么样？
答：北京天气晴朗。
特点：
- 快
- 简单
- 容易幻觉
2. Chain（链式流程）
输入 → Prompt1 → Prompt2 → Prompt3 → 输出
特点：
- 固定流程
- 可控
- 不够灵活
例如：先翻译，再总结，再分类。
3. ReAct Agent
根据问题动态决定下一步。
例如：
- 要天气 → 调天气 Tool
- 要搜索 → 调搜索 Tool
- 要计算 → 调计算器
所以：
Chain 是流程自动化，ReAct 是决策自动化。
四、图解：思考-行动-观察循环
用户问题
↓
Thought（思考）
↓
Action（调用工具）
↓
Observation（得到结果）
↓
Thought（继续思考）
↓
是否完成？
↙︎ ↘︎
否 是
↓ ↓
继续循环 Final Answer
这就是单 Agent 的核心循环。
五、一个真实案例
用户：帮我查上海今天温度，如果高于30度提醒我开空调。
ReAct 执行过程：
Thought：我需要先查上海天气
Action：get_weather("上海")
Observation：32度，多云
Thought：温度高于30度，需要提醒用户
Final Answer：上海今天32度，建议提前开空调。
注意：这里模型不是直接猜，而是查数据 → 判断条件 → 输出结果。
这已经是"智能体"了。
六、为什么 2026 年 ReAct 仍然重要？
虽然已经出现：
- Plan-and-Execute
- Reflexion
- Graph Agent
- Multi-Agent
- Self-Discover
但 ReAct 仍然重要，因为它：
1. 最容易理解
思考 → 行动 → 观察
2. 最容易落地
只需要：
- 一个模型
- 几个工具
就能跑起来。
3. 是其他 Agent 的基础
- Plan-and-Execute = ReAct + 规划器
- Reflexion = ReAct + 自我复盘
- LangGraph Agent = ReAct + 状态图
- Multi-Agent = 多个 ReAct 协作
学会 ReAct，相当于学会 Agent 的语法。
七、ReAct 最小伪代码
python
while not done:
thought = llm(reason(state))
if need_tool(thought):
result = tool.run(...)
state.add(result)
else:
done = True
return answer这几行代码，就是无数 Agent 框架的底层思想。
八、新手最容易误解的点
误解1：ReAct 就是调用工具
错。Tool Calling 只是 Action 部分。
真正核心是：Reasoning + Action + Observation Loop。
误解2：Prompt 里写 step by step 就是 ReAct
错。那只是思维链（CoT），没有真实 Action。
误解3：ReAct 很复杂
恰恰相反，它是最简单、最经典、最适合入门的 Agent 模式。
九、学习路径建议
理解原理（本篇）
↓
手写最小 ReAct Agent
↓
LangChain ReAct
↓
LangGraph ReAct
↓
加入 Memory
↓
加入反思机制
结语
一句话总结：
Chatbot 是回答问题，ReAct Agent 是为了完成任务。
它通过：
- 思考（Reason）
- 行动（Act）
- 观察（Observe）
- 循环迭代
让模型第一次具备：
- 查信息
- 用工具
- 分步解决问题
- 动态决策
这也是 AI Agent 真正开始"像智能体"的起点。
下一篇预告
从零手把手搭建第一个ReAct Agent（简单工具调用版）