Agent ReAct框架介绍（ReAct Agent、ReAct = Reasoning + Acting、ReAct行动框架）问题——思考——工具调用——获得结果——思考——行动——最终结果

文章目录

[从零理解 ReAct：让 AI Agent 学会"思考 + 行动"](#从零理解 ReAct：让 AI Agent 学会“思考 + 行动”)
[一、什么是 ReAct？](#一、什么是 ReAct？)
[二、ReAct 的核心流程](#二、ReAct 的核心流程)
[三、ReAct 的 Prompt 结构](#三、ReAct 的 Prompt 结构)
[四、为什么 ReAct 很重要？](#四、为什么 ReAct 很重要？)
- - [1 可解释性强](#1 可解释性强)
  - [2 可以调用任意工具](#2 可以调用任意工具)
  - [3 能解决复杂任务](#3 能解决复杂任务)
[五、ReAct 的一个简单代码示例](#五、ReAct 的一个简单代码示例)
[六、ReAct 的局限性](#六、ReAct 的局限性)
- - [1 Token 消耗高](#1 Token 消耗高)
  - [2 推理可能错误](#2 推理可能错误)
  - [3 循环失控](#3 循环失控)
[七、ReAct 的演进](#七、ReAct 的演进)
总结

从零理解 ReAct：让 AI Agent 学会"思考 + 行动"

在构建 AI Agent 的过程中，一个核心问题始终存在：

如何让大模型不仅会回答，还会主动使用工具解决问题？

例如：

查询天气
调用数据库
搜索互联网
执行代码

如果只依赖传统 Prompt，大模型往往无法稳定完成复杂任务。为了解决这个问题，研究者提出了 ReAct 框架。

本文将带你系统理解 ReAct Agent 的核心思想、工作流程以及实际应用。

一、什么是 ReAct？

ReAct = Reasoning + Acting

ReAct 是由 Google Research 与 Princeton University 研究者提出的一种 Agent 推理框架。

对应论文：

ReAct: Synergizing Reasoning and Acting in Language Models

核心思想非常简单：

让大模型在解决问题时 交替进行"思考（Reasoning）"和"行动（Action）"。

传统 LLM：

复制代码

Question -> Answer

ReAct Agent：

复制代码

Question
   ↓
Thought（思考）
   ↓
Action（调用工具）
   ↓
Observation（获得结果）
   ↓
Thought
   ↓
Action
   ↓
Final Answer

也就是说：

LLM 负责思考，工具负责执行。

二、ReAct 的核心流程

ReAct Agent 的基本循环如下：

复制代码

Thought -> Action -> Observation

具体流程：

1️⃣ Thought（思考）

模型分析当前问题，并决定下一步。

示例：

复制代码

Thought: 我需要先查找当前城市天气

2️⃣ Action（行动）

调用外部工具。

例如：

复制代码

Action: search_weather("Los Angeles")

3️⃣ Observation（观察）

系统返回工具结果。

复制代码

Observation: 18°C, cloudy

4️⃣ 继续推理

模型根据新的信息继续思考。

复制代码

Thought: 天气较冷，建议穿外套

最终输出：

复制代码

Final Answer: 今天洛杉矶气温18°C，建议穿外套。

三、ReAct 的 Prompt 结构

ReAct 的核心其实是 Prompt Engineering。

典型 Prompt 结构：

复制代码

You can use the following tools:

search: search information
calculator: do math

Use the format:

Question: the input question
Thought: think about what to do
Action: the action to take
Observation: the result of the action
...
Final Answer: the answer

示例：

复制代码

Question: Who is the biggest celebrity of the US and how old is he?

Thought: I should search the biggest celebrity
Action: search("US biggest celebrity")
Observation: TangSanZang

Thought: I should search his age
Action: search("TangSanZang age")
Observation: 81

Final Answer: The biggest celebrity is TangSanZang, he is 25 years old.

四、为什么 ReAct 很重要？

ReAct 是现代 AI Agent 系统的基础设计模式。

很多 Agent 框架都采用类似思想，例如：

LangChain
AutoGPT
LangGraph
OpenAI Assistants API

原因是：

1 可解释性强

ReAct 会输出推理过程：

复制代码

Thought -> Action -> Observation

因此 每一步决策都可追踪。

2 可以调用任意工具

例如：

搜索 API
Python 执行
数据库
内部系统

Agent 可以变成：

LLM + 工具生态

3 能解决复杂任务

例如：

多步骤搜索
数据分析
自动化任务

五、ReAct 的一个简单代码示例

使用 LangChain 可以快速实现 ReAct Agent：

python 复制代码

from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain.tools import Tool
from langchain.llms import OpenAI

llm = OpenAI()

tools = [
    Tool(
        name="Search",
        func=search,
        description="Search information from internet"
    )
]

agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION
)

agent.run("Who is the CEO of Tesla?")

执行过程：

复制代码

Thought
Action
Observation
Thought
Final Answer

六、ReAct 的局限性

虽然 ReAct 很强，但也存在一些问题：

1 Token 消耗高

因为需要输出完整推理过程。

2 推理可能错误

如果 Thought 逻辑错了，后续步骤都会错。

3 循环失控

有些 Agent 会陷入：

复制代码

Thought -> Action -> Observation -> Thought -> ...

因此很多框架会设置：

复制代码

max_iterations

七、ReAct 的演进

在 ReAct 之后，又出现了很多 Agent 设计方法，例如：

Plan-and-Execute
Reflection
Tree of Thoughts
Self-Consistency

但 ReAct 仍然是最经典的 Agent 架构之一。

很多生产系统仍然在使用它。

总结

ReAct 的核心思想其实非常优雅：

让 LLM 像人类一样：先思考，再行动。

流程就是：

复制代码

Thought -> Action -> Observation -> Final Answer

通过这种模式，大模型不再只是聊天工具，而是可以成为：

真正能够解决问题的 AI Agent。