React范式：思考与行动的循环

范式名称	核心思想	类比理解	核心工作流程	典型应用场景
ReAct范式	推理（Reasoning）与行动（Action）交替进行，通过外部反馈（Observation）来指导下一步决策。	人类解题：拿到一道数学题，先思考（推理）解题步骤，然后动笔计算（行动），检查结果（观察），再根据结果决定是继续下一步还是修正错误。	`Thought -> Act -> Observe` 循环	需要与外部环境（如数据库、API、工具）交互的复杂任务，例如：数据分析、智能客服、自动运维。
Plan-and-Solve (或 Plan-and-Execute)	先规划，后执行。一次性制定完整的步骤计划，然后按计划逐步执行，通常缺乏执行中的动态调整。	建造房子：建筑师先画出全套设计图纸（规划），施工队再严格按照图纸施工（执行）。如果图纸有误或遇到意外，整个工程可能受阻。	`Plan -> Step1 -> Step2 -> ... -> Result`	目标明确、步骤清晰、环境稳定的任务，例如：按照固定模板生成报告、执行预设的数据处理流水线。
Reflection (或 Self-Reflection)	行动后反思。在执行完一个或一系列行动后，对结果进行批判性评估，发现问题并生成改进方案，然后重新执行。	学生写作文：写完初稿后，通读一遍（观察结果），反思哪里逻辑不通、语句不顺（推理），然后修改文章（新的行动）。	`Act -> Observe -> Critique -> Reflect -> (Re)Act`	对输出质量要求高、需要迭代优化的任务，例如：代码调试、文章润色、方案设计评审。
Multi-Agent	多角色协作。多个具备不同角色和能力的智能体通过通信协议（如A2A）进行分工合作，共同完成复杂任务。	医院会诊：内科、外科、影像科等多位专家（多个Agent）各自检查病人，然后开会讨论（通信），共同制定治疗方案（协作决策）。	`AgentA -> (Communicate) -> AgentB -> (Cooperate) -> Result`	涉及多领域知识、需要分工或辩论的复杂任务，例如：复杂项目评估、辩论赛模拟、集成多源数据的决策系统。

核心循环拆解：以ReAct为例

ReAct范式的核心是一个循环迭代的过程，其标准步骤可用以下伪代码表示：

python 复制代码

# ReAct 核心循环伪代码
def react_agent(initial_question):
    # 初始化
    context = initial_question
    max_steps = 10
    for step in range(max_steps):
        # 1. Thought（推理）：分析当前情况，决定下一步做什么
        thought = llm_reason(context, available_tools) # 
        print(f"Thought {step}: {thought}")

        # 2. Act（行动）：执行决策，通常是调用一个工具或API
        action, action_input = parse_thought_to_action(thought) # 
        print(f"Act {step}: 调用工具【{action}】，输入：{action_input}")
        # 假设我们有一个工具调用函数
        if action in available_tools:
            observation = available_tools[action](action_input) # 
        else:
            observation = "错误：未知工具。"

        # 3. Observe（观察）：获取行动结果，作为下一次推理的输入
        print(f"Observe {step}: {observation}")
        context += f"
行动结果：{observation}"

        # 检查任务是否完成
        if is_task_complete(observation, initial_question):
            final_answer = llm_generate_final_answer(context)
            print(f"最终答案：{final_answer}")
            return final_answer

    return "任务未能在最大步数内完成。"

# 示例：可用工具字典
available_tools = {
    "search_web": search_function,
    "calculate": calculator_function,
    "lookup_database": db_query_function, # 
}

范式间的关系与演进

这四种范式并非互斥，而是常常在高级的**智能体工作流（Agentic Workflows）**中被组合使用，形成更强大的问题解决能力。

基础单元 ：ReAct 是构建智能体最基础的"原子"循环，它赋予了智能体与环境交互和动态决策的能力。
增强与组合 ：
- Plan-and-Execute + ReAct：可以先制定一个高层计划（Plan），然后在执行每个步骤时使用ReAct循环来处理其中的不确定性。这就像项目经理制定了季度目标（规划），但每个工程师在完成具体模块时仍需灵活解决技术难题（推理-行动）。
- ReAct + Reflection ：在每次或每几次Act-Observe后，加入一个Reflection步骤，评估当前进展和质量，从而纠正错误或优化后续策略。这就像学生在解题过程中，每做两步就回头检查一下计算和逻辑。
复杂系统 ：Multi-Agent 是更高层次的架构范式，其中的每个智能体（Agent）内部可能采用ReAct、Plan或Reflection等范式。它们通过A2A（Agent-to-Agent）通信协议进行结构化信息交换与协作，共同完成超大型任务。

通俗示例：如何用这些范式点外卖

假设任务是："帮我订一份适合感冒患者吃的、清淡的午餐，预算50元以内。"

只用 Plan-and-Solve：

text 复制代码

规划：1. 打开外卖APP。2. 搜索"粥"。3. 按价格排序。4. 选择第一个。5. 下单。
执行：严格按上述步骤执行。风险：可能选到一份"皮蛋瘦肉粥"，虽然清淡但皮蛋对感冒未必好，规划时未考虑"食材适应性"。

使用 ReAct：

text 复制代码

思考：用户感冒了，需要清淡、易消化的食物。粥或清汤面比较合适。先看看附近有什么店。
行动：调用【搜索外卖商家】工具，关键词"粥 面 清淡"。
观察：返回A店的"青菜粥"20元，B店的"鸡汤面"35元，C店的"海鲜粥"45元。
思考：海鲜是发物，感冒时可能不宜食用。鸡汤面听起来不错，有营养。检查一下用户评价。
行动：调用【查看商家评价】工具，商家B。
观察：评价显示鸡汤面较油腻。
思考：评价说油腻，那可能不适合。青菜粥最安全。在预算内。决定下单A店的青菜粥。
行动：调用【下单】工具，商品"青菜粥"。

(这个过程展示了ReAct如何根据观察到的信息动态调整决策) 。

加入 Reflection ：

在ReAct流程下单后，可以增加一个反思步骤："我刚刚推荐了青菜粥，虽然安全但营养单一。是否应该再建议用户搭配一份蒸蛋？或者询问用户是否有其他口味偏好？" 这可以优化本次建议，或为下次服务积累经验。
使用 Multi-Agent：
- 营养专家Agent：分析感冒饮食需求，推荐"粥类、清汤面、蒸蛋"。
- 美食侦探Agent：负责搜索和筛选符合要求、评价好的外卖商家。
- 预算管家Agent：确保总价在50元以内，并计算优惠。
- 三个Agent通过通信（A2A）交换信息（营养清单、商家列表、价格），共同协商出最优解------比如"青菜粥+蒸蛋"的组合。

总结来说，ReAct 是让AI学会"边想边做"的核心范式；Plan-and-Solve 提供了宏观蓝图；Reflection 赋予了其"复盘优化"的能力；而Multi-Agent则是构建分工协作的AI团队的架构思想。在实际的AI智能体系统中，这些范式像积木一样被灵活组合，以应对不同复杂度的现实世界任务。

React范式：思考与行动的循环

核心循环拆解：以ReAct为例

范式间的关系与演进

通俗示例：如何用这些范式点外卖

参考来源