ReAct
ReAct框架全称为Reasoning and Acting（或ReasonAct），是一种将推理链（Chain-of-Thought）与外部工具使用相结合的提示策略。该框架允许大型语言模型在推理过程中交替进行"思考"和"行动"，通过调用搜索引擎、数据库等工具获取外部信息，形成一个 "思维→行动→观察" 的循环，从而动态调整策略以解决问题。
优点
- 可解释性------把"黑箱"变成"玻璃箱"： 传统大模型的推理过程像黑箱------你不知道它为什么给出这个答案。而ReAct强制模型在每一步输出"Thought"（思考），让人类可以追溯整个决策链条。
- 抑制幻觉------用外部事实"锚定"推理： 大模型最让人头疼的问题之一是"幻觉"------信誓旦旦地编造出听起来合理但完全不存在的"事实"。ReAct通过强制模型在涉及事实性问题时优先调用外部工具获取证据，而非依赖可能过时的内部知识，从根源上减少了幻觉。
- 处理复杂任务------像人一样"摸着石头过河"： 对于需要多步推理、跨系统查询的复杂问题，ReAct的循环机制让AI能够动态调整策略。它不是一次性规划好所有步骤（这在面对不确定环境时往往失效），而是走一步看一步，根据每一步的反馈决定下一步。
缺点
- 不稳定，容易"走偏"： 模型在自主规划时，可能出现推理偏差、步骤错乱，导致整个任务失败。ReAct有时会产生不连贯的推理步骤，使智能体的实际状态与目标发生偏离。
- 上下文爆炸，Token消耗大： ReAct的每一步思考都会累积到上下文中。随着迭代步数增多，很容易超出LLM的上下文长度限制，同时Token费用呈指数级增长。
- 缺乏全局规划，长链路任务容易"迷路"： ReAct本质上是单步迭代决策，没有先做全局任务拆解的能力。面对长链路、多分支、强依赖的复杂任务，容易出现步骤混乱、子任务遗漏、迭代步数过多等问题。
Plan-and-Execute（先计划后执行）
是一种用于构建 AI Agent（智能体）的架构模式，核心思想是把"思考"和"行动"拆成两个阶段：先由规划器制定完整步骤，再由执行器逐步完成
ReAct与Plan-and-Execute流程对比
ReAct与Plan-and-Execute优缺点对比
