ReAct

本质是一种 Agent 的**「交互决策范式 / 思维模式」**

是现在绝大多数工具型 Agent（LangChain、LlamaIndex、OpenAI Function Calling 底层思路来源）的基础框架。

让大模型交替进行
「思考推理 (Thought)」 （Reasoning）和
「调用工具行动 (Action)」 （Acting），
再拿到观察 (Observation)，循环直到得出答案。

三个核心单元循环

1.Thought

模型内部推理，判断现在该做什么，要不要调用工具、调用哪个工具、参数是什么

2.Action

输出工具调用指令，执行外部动作（搜索、查询数据库、计算）

3.Observation

工具返回的结果，喂回给大模型，作为下一轮思考的输入

循环：

Thought → Action → Observation → Thought → Action → ...→ Final Answer

终止条件：模型判断信息足够，输出最终 Answer（Final Answer）

举个简单Demo例子：（注意别忽视Observation）

// ReAct 主入口
    public String run(String question) {
        StringBuilder history = new StringBuilder();
        history.append("Question: ").append(question).append("\n");

        for (int step = 0; step < MAX_STEP; step++) {
            // 1. 调用LLM，输入历史上下文，拿到模型输出（Thought / Action / ActionInput / Answer）
            String llmOutput = mockLLM(history.toString());
            System.out.println("==== LLM输出 ====\n" + llmOutput);

            // 2. 解析LLM输出
            ParseResult parseResult = parseLlmOutput(llmOutput);

            // 如果识别到Answer，直接终止，返回答案
            if (parseResult.isFinalAnswer()) {
                return parseResult.getAnswer();
            }

            String actionName = parseResult.getAction();
            String actionInput = parseResult.getActionInput();
            // 3. 路由执行工具，拿到Observation
            Tool tool = toolMap.get(actionName);
            if (tool == null) {
                history.append("Observation: 不存在该工具").append("\n");
                continue;
            }
            String observation = tool.run(actionInput);
            System.out.println("==== Observation(工具返回) ====\n" + observation);

            // 4. 追加本轮记录到上下文，进入下一轮循环
            history.append(llmOutput).append("\n");
            history.append("Observation: ").append(observation).append("\n");
        }
        return "达到最大轮次限制，终止";
    }