ReAct模式指南已更新
什么是ReAct？ReAct(Reasoning + Acting)结合推理和行动，让AI边思考边行动。
核心流程：Thought -> Action -> Observation -> Thought -> ...
与CoT区别：CoT仅推理，ReAct推理+行动结合，适合需要工具调用的任务。
代码：from langchain.agents import create_react_agent / prompt = hub.pull("hwchase17/react") / agent = create_react_agent(llm, tools, prompt) / executor = AgentExecutor(agent=agent, tools=tools)
工作流程示例：用户问北京天气 -> 思考需要先获取位置 -> 行动get_location("北京") -> 观察北京市 -> 思考查询天气 -> 行动get_weather("北京") -> 观察晴25度 -> 最终回答。
最佳实践：设计清晰的工具描述、限制迭代次数防止无限循环、观察结果要信息丰富、使用JSON格式传递结构化数据、添入错误处理机制。
ReAct 模式指南
ReAct（Reasoning + Acting）是一种结合推理和行动的大语言模型工作模式。模型在解决复杂问题时，会交替进行思考（Thought）、行动（Action）和观察（Observation），从而实现更可靠的推理和决策。
传统 LLM 推理通常是封闭的：模型仅基于内部知识进行推理，无法访问外部信息或工具。ReAct 打破了这一限制，让模型能够与外部世界交互，获取实时信息，执行具体行动。
1. ReAct vs 传统推理
ReAct 与传统的 Chain-of-Thought（CoT）推理有本质区别。
CoT（纯推理）：
- 只在模型内部进行思考
- 无法获取外部信息
- 可能产生事实性错误
- 无法验证推理的正确性
ReAct（推理+行动）：
- 思考 → 行动 → 观察交替进行
- 可以调用工具获取信息
- 行动结果指导下一步推理
- 能够发现和纠正错误
2. ReAct 工作流程
ReAct 三步循环：
1. Thought（思考）：
- 分析当前情况
- 决定下一步要做什么
- 预测行动结果
2. Action（行动）：
- 调用外部工具或API
- 执行具体操作
- 搜索、计算、查询等
3. Observation（观察）：
- 接收行动结果
- 分析结果是否正确
- 决定是否继续或调整计划
3. ReAct 示例
以下是一个使用 ReAct 模式查询天气的示例：
ReAct 对话示例：
用户：北京今天天气怎么样？
Thought：我需要获取北京的天气信息。我应该先调用天气搜索工具。
Action：search_weather(北京)
Observation：今天北京天气晴朗，气温15-25度
Thought：根据观察结果，我有了天气信息。现在可以直接回答用户的问题。
Answer：今天北京天气晴朗，气温15-25度，非常适合外出。
4. 代码实现
使用 LangChain 实现 ReAct 模式：
from langchain import hub
from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain_openai import ChatOpenAI
from langchain_community.tools import WikipediaQueryRun, YearQueryRun
from langchain.utilities.wikipedia import WikipediaAPIWrapper
llm = ChatOpenAI(model="gpt-4")
# 定义工具
tools = [
WikipediaQueryRun(
api_wrapper=WikipediaAPIWrapper()
),
YearQueryRun()
]
# 获取 ReAct 提示词
prompt = hub.pull("hwchase17/openai-functions-react")
# 创建 Agent
agent = create_openai_functions_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 执行
result = agent_executor.invoke({"input": "北京今天天气怎么样"})5. ReAct 的优势
ReAct 的核心优势：
1. 可验证性：每步行动都有结果，可以验证推理正确性
2. 自纠错能力：发现行动结果不符合预期时，可以调整策略
3. 信息获取：可以调用搜索、API等工具获取实时信息
4. 透明度：思考过程可见，便于理解和调试
5. 通用性：适用于问答、规划、代码执行等多种场景
6. ReAct 的挑战
ReAct 面临的挑战：
1. 循环风险：模型可能陷入反复调用同一工具的模式
2. 工具选择错误：可能选择不适合当前任务的工具
3. 推理深度有限：复杂问题可能推理不充分
4. 成本问题：多轮交互增加 API 调用次数
5. 工具描述依赖：模型理解工具能力依赖描述质量
7. 最佳实践
优化 ReAct 效果的技巧：
1. 清晰的工具描述：明确说明工具用途、参数和返回格式
2. 限制最大步数：防止无限循环，设置最大交互次数
3. 错误处理机制：工具调用失败时有备用方案
4. 优先级排序：让模型知道优先尝试哪些工具
5. 中间结果记忆：保留历史观察结果供后续参考
6. 简洁的思考格式：避免思考过程过于冗长
总结
ReAct 是一种结合推理和行动的工作模式，通过 Thought→Action→Observation 的循环，让 LLM 能够与外部世界交互，解决复杂问题。与纯推理相比，ReAct 具有可验证性、自纠错能力和信息获取等优势，但也要注意循环风险和成本控制。
声明：本文由 AI 生成，可能存在错误或不准确之处。
最后更新：2026-01-29