# ReAct 型 Agent

## 一句话定义

**ReAct（Reasoning + Acting，推理+行动）** 是当前大模型构建 AI Agent（智能体）最经典、最基础的架构范式之一。核心思想：让大模型"边思考、边行动、再根据行动结果继续思考"，从只会"纸上谈兵"的聊天机器人，变成能真正调用外部工具解决问题的智能体。

## 核心机制：TAO 循环

ReAct 用一个循环解决复杂问题，三个环节交替执行，直到得出最终答案：

- **Thought（思考）**：模型分析当前问题，决定下一步该做什么
- **Action（行动）**：模型据此调用外部工具（搜索引擎、计算器、代码执行、数据库查询等）
- **Observation（观察）**：接收工具返回的真实结果（网页内容、代码报错信息等）

获得 Observation 后进入下一轮 Thought，判断问题是否已解决——没解决就继续 Action，直到给出 **Final Answer（最终回答）**。

## 示例：一步步拆解

问题："小李子现任女友的年龄加上 5 是多少？"

| 轮次 | 环节 | 内容 |
|---|---|---|
| 1 | Thought | 需要先查清楚小李子现在的女友是谁 |
| 1 | Action | 调用搜索引擎，搜索"莱昂纳多·迪卡普里奥 现任女友" |
| 1 | Observation | 现任女友是维多利亚·切雷蒂 |
| 2 | Thought | 需要查她的年龄 |
| 2 | Action | 调用搜索引擎，搜索"维多利亚·切雷蒂 年龄" |
| 2 | Observation | 26 岁 |
| 3 | Thought | 已知年龄，需要计算 26+5 |
| 3 | Action | 调用计算器，输入 26+5 |
| 3 | Observation | 结果 31 |
| 4 | Thought | 信息已齐全，可以回答 |
| 4 | Final Answer | 31 |

## 解决了什么痛点

ReAct 之前，大模型处理复杂任务有两个极端做法，各有缺陷：

| 模式 | 问题 |
|---|---|
| 只有推理（Chain of Thought, CoT，思维链） | 全凭内部权重"脑补"，没有外部真实信息校验，遇到训练数据之外或需要精确计算的问题容易产生**幻觉**（一本正经地胡说八道） |
| 只有行动（纯 Acting） | 直接盲目调用工具，缺乏全局规划，遇到报错不知道如何纠正 |

**ReAct 的解法**：用推理指导行动方向，用行动的真实反馈（Observation）修正后续推理——两者形成闭环，显著缓解幻觉问题，使模型能处理需要多步骤、依赖外部实时信息的长线任务。

## 现状与应用

- 该架构由 2022 年底的学术论文提出，随后成为 LLM Agent 领域的基础范式
- LangChain 的 Agent 模块、AutoGPT、BabyAGI 等主流 Agent 框架，底层核心逻辑均脱胎于 ReAct 模式
- 意义：ReAct 是让 LLM 从"纯文本对话"走向"主动调用工具、影响真实世界"的关键一步

## 关键术语速查

| 术语 | 一句话解释 |
|---|---|
| ReAct（Reasoning + Acting） | 推理与行动交替进行的 Agent 架构 |
| Thought（思考） | 模型对当前状态的分析与下一步决策 |
| Action（行动） | 模型调用外部工具的具体操作 |
| Observation（观察） | 工具执行后返回的真实结果 |
| Final Answer（最终回答） | TAO 循环结束后给出的答案 |
| CoT（Chain of Thought，思维链） | 只做分步推理、不调用外部工具的模式，是 ReAct 的前身之一 |
| 幻觉（Hallucination） | 模型在缺乏真实依据时编造看似合理但错误的内容 |