我的知识库

Appearance

ReAct 模式 ​

在知识图谱中的位置：模块三 · 03_高级模式 · 第 1 节 难度：⭐⭐⭐ | 前置知识：Agent 基础

1. 概述 ​

**ReAct（Reasoning + Acting）**是 AI Agent 最经典的工作流模式，由 Yao et al. (2022) 在论文《ReAct: Synergizing Reasoning and Acting in Language Models》中首次提出。

核心思想：让 LLM 交替进行「推理」和「行动」，而不是先推理完再行动。

2. 核心概念 ​

2.1 ReAct 的三个元素 ​

ReAct 的输出包含三个交替元素：

元素说明示例
Thought（思考）LLM 的推理过程"我需要先查天气"
Action（行动）调用的工具"search: 北京天气"
Observation（观察）工具返回的结果"北京: 25°C 晴"
Thought: 我需要查询北京的天气
Action: search(query="北京天气")
Observation: 北京: 25°C 晴
Thought: 天气信息已获取
Action: finish(answer="北京明天晴，25°C")

2.2 ReAct vs 传统 Chain of Thought ​

传统 CoT:   推理 → 推理 → 推理 → 回答（纯文字）
ReAct:      推理 → 行动 → 观察 → 推理 → 行动 → 回答（交替）

ReAct 的优势：

  • 行动结果可以作为推理的输入
  • 避免 LLM 在"真空"中推理
  • 可以获取实时/外部信息

3. 技术原理 ​

3.1 ReAct 执行循环 ​

3.2 ReAct Prompt 模板 ​

You are a helpful assistant. Answer the following question using 
thoughts and actions.

Format:
Thought: <your reasoning>
Action: <tool_name>(<tool_input>)
Observation: <tool_result>
... (Thought/Action/Observation repeats as needed) ...
Thought: I now know the final answer.
Final Answer: <final response>

Question: {input}

3.3 ReAct Agent 实现（LangChain） ​

python
from langchain.agents import create_react_agent, Tool
from langchain_openai import ChatOpenAI
from langchain import hub

llm = ChatOpenAI(model="gpt-4o", temperature=0)

tools = [
    Tool(name="search", func=search_web, description="搜索网页"),
    Tool(name="calculator", func=calc, description="计算"),
    Tool(name="get_weather", func=get_weather, description="查天气")
]

prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, tools, prompt)

# ReAct 自动交替 Thought → Action → Observation
result = agent.invoke({
    "input": "北京天气加上 100+200 等于多少？"
})

4. 实践指南 ​

4.1 ReAct 适合场景 ​

  • 需要获取外部信息的任务
  • 多步推理且中间结果影响后续推理
  • 动态决策场景

4.2 最佳实践 ​

  1. Thought 引导 — 给 LLM 明确的推理格式
  2. Action 命名精确 — 工具名和参数要清晰
  3. Observation 返回 — 工具结果要结构化
  4. 终止条件 — 设 max_iterations 防止无限循环

4.3 常见陷阱 ​

陷阱解法
Thought 太长给 Thought 加长度约束
Action 错误调用加工具描述和参数校验
Observation 噪声过滤无关信息
循环执行设 max_iterations=10

5. 方案对比 ​

模式推理方式优势劣势
ReAct交替推理+行动经典，效果好需要工具配合
CoT纯推理简单无外部信息
Plan-and-Execute先规划后执行结构化不够灵活
Agent-X按需规划成本优化较新

6. 参考资料 ​

7. 学习路径 ​

  1. Level 1 — 运行 ReAct Agent
  2. Level 2 — 理解 Thought/Action/Observation
  3. Level 3 — 自定义 ReAct 提示词
  4. Level 4 — ReAct + 多工具
  5. Level 5 — ReAct 变体（Reflexion, RAP）