【核心概念速览 / TL;DR】
什么是 ReAct 模式？ ReAct（Reasoning and Acting，推理与行动）是一种赋予大语言模型（LLM）使用外部工具能力的经典范式。它通过强制 LLM 交替进行“思考（Thought）”和“行动（Action）”，并结合环境的“观察反馈（Observation）”，从而解决复杂的多步问题。ReAct 模式完全依靠精心设计的提示词模板和解析逻辑实现，而不是 LLM 内置的魔法。

欢迎来到《从0开始开发 AI Agent》系列第二篇。在上一篇文章中，我们探讨了 Agent 的核心循环。今天，我们将暂时抛开 LangChain、CrewAI 等热门框架，用最基础的 Python 代码，手把手带你搭建一个真正的 ReAct Agent。

1. 为什么先不学框架？

如今，AI Agent 框架层出不穷，但为什么我们建议你从“纯手搓（No Framework）”开始？

• 剥离魔法，看清底层 I/O 逻辑：高层框架（如 CrewAI）虽然封装了 ReAct 范式，但往往隐藏了底层逻辑。如果直接使用框架，当 Agent 出现死循环或无法正确调用工具时，你将很难排查问题。
• 极致的调试能力与低成本：不依赖框架意味着你可以精确知道哪一步失败了。此外，纯代码实现避免了框架默认使用的冗余 Context 和昂贵的大模型，让你的 Agent 运行更便宜、更快速。

2. ReAct 模式解析：大模型如何“思考”与“行动”

ReAct 模式的核心在于一个结构化的提示词循环。人类解决问题时，通常是“思考 -> 采取行动 -> 观察结果 -> 继续思考”。ReAct 正是让 LLM 遵循这个过程。

在 ReAct 中，我们将 LLM 的输出严格限制为以下格式：

1. Thought（思考）：大模型表达它的内部推理过程（例如：“我需要计算总和”）。
2. Action（行动）：大模型决定调用的外部工具名称（例如：Calculator）。
3. Action Input（行动输入）：传递给工具的参数，通常是严格的 JSON 格式。
4. Observation（观察）：（这步由我们的代码返回） 工具执行后的结果反馈给大模型。
5. Final Answer（最终答案）：当大模型收集到足够信息后，输出最终结果。

通过这种结构化的自我对话，大模型不再局限于其静态的训练数据，而是可以动态地向互联网、数据库或本地函数寻求帮助。

3. 动手实战：用纯 Python 构建 ReAct Agent

我们将编写一个拥有“计算器”和“天气查询”能力的智能体。

第一步：编写 System Prompt（系统提示词）
这是 Agent 的灵魂。我们需要通过提示词强制 LLM 遵循 ReAct 格式。

SYSTEM_PROMPT = """
你是一个可以解答问题的智能助手。你可以使用以下工具：
1. calculator: 执行数学计算，参数为 {"expression": "数学表达式"}

你必须严格遵循以下格式进行交互：
Thought: 思考你需要做什么
Action: 选择你要使用的工具名称
Action Input: 传递给工具的 JSON 格式参数
Observation: 工具返回的结果（你不要生成这部分，这是由系统提供的）
... (Thought/Action/Action Input/Observation 可以重复多次)
Thought: 我现在知道最终答案了
Final Answer: 回答用户的最终答案
"""

第二步：定义原子工具（Tools）
我们将工具定义为普通的 Python 函数，并用一个字典做路由映射。

def calculator(args):
    # 模拟计算器工具
    return str(eval(args.get("expression")))

# 工具路由映射
tools_mapping = {
    "calculator": calculator
}

第三步：编写 While 循环（Agent Loop）

这是架构的核心：一个不断迭代的控制流。在循环中，大模型生成操作，我们解析并执行操作，将结果（Observation）拼接到上下文中，直到触发 Final Answer。

def run_react_agent(query):
    messages = [{"role": "system", "content": SYSTEM_PROMPT},
                {"role": "user", "content": query}]

    while True: # Agent Loop
        # 1. 调用大模型 (Perceive & Reason)
        response = call_llm(messages)
        messages.append({"role": "assistant", "content": response})

        # 2. 如果包含 Final Answer，则结束循环
        if "Final Answer:" in response:
            print("任务完成！\n", response)
            break

        # 3. 解析 Action 和 Action Input (Plan)
        action_name = extract_action(response)
        action_input = extract_action_input(response)

        # 4. 执行工具 (Act)
        if action_name in tools_mapping:
            tool_func = tools_mapping[action_name]
            observation = tool_func(action_input)
            print(f"[执行工具]: {action_name}({action_input}) -> 结果: {observation}")

            # 5. 将观察结果返回给大模型 (Observe)
            messages.append({"role": "user", "content": f"Observation: {observation}"})
        else:
            messages.append({"role": "user", "content": "Observation: 工具不存在，请重试。"})

当你运行 run_react_agent("35乘以2是多少？") 时，你将亲眼见证大模型逐步推理、调用天气函数、调用计算器函数，最终得出答案的完整过程。

常问问题解答（FAQ）

Q: 为什么纯代码编写的 Agent 比使用框架更好调试？
A: 当你使用纯 Python 编写 while 循环时，你可以清楚地记录每一次大模型调用的确切输入和输出（Thoughts 和 Observations）。而高度封装的框架如果发生工具解析错误，往往只会抛出深层的堆栈异常，难以定位。

Q: ReAct 模式是如何解决 LLM 幻觉问题的？
A: 通过交替进行“推理（Reasoning）”和“行动（Acting）”，LLM 不再需要凭空捏造事实，而是通过调用外部搜索引擎或数据库工具，获取真实的 Observation 作为下一步推理的依据，显著降低了事实性幻觉。

📢 下一篇预告：
在理解了底层的 ReAct I/O 逻辑后，我们将在**《第三篇：利器选择 —— 主流 Agent 框架大比拼与 LangGraph 实战》**中探讨如何为生产环境引入状态管理，并使用现代框架重构我们的智能体。

📦 代码资源

完整代码实现:
🔗 *easyagent