本文深入解析了ReAct Agent的核心原理与工程价值，通过Lynxe框架的实战经验，阐述了ReAct Agent如何通过“观察-思考-行动”的循环模式解决复杂任务。文章详细介绍了ReAct Agent的关键要素，包括历史上下文、当前环境信息、语言模型、工具/动作和观察结果，并通过伪代码展示了其执行流程。ReAct Agent的优势在于其灵活性，能够根据实际情况动态调整策略，适用于处理不确定的任务。对于想要快速掌握智能体开发开发者的来说，本文提供了宝贵的实践指导。

---

系列计划

• 什么是 ReAct Agent？ (本篇)

• 深入了解智能体工作流核心：Agent vs 传统编程 vs Workflow 的本质区别

• 深入解析Function Calling、MCP和Skills的本质差异与最佳实践

• 上下文管理的一些实践

• 并行执行的最佳实践与我走过的弯路

核心思想：观察-思考-行动

ReAct 这个名字听起来挺高大上，其实拆开看就明白了：Reasoning（推理）+ Acting（行动）。说白了，就是让 AI 一边想一边做，而不是想完了再做。

ReAct Agent 的工作方式其实挺像人类解决问题的过程。它不是一次性把整个流程都规划好，而是在有一个整体目标的前提下，走一步看一步。具体来说，它会先观察当前的情况，然后思考下一步该做什么，接着执行这个动作，再观察结果，根据结果决定下一步。这个过程会一直循环，直到任务完成。

打个比方，传统的方式就像你出门前把整个路线都查好，然后严格按照路线走。而 ReAct 更像是你出门后，走一段路，看看周围环境，再决定下一步往哪走。比如你要去一个没去过的咖啡店，传统方式是你提前查好所有路线，ReAct 则是你走到路口，看看路牌，再决定左转还是右转，边走边找。

实际例子

再举个更具体的例子。假设你要让 AI 帮你查"北京今天天气怎么样，适合穿什么衣服"。用 ReAct 的方式，AI 会这样工作：

1.观察：看到用户的问题，历史上下文为空

2.思考：“我需要知道北京今天的天气”（思考是可选输出,就跟人的思考是内化发生的一样）

3.行动：调用天气查询工具，查询 “北京今天天气”

4.观察：获取到天气数据：温度 25°C，晴天，湿度 60%，风速 3m/s

5.思考：“现在我知道天气了，需要查询穿衣建议知识库来获取具体的穿衣建议”（思考是可选输出）

6.行动：调用穿衣建议知识库查询工具，查询 “25度晴天适合穿什么衣服”

7.观察：获取到穿衣建议：25度晴天建议穿短袖 T 恤或薄长袖，可以带一件薄外套以防早晚温差，建议戴帽子和涂防晒霜

8.思考：“我已经获取了天气和穿衣建议，应该将这些信息写入文件保存”（思考是可选输出）

9.行动：调用 writeToFile 工具，将完整建议写入文件

10.观察：建议已写入到文件 weather_suggestion.md

整个过程是观察-思考-行动-再观察的循环，而不是一开始就把所有步骤都定死。每一步都会根据当前的历史上下文和环境信息，动态决定下一步该做什么。

为什么需要 ReAct？

你可能会问，为什么要这么麻烦？直接写个固定流程不就行了吗？问题在于，很多现实任务其实没那么简单。你可能会遇到各种意外情况，比如 API 返回错误、数据格式不对、或者需要根据中间结果调整策略。ReAct 的优势就在于它能根据实际情况灵活应对，而不是遇到意外就卡住。

当然，这种灵活性也带来了一些代价，比如行为可能不那么可预测，有时候 AI 可能会"犯傻"。但总的来说，在处理复杂、不确定的任务时，ReAct 这种边想边做的方式还是很有优势的。

ReAct 是怎么实现的？

关键要素

ReAct 的实现其实离不开几个关键要素：

1. 历史上下文（History）ReAct 会维护一个对话历史，记录之前所有的思考、行动和观察。这样 LLM 在做决策时，可以参考之前发生了什么，避免重复操作或者走错路。

2. 观察当前环境信息（Current Environment Information）这是 Agent 在当前时刻接收到的外部信息，比如用户的输入、系统的状态、或者其他需要处理的数据。这些信息会作为 LLM 推理的输入，帮助决定下一步该做什么。

3. 语言模型（LLM Thinking）这是 ReAct 的"大脑"，负责推理和决策。每次需要思考下一步该做什么时，LLM 会根据当前的历史上下文、环境信息和观察结果，生成下一步的行动计划。（后续表格里这个think是隐藏的，最终表现形式就是toolcall）

4. 工具/动作（toolcall）这是 ReAct 的"手脚"，用来执行具体的操作。比如搜索、查询 API、读写文件等等。每个工具都有明确的输入输出，Agent 可以调用这些工具来完成实际工作。

5. 观察结果（toolcall结果）每次执行动作后，都会得到一个观察结果。这个结果会被反馈给 LLM，作为下一轮推理的依据。观察结果可能包括成功的数据、错误信息、或者需要进一步处理的内容。

执行流程示例

下面用一个完整的例子，看看 ReAct 是怎么一步步解决问题的。假设任务是：“帮我查一下北京今天天气怎么样，适合穿什么衣服。”

轮次	历史上下文	当前环境信息	当前轮次提示词	行动(toolcall)	观察结果(toolcall结果)
Round 1	无	空	已知： 当前历史上下文：&{历史上下文} 当前环境信息：&{当前环境信息} 用户目标：“帮我查一下北京今天天气怎么样，适合穿什么衣服。” 做出下一步的决策 . 你必须最少使用一个工具来实现该决策	天气查询工具调用：查询 “北京今天天气”	天气查询工具返回：获取到天气数据：温度 25°C，晴天，湿度 60%，风速 3m/s
Round 2	已获取北京天气数据（25°C，晴天，湿度 60%，风速 3m/s）	天气工具：无额外环境信息	同上，提示词不会变化	穿衣建议知识库查询工具调用：查询 “25度晴天适合穿什么衣服”	穿衣建议知识库查询工具返回：25度晴天建议穿短袖 T 恤或薄长袖，可以带一件薄外套以防早晚温差，建议戴帽子和涂防晒霜
Round 3	天气数据（25°C，晴天，湿度 60%，风速 3m/s）；已获取穿衣建议：25度晴天建议穿短袖 T 恤或薄长袖，可以带一件薄外套以防早晚温差，建议戴帽子和涂防晒霜	天气工具：无额外环境信息、穿衣知识库工具：无额外环境信息	同上，提示词不会变化	writeToFile工具调用：内容为"北京今天天气：25°C，晴天，湿度 60%。建议穿短袖 T 恤或薄长袖，可以带一件薄外套以防早晚温差，建议戴帽子和涂防晒霜"	writeToFile工具返回：建议已写入到文件 weather_suggestion.md

从这里我们也可能看到，核心其实就是

已知：

当前历史上下文：&{历史上下文}

当前环境信息：&{当前环境信息}

用户目标：“帮我查一下北京今天天气怎么样，适合穿什么衣服。”

做出下一步的决策：

你必须最少使用一个工具来实现该决策。

最终输出：建议已经写入到文件 weather_suggestion.md，你可以通过打开这个文件来看到具体建议。

从这个例子可以看出，ReAct 不是一开始就知道所有步骤，而是根据每轮的观察结果，动态决定下一步该做什么。如果 Round 1 搜索失败了，它可能会尝试其他搜索关键词，或者换一个策略。这种灵活性正是 ReAct 的核心优势。

伪代码

下面是一个 round 的执行流程伪代码，展示了核心的执行逻辑：

函数 执行一个轮次(用户目标, 历史上下文):
// 1. 获取当前环境信息
当前环境信息 = 获取当前环境信息()
// 2. 构建提示词（替换占位符）
提示词模板 = "已知：\n当前历史上下文：${历史上下文}\n当前环境信息：${当前环境信息}\n用户目标：\"${用户目标}\"\n\n做出下一步的决策\n\n你必须最少使用一个工具来实现该决策"
完整提示词 = 替换占位符(提示词模板, {
历史上下文: 历史上下文,
当前环境信息: 当前环境信息,
用户目标: 用户目标
})
// 3. 调用 LLM 进行推理（思考过程隐藏，直接输出 toolcall）
工具调用结果 = 调用语言模型(完整提示词, 历史上下文)
// 4. 解析工具调用
工具名称 = 解析工具名称(工具调用结果)
工具参数 = 解析工具参数(工具调用结果)
// 5. 执行工具调用
观察结果 = 执行工具(工具名称, 工具参数)
// 6. 更新历史上下文
新历史上下文 = 追加到历史上下文(历史上下文, {
行动: 工具调用结果,
观察结果: 观察结果
})
// 7. 返回结果
返回 {
观察结果: 观察结果,
新历史上下文: 新历史上下文
}
结束函数
// 主循环
函数 执行ReAct流程(用户目标):
历史上下文 = 空
当前轮次 = 1
最大轮次 = 10
当 当前轮次 <= 最大轮次 且 未完成任务:
结果 = 执行一个轮次(用户目标, 历史上下文)
历史上下文 = 结果.新历史上下文
如果 判断任务已完成(结果.观察结果):
中断循环
当前轮次 = 当前轮次 + 1
结束循环
返回 历史上下文
结束函数

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2026最新大模型全套学习资源》，包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题、AI产品经理入门到精通等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】