ReAct Agent 解析

Lumi--

218人浏览 · 2026-08-07 15:22:32

Lumi-- · 2026-08-07 15:22:32 发布

ReAct Agent 解析

摘要：ReAct 是当前 AI Agent 最核心的基础范式，几乎所有工具调用、自主决策的智能体框架（LangChain、LlamaIndex、AutoGen）底层都基于该思想。本文从设计初衷、核心原理、执行闭环、与CoT/Function Calling差异、实战代码、落地痛点全方位讲解，难度适中，适合开发者入门进阶与工程落地参考。

一、前言：为什么需要 ReAct 范式？

大语言模型（LLM）具备强大的文本理解与逻辑推理能力，但原生模型存在两个致命工程短板：

1. 知识静态化：训练数据截止后，无法获取实时信息，极易产生幻觉；

2. 无行动能力：仅能完成文本生成，无法主动调用外部工具、处理多步骤复杂任务、无法与真实世界交互。

传统的 CoT（思维链）仅能在模型内部完成逻辑拆解，属于「纯推理、无执行」的空想模式，面对需要实时数据、多步骤迭代、外部校验的场景完全乏力。

2022 年 Google 提出的 ReAct（Reasoning + Acting） 范式，完美解决了这一问题：将大模型的推理能力与外部工具执行能力结合，通过循环迭代完成复杂任务，这也是所有智能体能够自主干活的底层核心逻辑。

二、ReAct 核心原理：推理与行动双闭环

2.1 核心定义

ReAct 由两个核心能力组成：

Reasoning（推理思考）：模型基于当前上下文判断信息是否充足、分析缺失信息、决策下一步行动方案；
Acting（工具行动）：根据推理结果调用外部工具（搜索、计算、API、数据库等），获取真实观测数据。

区别于单次生成的大模型，ReAct 是一套可迭代、可闭环、可纠错的状态循环机制。

2.2 标准执行流程（工业级通用闭环）

所有 ReAct 智能体严格遵循 O-T-A 循环，迭代至任务终止：

Observation（观测） → Thought（推理） → Action（执行） → Observation（新观测）

Observation 观测：接收用户问题、历史对话、上一轮工具返回结果，整合为当前完整上下文；
Thought 推理：模型自主分析任务进度，判断信息是否足够，规划下一步工具调用策略；
Action 执行：调用指定外部工具，传入对应参数，获取真实世界数据；
循环迭代：工具结果作为新观测输入，重复上述流程，直至信息充足，输出最终答案并终止循环。

该流程完全模拟人类解决复杂问题的思路：审题思考→动手查证→复盘信息→得出结论。

三、关键对比：ReAct vs CoT vs Function Calling

很多开发者容易混淆三种主流能力，这里做精准工程级区分，帮大家理清落地场景差异：

3.1 CoT（思维链）

仅在模型内部完成逻辑拆解，无任何外部工具调用，全程依赖模型固有知识，适合简单数学推理、文本总结，无法解决实时性、知识性问题，极易产生幻觉。

3.2 Function Calling（函数调用）

侧重单次精准工具调用，模型解析参数、调用工具、单次返回结果，缺少自主迭代思考能力，不擅长多步骤嵌套任务，无法自主判断是否需要二次调用。

3.3 ReAct 范式

兼容函数调用能力，核心优势是自主迭代决策。模型可以根据工具返回结果，自主判断是否继续调用工具、更换工具、补充查询，天然适配多步骤复杂任务，可解释性更强，每一步思考与行动均可追溯。

落地结论：简单单工具场景用 Function Calling，简单推理场景用 CoT，复杂自动化智能体场景必须用 ReAct。

四、极简工程实战：原生 ReAct 实现（无重型框架）

为了透彻理解底层逻辑，本文不使用 LangChain、LlamaIndex 封装，手写一套轻量化、可调试、标准 ReAct 闭环代码，适配开源模型与闭源模型，可直接二次开发。

核心设计：自定义结构化 Prompt + 循环解析 + 工具调度 + 终止判断

import re

# 模拟外部工具集合
class ToolKit:
    @staticmethod
    def search(query: str) -> str:
        """模拟联网搜索工具"""
        if "2026新能源销量" in query:
            return "2026年上半年国内新能源汽车销量前三：比亚迪、特斯拉、吉利，比亚迪市占率38.7%"
        return "暂无相关公开数据"

    @staticmethod
    def calculator(expr: str) -> str:
        """模拟计算工具"""
        try:
            return f"计算结果：{eval(expr)}"
        except:
            return "表达式错误，计算失败"

# ReAct 系统提示词（规范模型输出格式）
SYSTEM_PROMPT = """
你是具备思考与行动能力的ReAct智能体，请严格按照固定格式输出：
1. 信息充足可直接回答：输出 FinalAnswer: 你的最终答案
2. 信息不足需要工具调用：输出严格如下格式
Thought: 你的推理分析过程
Action: 工具名称【search/calculator】
ActionInput: 工具入参

禁止自由发挥格式，禁止多余输出！
"""

class SimpleReActAgent:
    def __init__(self):
        self.tool = ToolKit()
        self.max_iter = 5  # 最大迭代次数，防止死循环

    def parse_response(self, resp: str):
        """解析模型返回的思考、行动指令"""
        final_pattern = r"FinalAnswer:(.*)"
        thought_pattern = r"Thought:(.*?)\nAction:"
        action_pattern = r"Action:(.*?)\nActionInput:"
        input_pattern = r"ActionInput:(.*)"

        final_res = re.search(final_pattern, resp)
        if final_res:
            return {"type": "final", "content": final_res.group(1).strip()}
        
        thought = re.search(thought_pattern, resp, re.S)
        action = re.search(action_pattern, resp, re.S)
        input_val = re.search(input_pattern, resp, re.S)

        return {
            "type": "tool",
            "thought": thought.group(1).strip() if thought else "",
            "action": action.group(1).strip() if action else "",
            "input": input_val.group(1).strip() if input_val else ""
        }

    def call_tool(self, action_name, input_val):
        """工具调度"""
        if action_name == "search":
            return self.tool.search(input_val)
        elif action_name == "calculator":
            return self.tool.calculator(input_val)
        return "未知工具"

    def run(self, user_query: str, llm_func):
        """
        核心ReAct循环
        :param user_query: 用户问题
        :param llm_func: 大模型调用函数
        :return: 最终答案
        """
        context = user_query
        for i in range(self.max_iter):
            # 1. 模型推理决策
            prompt = SYSTEM_PROMPT + f"\n用户问题：{context}"
            resp = llm_func(prompt)
            parse_res = self.parse_response(resp)

            # 终止条件：得到最终答案
            if parse_res["type"] == "final":
                return parse_res["content"]
            
            # 2. 执行工具动作
            print(f"【迭代{i+1} 思考】：{parse_res['thought']}")
            print(f"【执行工具】：{parse_res['action']}")
            obs = self.call_tool(parse_res["action"], parse_res["input"])
            print(f"【工具返回】：{obs}\n")

            # 3. 更新观测，进入下一轮循环
            context = f"历史问题：{user_query}\n上一轮思考：{parse_res['thought']}\n工具结果：{obs}"
        
        return "迭代次数耗尽，任务执行终止"