ReAct模式详解：让大模型具备推理与行动能力，建议收藏学习

ReAct是一种将推理与行动结合在语言模型中的范式，通过Thought-Action-Observation(TAO)闭环机制实现模型与外部环境交互。该范式可减少幻觉、提高准确性和可解释性，适用于复杂决策环境、知识更新需求等场景。文章详细介绍了ReAct的背景、变体、功能、适用场景及实施方法，并通过代码示例展示如何使用LangChain框架实现ReAct代理，帮助开发者构建智能应用系统。

IT猫仔

543人浏览 · 2026-01-29 19:02:37

IT猫仔 · 2026-01-29 19:02:37 发布

前排提示，文末有大模型AGI-CSDN独家资料包哦！

大家好，我是爱学习的cc。会不断更新数智化的场景应用来沉淀数智化相关知识，欢迎大家一起沟通进步。

最近刷到ReAct相关的文章，看了看觉得其中的思想有点触发，虽然不是一个新概念，对我学习过程算是新知识，于是探查学习记录一下，并思考在工作中如何应用。应用不仅仅是工具技能，我深刻体会的有时方法思想是可以跨领域的。

ReAct范式的背景

大型语言模型的发展经历了从静态生成到动态交互的演进。早期模型擅长文本生成和简单推理，但面临幻觉问题和外部交互缺失的局限。2022年前，链式思考等方法提升了推理能力，却缺乏行动验证机制。ReAct范式于2022年由普林斯顿大学和谷歌研究团队发表的论文《REACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELS.pdf》中提出，受人类决策过程启发，将抽象思考与具体行动融合。该框架的背景在于桥接模型内部知识与外部环境的鸿沟，推动AI从被动响应向自主代理转型。根据原论文，该范式在实验中证明了其在多跳问答和决策任务中的优越性，标志着agentic AI的早期里程碑。到2026年，ReAct已成为LangChain等框架的核心组件，广泛应用于工业自动化和知识检索领域。

ReAct范式的变体与发展

自2022年提出以来，ReAct范式已演变为多种变体，以适应多样化应用场景。这些发展主要聚焦于提升鲁棒性、效率和扩展性，特别是在2023-2026年间，受agentic AI趋势驱动。

• Reflexion (2023)：引入自我反思机制，代理评估先前行动结果并优化后续步骤。该变体适用于长期任务，提升错误修正能力，并在决策环境中优于原ReAct。
• ReWOO：优化工具调用流程，分离规划与执行，减少不必要迭代，提高计算效率。适合资源受限的应用，如移动代理。
• 多代理协作变体：扩展ReAct至多代理系统，例如CrewAI框架中，代理分工执行TAO循环，实现复杂协作任务。此发展于2024-2025年间流行，推动分布式AI系统。
• Auto-GPT式自主代理 (2023)：基于ReAct循环，实现任务分解与自主规划，常用于无监督环境，如自动化研究。
• LangGraph集成 (2024-2026)：在LangGraph框架中，ReAct变体支持状态图和高级控制流，允许自定义循环和条件分支，提升可控性。
• Focused ReAct和REBACT (2024-2025)：这些变体优化上下文保持和错误处理，适用于高风险场景，如实时监控。

这些变体根据应用需求定制，例如Reflexion用于反思密集任务，而多代理变体适用于协作环境。到2026年，ReAct发展融入agentic AI主流，推动从单一代理向生态系统的转型。

ReAct范式的功能与作用

ReAct范式的主要功能在于实现推理与行动的协同，通过Thought-Action-Observation (TAO) 闭环机制处理复杂任务。其核心功能包括：

• 推理生成：模型产生自然语言轨迹，用于问题分解和规划，提升决策的可解释性。
• 行动执行：标准化调用外部工具，如API或数据库，获取真实数据以验证推理。
• 观察反馈：处理行动结果，更新循环以修正错误，实现自适应学习。

这些功能的作用体现在多个方面：首先，减少幻觉和错误传播，提高任务准确率；其次，提升模型的鲁棒性，能处理不确定性和异常；最后，促进可扩展性，支持多模态集成。在实际作用上，ReAct将语言模型转化为智能代理，适用于需要环境交互的场景，如实时监测系统。该范式的作用还延伸到伦理层面，通过外显轨迹增强透明度，降低黑箱风险。

ReAct范式的使用时机

ReAct范式适用于大型语言模型需与外部环境交互的场景，而非纯内部推理任务。具体时机包括：

• 复杂决策环境：当任务涉及多步规划和反馈验证时，如模拟交互或多跳问答，避免纯链式思考的孤立局限。
• 知识更新需求：模型内部知识过时时，通过行动查询外部源补充信息。
• 高风险应用：在需要可解释性和鲁棒性的领域，如工业安全监测，ReAct的闭环机制可减少错误后果。
• 少样本学习：新任务中，仅需few-shot提示即可泛化，而非依赖大规模训练。

不适用于简单文本生成或无需外部数据的任务，以避免不必要的计算开销。

ReAct范式的实施方法

ReAct的实施依赖提示工程和工具集成，无需模型微调，适合应用现有大型语言模型的开发者。步骤如下：

• 准备阶段：选择支持提示的模型，定义行动空间。
• 提示设计：构建few-shot示例，包括TAO序列模板，引导模型生成轨迹。
• 循环执行：迭代生成Thought，执行Action，注入Observation，直至任务完成或达上限。
• 工具集成：使用框架如LangChain定义自定义工具，确保行动与外部接口无缝连接。

例如，在Python环境中，可通过LangChain实现：

import pandas as pdfrom langchain_openai import ChatOpenAIfrom langchain.agents import create_react_agent, AgentExecutorfrom langchain import hubfrom langchain.tools import Tool# ================= 配置区域 =================# 替换为你的 DeepSeek API KeyAPI_KEY = "YOUR_DEEPSEEK_API_KEY"# DeepSeek 的 Base URLBASE_URL = "https://api.deepseek.com"# ================= 1. 准备阶段：模拟数据 =================defcreate_mock_gas_data():    """创建模拟的燃气使用数据"""    data = {        'user_id': [f'user_{i}'for i inrange(1, 11)],        'user_type': ['居民', '商业', '工业', '居民', '商业',                       '工业', '居民', '居民', '商业', '工业'],        'date': ['2023-10-01', '2023-10-01', '2023-10-01',                  '2023-10-02', '2023-10-02', '2023-10-02',                 '2023-10-03', '2023-10-03', '2023-10-03', '2023-10-03'],        'usage_cubic_meters': [15.5, 120.0, 450.2, 14.2, 115.5,                                460.1, 16.0, 15.8, 118.0, 455.0]    }    return pd.DataFrame(data)# 初始化数据gas_df = create_mock_gas_data()# ================= 2. 工具定义 =================# 定义具体的业务逻辑函数defcalculate_average_usage(user_type: str) -> str:    """计算指定类型用户的平均用气量。参数 user_type: 居民/商业/工业"""    try:        if user_type:            filtered_df = gas_df[gas_df['user_type'] == user_type]            if filtered_df.empty:                returnf"未找到类型为 {user_type} 的用户数据。"            avg_usage = filtered_df['usage_cubic_meters'].mean()            returnf"{user_type}用户的平均用气量为: {avg_usage:.2f} 立方米"        else:            avg_usage = gas_df['usage_cubic_meters'].mean()            returnf"所有用户的平均用气量为: {avg_usage:.2f} 立方米"    except Exception as e:        returnf"计算平均用气量时出错: {str(e)}"defget_max_usage_record(_) -> str:    """获取单次用气量最高的记录。不需要参数"""    try:        max_row = gas_df.loc[gas_df['usage_cubic_meters'].idxmax()]        return (f"单次最高用气记录：用户ID {max_row['user_id']}, "                f"类型 {max_row['user_type']}, "                f"日期 {max_row['date']}, "                f"用量 {max_row['usage_cubic_meters']} 立方米")    except Exception as e:        returnf"获取最高用气记录时出错: {str(e)}"defcount_users_by_type(_) -> str:    """统计各类用户的数量。不需要参数"""    try:        counts = gas_df['user_type'].value_counts().to_dict()        # 格式化输出字符串        result_str = ", ".join([f"{k}: {v}户"for k, v in counts.items()])        returnf"用户类型统计: {result_str}"    except Exception as e:        returnf"统计用户数量时出错: {str(e)}"# 将函数包装成 LangChain 的 Tool 对象tools = [    Tool(        name="AvgUsage",        func=calculate_average_usage,        description="计算指定类型用户（如居民、商业、工业）的平均用气量。输入应为用户类型字符串。"    ),    Tool(        name="MaxUsage",        func=get_max_usage_record,        description="获取系统中单次用气量最高的那条记录。不需要输入参数。"    ),    Tool(        name="UserStats",        func=count_users_by_type,        description="统计系统中不同类型用户的数量。不需要输入参数。"    )]# ================= 3. 模型初始化 =================# 初始化 DeepSeek 模型llm = ChatOpenAI(    model="deepseek-chat",    temperature=0,    api_key=API_KEY,    base_url=BASE_URL)# ================= 4. 提示词设计 =================# 从 LangChain Hub 拉取标准的 ReAct 提示词模板# 这一步会联网下载 prompt，如果网络不通，可以使用下面的本地 prompt 备选方案try:    prompt = hub.pull("hwchase17/react")    print("成功从 Hub 加载 ReAct Prompt。")except Exception as e:    print(f"Hub 连接失败 ({e})，使用本地默认 Prompt。")    from langchain_core.prompts import PromptTemplate    template = """Answer the following questions as best you can. You have access to the following tools:{tools}Use the following format:Question: the input question you must answerThought: you should always think about what to doAction: the action to take, should be one of [{tool_names}]Action Input: the input to the actionObservation: the result of the action... (this Thought/Action/Action Input/Observation can repeat N times)Thought: I now know the final answerFinal Answer: the final answer to the original input questionBegin!Question: {input}Thought:{agent_scratchpad}"""    prompt = PromptTemplate.from_template(template)# ================= 5. 创建 Agent 并执行 =================# 创建 ReAct Agentagent = create_react_agent(llm, tools, prompt)# 创建 AgentExecutor，这是实际运行 Agent 的循环控制器agent_executor = AgentExecutor(    agent=agent,     tools=tools,     verbose=True,  # 设置为 True 可以在控制台看到详细的思考过程    handle_parsing_errors=True, # 自动处理解析错误    max_iterations=5# 限制最大思考步数，防止死循环)if __name__ == "__main__":    print("="*50)    print("燃气数据分析智能体已启动 (基于 LangChain + DeepSeek)")    print("="*50)    # 测试问题 1：单步工具调用    query1 = "工业用户的平均用气量是多少？"    print(f"\n用户提问: {query1}\n")    response1 = agent_executor.invoke({"input": query1})    print(f"\n最终回答: {response1['output']}")    print("\n" + "="*50 + "\n")    # 测试问题 2：多步推理    # 这个问题需要先统计用户类型，或者先看最高记录，取决于模型如何理解    query2 = "请分析一下我们的数据，告诉我哪种类型的用户单次用气量最高？"    print(f"\n用户提问: {query2}\n")    response2 = agent_executor.invoke({"input": query2})    print(f"\n最终回答: {response2['output']}")

输出结果：

代码说明：

1、Tool 类：

• 我们将普通的 Python 函数（如 calculate_average_usage）封装成了 Tool 对象。
• description 参数非常重要。ReAct 模式下，模型完全依赖这个描述来决定何时调用该工具。描述越清晰，模型表现越好。
2、hub.pull(“hwchase17/react”)：
• 这是 LangChain 社区维护的标准 ReAct 提示词模板。它包含了 “Question:”, “Thought:”, “Action:” 等格式指令。
• 代码中加入了 try-except，如果你的本地环境无法连接 LangChain Hub，它会自动切换到内置的 Prompt 模板，保证代码可运行。
3、AgentExecutor：
• 这是 LangChain 的核心引擎。它负责执行 Thought -> Action -> Observation 的循环。
• verbose=True：这是体验 ReAct 的关键。开启后，你会在终端看到模型每一步的“思考”和“行动”，而不仅仅是最终结果。
• handle_parsing_errors=True：如果模型输出的格式不对（比如 DeepSeek 没有严格按照 “Action: …” 输出），Executor 会尝试自动修正或重试，而不是直接报错崩溃。

注：代码是ai生成，提高了生成力，所以简单把对应的代码核心内容也附加说明，这一方法强调外部实施，门槛较低，便于燃气智能体开发，这里案例是写的和我行业相关的燃气，其他场景也都是可以适用，重要的是思想。