目录

一、什么是 ReAct？

二、ReAct 的核心工作原理

1. 核心流程拆解

2. 直观流程图

三、与 CoT（思维链）的本质区别

四、ReAct Prompt 模板示例

五、工程实现要点

---

在大语言模型（LLM）的发展浪潮中，如何让模型从 “被动回答” 升级为 “主动解决问题”，成为了构建下一代 AI 智能体的核心挑战。ReAct（Reasoning and Acting）框架正是这一方向的关键突破，它通过融合推理与行动，让大模型能够像人类一样 “边思考边行动”，高效解决复杂任务。

---

一、什么是 ReAct？

ReAct 是Reasoning and Acting的缩写，是一种基于大语言模型的智能体框架。它的核心思想是让模型在生成回答时，交替输出 “思考” 和 “行动” 步骤，通过与外部环境的动态交互，逐步逼近并完成复杂任务。

与传统 LLM“输入→直接输出” 的黑盒模式不同，ReAct 打破了这一限制，让模型能够：

• 主动规划下一步行动
• 调用外部工具获取实时信息
• 根据反馈调整策略
• 最终输出可靠答案

二、ReAct 的核心工作原理

ReAct 的本质是一个 **“思考→行动→观察” 的迭代闭环 **，这个循环会不断重复，直到任务完成或满足终止条件。

1. 核心流程拆解

• 思考（Thought）模型首先通过自然语言生成思考过程，明确当前任务状态、是否需要工具、需要什么工具、以及输入什么参数。这一步相当于人类的 “决策规划”。

• 行动（Action）根据上一步的思考，模型选择并执行具体操作，例如调用搜索引擎、请求 API、与环境交互等，并输出结构化的指令。

• 观察（Observation）行动执行后，系统将返回的结果（如 API 响应、搜索结果）反馈给模型，这一步称为 “观察”，为下一步思考提供新的信息。

• 循环迭代模型将 “观察” 结果附加到上下文中，在新的上下文中继续 “思考→行动→观察” 的循环，直到判断任务完成，输出最终答案。

2. 直观流程图

（图来自面试鸭）

三、与 CoT（思维链）的本质区别

ReAct 和 CoT（Chain-of-Thought，思维链）都是增强 LLM 推理能力的重要技术，但它们的核心定位和能力边界截然不同：

特性	ReAct	CoT
核心定位	融合推理与行动，强调与外部环境交互	专注于内部推理过程，不依赖外部交互
行动能力	支持调用工具、API、搜索引擎等外部能力	仅在模型内部进行推理，无外部行动
信息来源	可获取实时、动态的外部信息	仅依赖模型训练时的静态知识
适用场景	信息检索、复杂决策、任务自动化等需要外部交互的任务	数学计算、逻辑推理、文本生成等纯推理任务
可解释性	高，思考和行动步骤清晰可见	中，推理过程可见，但缺乏行动反馈

简单来说，CoT 让模型 “想得多”，而 ReAct 让模型 “做得多”。

---

四、ReAct Prompt 模板示例

要让 LLM 遵循 ReAct 框架，需要精心设计 Prompt，明确告知模型 “思考→行动→观察” 的规则。以下是一个通用的 Prompt 模板示例：

你是一个强大的AI助手，现在你需要解决用户的问题。请严格按照以下步骤进行：

1. **思考（Thought）**：分析当前问题，明确你需要做什么，是否需要调用工具，以及调用什么工具。
2. **行动（Action）**：根据思考，调用指定的工具，并输出工具名称和参数。
   - 可用工具：
     - search: 用于网络搜索，参数为query（字符串）
     - calculate: 用于数学计算，参数为expression（字符串）
3. **观察（Observation）**：等待工具返回结果，然后根据结果继续思考。
4. 重复步骤1-3，直到你可以直接回答用户的问题。

用户问题：{用户问题}

当模型接收到这个 Prompt 后，就会生成类似以下的输出：

Thought: 用户想知道2026年3月4日北京的天气，我需要调用search工具查询实时天气信息。
Action: search("2026年3月4日北京天气")
Observation: 北京，2026-03-04，晴，-2°C~8°C，北风3-4级
Thought: 我已经获取到了北京明天的天气信息，可以直接回答用户了。
Final Answer: 北京明天（2026-03-04）天气晴，气温-2°C~8°C，北风3-4级。

其实也有更直观的，比如现在AI IDE不是很火麻，像trae给你写代码的过程其实也是符合ReAct的

五、工程实现要点

在实际工程中落地 ReAct 框架，需要关注以下几个关键要点：

• 工具封装与标准化

  • 对所有外部工具（API、数据库、搜索引擎等）进行统一封装，提供标准化的调用接口和参数格式。
  • 明确每个工具的功能、输入输出、错误码，便于模型理解和使用。

• 记忆与上下文管理

  • 维护一个历史对话缓冲区，存储所有的 “思考→行动→观察” 记录，作为模型的短期记忆。
  • 当上下文过长时，采用摘要、过滤等策略进行压缩，避免超出模型的上下文窗口限制。

• 终止条件与循环控制

  • 设定明确的终止条件，例如：模型输出 “Final Answer”、达到最大迭代次数、或连续多次行动失败。
  • 实现循环不收敛的兜底策略，如强制终止并提示用户 “任务无法完成”。

• 错误处理与自我修正

  • 当工具调用失败或返回异常结果时，模型应能识别错误，并在 “思考” 阶段调整策略，重新尝试。
  • 对常见错误（如参数错误、网络超时）进行预定义，引导模型进行针对性修正。

如果是从0实现并且想了解原理的可以参考一个类似的项目：OpenManus，在Github就可以搜到，里面的设计实现都很精妙。

如果是用于快速开始可以直接使用SpringAI alibaba的Agent的框架，开箱即用

Agents | Spring AI Alibabahttps://java2ai.com/docs/frameworks/agent-framework/tutorials/agents

感兴趣的宝子可以关注一波，后续会更新更多有用的知识！！！