本文深入浅出地介绍了ReAct框架，一种使大型语言模型（LLM）更智能、更实用的设计模式。ReAct通过结合“思考”（Reason）和“行动”（Action），赋予LLM像人类一样的解决问题的能力，使其能够与真实世界互动。文章阐述了ReAct的工作流程、核心优势及实际应用，并提供了代码示例和常见问题解答，帮助读者理解ReAct的原理和价值。

🧠ReAct框架的核心在于“思考+行动”的循环模式，它使LLM能够像人类一样，通过分析问题、调用外部工具、获取信息，逐步解决复杂任务。

🛠️ReAct的工作流程包括精心设计的提示词、向LLM提问、LLM的“思考”与“行动”、调用外部工具并反馈结果的循环，以及LLM给出最终答案。

💡ReAct的核心优势包括分步解决复杂问题、获取实时信息、透明的思考过程和灵活扩展，这些优势使其可以应用于智能客服、数据分析、代码助手等多个场景。

❓ReAct与传统LLM的区别在于，ReAct赋予了LLM“思考”和“行动”的能力，使其能通过调用外部工具解决更广泛、更动态的问题，就像给AI装上了“手脚”。

🚀ReAct可以应用于智能客服、数据分析助手、代码助手和研究助手等多个场景，并且设计清晰、准确的工具描述至关重要，否则可能导致AI无法正确使用工具或产生错误的结果。

从零开始理解ReAct：让AI变得更聪明的魔法

嘿，各位技术爱好者和初学者们！你是否曾好奇，那些强大的大型语言模型（LLM）是如何变得越来越“聪明”，甚至能像人类一样思考和行动的？今天，我们就来揭开LLM“超能力”背后的一个秘密武器——ReAct框架。它能让大语言模型（LLM）变得更加智能和实用。

第一站：什么是Agent智能体？

在深入ReAct之前，我们先来认识一个重要的概念——Agent智能体。你可以把Agent想象成一个拥有“大脑”（LLM）和“四肢”（工具）的机器人。它的目标是完成一项任务，而为了完成这项任务，它会：

思考：利用LLM的大脑来理解问题、规划步骤。行动：调用各种外部工具来获取信息或执行操作。

简单来说，Agent智能体就是一种结合了LLM和外部工具的设计模式，旨在让LLM的能力得到极大的扩展，不再仅仅是一个文本生成器，而是一个能够与真实世界互动、解决实际问题的“智能执行者”。它让LLM变得更聪明，更实用！

第二站：ReAct——“思考”与“行动”的完美结合

现在，我们来聊聊今天的主角——ReAct。ReAct这个名字本身就很有趣，它是“Reason + Action”的缩写，直译过来就是“思考 + 行动”。它是一种将LLM的“思考链”（Reasoning Chain of Thought）与“外部工具调用”（Action Tool Use）相结合的设计模式。

想象一下，当人类遇到一个复杂问题时，我们通常会怎么做？

思考（Reason） ：你会先分析问题，思考解决问题的步骤，可能会在脑海中列出一些需要的信息或工具。行动（Action） ：然后，你会根据思考的结果，去执行一些操作，比如查阅资料、使用计算器、打电话询问等等。

ReAct框架就是让LLM模仿人类的这种思考和行动模式。它不再是简单地一次性给出答案，而是将一个大问题拆分成多个小问题，一步一步地去解决。每一步都包含“思考”和“行动”：

思考：LLM会先“想一想”，分析当前的问题，决定下一步需要做什么，以及可能需要调用什么工具。行动：根据思考的结果，LLM会“动手”，调用一个或多个外部工具来获取信息或执行特定任务。

通过这种循环往复的“思考”和“行动”，LLM就能像一个经验丰富的侦探一样，逐步逼近问题的真相，最终给出准确的答案。

第三站：ReAct工作流程大揭秘

ReAct框架的工作流程可以概括为以下几个核心步骤，它们形成了一个循环，让LLM能够持续地解决问题：

精心设计的Prompt（提示词） ：一切的开始都源于一个“好问题”。我们需要给LLM一个清晰、明确的Prompt，这个Prompt不仅包含我们要解决的问题，还包含了指导LLM如何“思考”和“行动”的规则。比如，我们会告诉它在遇到什么情况时应该调用什么工具，以及如何解读工具返回的结果。

向LLM提问：我们将设计好的Prompt发送给LLM，提出我们的问题。

LLM的“思考”与“行动” ：这是ReAct的核心。LLM接收到问题后，会根据Prompt中设定的步骤进行“思考”。它会分析问题，判断自己需要哪些信息来解决问题，并决定是否需要调用外部工具。如果需要，它会输出一个“行动”指令，指明要调用的工具及其参数。

外部工具的调用与结果反馈（循环） ：

LLM分析并决定工具：根据LLM的“思考”结果，我们（或者说Agent框架）会解析LLM的输出，识别出它想要调用的工具。执行工具并获取数据：我们根据LLM的指令，实际调用对应的外部工具函数（比如搜索工具、计算器工具、数据库查询工具等），并获取工具返回的数据。结果传回LLM：将工具返回的数据，连同LLM之前的“思考过程”，再次作为新的Prompt的一部分，反馈给LLM。这就像是告诉LLM：“你上次思考后调用工具得到了这些信息，现在请你继续思考，下一步该怎么做？”

LLM给出最终答案：这个循环会一直持续，直到LLM认为它已经收集到足够的信息，并且完成了所有必要的“思考”和“行动”，最终它会给出一个完整的、准确的答案。

让我们通过一个具体的例子来理解ReAct是如何工作的。假设用户问："青岛啤酒和贵州茅台的收盘价哪个贵？"

示例：股票价格查询

1. 定义可用的工具

这就像是给AI准备的"工具箱"，每个工具都有详细的说明书，告诉AI什么时候用、怎么用。

 tools = [     {         "name": "get_closing_price",         "description": "使用该工具获取指定股票的收盘价格",         "parameters": {             "type": "object",             "properties": {                 "name": {                     "type": "string",                     "description": "股票名称，例如：贵州茅台，青岛啤酒等",                 },             },             "required": ["name"],         },     } ]

2. AI的思考和行动循环

当AI收到问题后，它会开始这样的循环：

第一轮：

AI思考："我需要获取青岛啤酒和贵州茅台的收盘价才能比较"AI行动：调用get_closing_price工具，参数是"青岛啤酒"系统观察：返回"67.92"

第二轮：

AI思考："我还需要贵州茅台的价格"AI行动：再次调用get_closing_price工具，参数是"贵州茅台"系统观察：返回"1488.21"

第三轮：

AI思考："现在我有了两个价格，可以比较了"AI回答："贵州茅台的收盘价（1488.21元）比青岛啤酒（67.92元）贵很多"

3. 核心代码实现

让我们看看这个魔法是如何在代码中实现的：

 # 主要的对话循环 while True:     # 1. 发送消息给AI     response = send_messages(messages)     response_text = response.choices[0].message.content          # 2. 检查AI是否给出了最终答案     final_answer_match = re.search(r'最终答案:\s*(.*)', response_text)     if final_answer_match:         final_answer = final_answer_match.group(1)         print("最终答案:", final_answer)         break  # 结束对话          # 3. 解析AI想要使用的工具     action_match = re.search(r'Action:\s*(\w+)', response_text)     action_input_match = re.search(r'Action Input:\s*({.*?}|".*?")', response_text)          # 4. 如果AI想使用工具，就帮它执行     if action_match and action_input_match:         tool_name = action_match.group(1)         params = json.loads(action_input_match.group(1))                  if tool_name == "get_closing_price":             result = get_closing_price(params["name"])             # 5. 把工具的结果告诉AI             messages.append({"role": "user", "content": f"观察结果: {result}"})

第四站：ReAct的核心优势与实际应用

ReAct框架的强大之处在于它能够处理各种复杂的任务，其核心优势体现在：

1. 分步解决复杂问题

就像人类解决问题一样，AI不再试图一次性回答所有问题，而是将复杂问题分解为多个简单步骤，逐步攻克。

2. 获取实时信息

AI可以调用外部API获取最新数据，不再局限于训练时的知识，使其能够处理动态变化的现实世界信息。

3. 透明的思考过程

我们可以看到AI的每一步思考、行动和观察，这让整个过程变得可解释、可调试，有助于我们理解AI的决策逻辑。

4. 灵活扩展

想要AI具备新能力？只需要添加新的工具函数即可！这种模块化的设计使得ReAct框架具有极高的可扩展性。

基于这些优势，ReAct可以应用于很多场景：

智能客服：查询订单状态、库存信息，提供个性化服务。数据分析助手：从数据库获取数据并进行分析，生成报告或洞察。代码助手：执行代码、查看文件、调试程序，辅助开发者提高效率。研究助手：搜索最新论文、获取实验数据，加速科研进程。

常见问题解答 (FAQ)

Q1: ReAct和传统的LLM有什么区别？

A1: 传统的LLM更像是一个“知识库”，它主要依赖于其训练数据来生成文本。而ReAct则赋予了LLM“思考”和“行动”的能力，它不仅能利用自身的知识，还能通过调用外部工具来获取实时信息、执行复杂操作，从而解决更广泛、更动态的问题，就像给AI装上了"手脚"。

Q2: ReAct框架的实现难吗？

A2: ReAct的核心思想并不复杂，但实际实现需要一些工程上的工作，包括：

Prompt工程：设计高质量的Prompt来引导LLM的思考和工具调用。工具集成：将各种外部工具封装成LLM可以理解和调用的形式。循环机制：构建一个能够不断将工具结果反馈给LLM的循环。

不过，现在已经有很多开源框架和库（如LangChain、LlamaIndex）提供了对ReAct模式的良好支持，大大降低了实现难度。

Q3: ReAct有什么限制吗？

A3: 主要限制是依赖于工具的质量和AI对工具的理解能力。设计清晰、准确的工具描述至关重要，否则可能导致AI无法正确使用工具或产生错误的结果。

Q4: 我需要什么基础才能理解ReAct？

A4: 基本的Python编程知识就足够了。如果能理解函数调用、JSON格式和正则表达式等概念，将有助于你更好地理解ReAct的实现细节。

Q5: 如何为ReAct添加新工具？

A5: 很简单！只需要：

1）编写工具函数，实现具体的功能；

2）在工具列表中添加工具的描述和参数定义，让LLM知道如何调用它；

3）在主循环中添加工具调用逻辑，将LLM的工具调用指令映射到实际的工具函数执行。

总结：ReAct的价值

ReAct代表了AI发展的一个重要方向：从被动回答到主动思考和行动。它让AI不再是一个"知识库"，而是一个真正的"智能助手"。

对于初学者来说，理解ReAct的核心思想比掌握具体实现更重要：

分解问题：将复杂任务分解为简单步骤，逐个击破。工具思维：为AI提供合适的工具来扩展其能力边界。循环优化：通过持续的思考、行动和观察反馈，不断改进解决问题的过程和结果。

这种思维方式不仅适用于AI开发，在日常工作和学习中也非常有用。当你面对复杂问题时，不妨也试试ReAct的方法：先思考、再行动、观察结果、继续优化！

现在，你是否对ReAct有了更清晰的理解？不妨动手试试，构建你自己的智能助手吧！