ReAct 模式详解

ReAct（Reasoning + Acting）是一种让 AI Agent 结合推理和行动的框架。它由 Google Research 提出，旨在解决大模型在复杂任务中的局限性。

为什么需要 ReAct

传统大模型的局限：

• 纯推理：只能"想"，不能"做"
• 知识过时：训练数据有截止日期
• 无法行动：无法获取实时信息或操作外部系统

ReAct 让模型能够：

• 在推理过程中主动调用工具
• 将思考过程外化（让人类可见）
• 边想边做，动态调整策略

ReAct 的核心思想

思考（Reasoning）→ 行动（Action）→ 观察（Observation）→ 思考（Reasoning）...

三个关键要素

1. Thought（思考）：分析当前情况，决定下一步
2. Action（行动）：执行具体操作（如调用工具）
3. Observation（观察）：获取行动结果，供下一步使用

工作流程图

用户问题
    ↓
思考：这个问题需要什么信息？
    ↓
行动：调用搜索工具
    ↓
观察：获取搜索结果
    ↓
思考：结果中有哪些有用信息？
    ↓
行动：继续搜索或直接回答
    ↓
...
最终答案

代码实现

基础 ReAct Agent

from openai import OpenAI

client = OpenAI()

def react_agent(query, tools):
    """ReAct 循环"""
    context = [{"role": "user", "content": query}]

    max_iterations = 10
    for _ in range(max_iterations):
        # 1. 让模型思考并决定行动
        response = client.chat.completions.create(
            model="gpt-4",
            messages=context + [
                {"role": "system", "content": """你是一个 ReAct Agent。
对于用户问题，你需要：
1. Think: 分析问题，思考需要什么信息
2. Act: 如果需要外部信息，使用工具获取
3. 格式：先写 Think，再写 Action（如果需要）

可用工具：""" + ", ".join(tools.keys())}
            ]
        )

        assistant_msg = response.choices[0].message.content
        context.append({"role": "assistant", "content": assistant_msg})

        # 2. 解析行动
        action = parse_action(assistant_msg)
        if action is None:
            # 没有行动，说明已有答案
            return assistant_msg

        # 3. 执行行动
        tool_name, tool_input = action
        result = tools[tool_name](tool_input)

        # 4. 添加观察结果
        context.append({"role": "user", "content": f"观察结果：{result}"})

    return "达到最大迭代次数"

LangChain 实现

from langchain_openai import ChatOpenAI
from langchain.agents import AgentType, create_react_agent
from langchain.tools import Tool
from langchain import hub

# 定义工具
def search(query):
    # 搜索逻辑
    return f"搜索结果：{query}"

tools = [
    Tool.from_function(
        func=search,
        name="search",
        description="当你需要搜索信息时使用"
    )
]

# 创建 ReAct Agent
llm = ChatOpenAI(model="gpt-4")
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, tools, prompt)

# 执行
from langchain.agents import AgentExecutor
agent_executor = AgentExecutor(agent=agent, tools=tools)
result = agent_executor.invoke({"input": "北京今天的天气怎么样？"})

ReAct vs 其他模式

模式	特点	适用场景
ReAct	边想边做，推理外显	需要多步推理和工具调用
Chain-of-Thought	纯推理，不行动	数学、逻辑问题
Self-Consistency	多次推理，取多数	需要准确性的任务
Tree-of-Thought	探索多条路径	创意、规划任务

ReAct 的优势

1. 可解释性强：思考过程清晰可见
2. 灵活性高：可动态选择工具
3. 效果好：在多个基准测试上表现优异
4. 易于调试：可以追踪每一步

注意事项

1. 迭代次数：设置合理的上限，避免无限循环
2. 工具设计：工具描述要清晰准确
3. 错误处理：工具调用可能失败，需要容错机制
4. 成本控制：每次迭代都有 API 调用成本

进阶：ReAct + Reflection

结合自我反思机制，让 Agent 能从错误中学习：

def react_with_reflection(query, tools):
    context = [{"role": "user", "content": query}]
    history = []

    for iteration in range(max_iterations):
        response = get_response(context)
        thought = extract_thought(response)

        # 反思：之前的尝试有没有成功？
        if iteration > 0:
            past_attempts = "\n".join([f"- {h}" for h in history])
            thought += f"\n反思过去尝试：\n{past_attempts}"

        action = extract_action(thought)

        if action:
            result = execute_tool(action)
            history.append(f"尝试 {action}: {result}")
            context.append({"role": "user", "content": f"结果：{result}"})
        else:
            return thought

下一步

• 工具调用实战 - 深入了解如何设计和使用工具
• 多代理系统 - 了解多代理协作