前言
在 AI Agent 领域，存在两大最核心的基础范式：ReAct与Plan-and-Execute。
在上一篇文章中我们详细拆解了Plan-and-Execute（规划执行范式），它主打「先整体规划、再稳定执行」，擅长复杂长流程任务。
而今天我们讲解的ReAct，是所有 AI Agent 工具调用的鼻祖，也是目前工业界、面试、开源框架中出现频率最高的基础架构。
很多同学只会用，但不懂原理：为什么 ReAct 灵活却容易跑偏？为什么长任务不能用 ReAct？它和 Plan-and-Execute 到底怎么选？
本文从零、完整、通俗拆解ReAct 范式，包含：核心原理、运行闭环、架构拆解、可运行代码、优缺点分析、范式对比、落地选型。
一、ReAct 是什么？（核心定义）
1. 名词释义
ReAct = Reason（推理思考） + Act（行动执行）
由 Google 团队提出，是 AI Agent 最经典的反应式、迭代式智能体范式。
一句话概括本质：不走预规划，走一步、想一步、迭代一步。
2. 解决了传统大模型的致命缺陷
纯大模型对话有三个无法规避的问题：
知识静态：训练数据截止，无法获取实时、最新信息
能力封闭：只会文本输出，不会计算、不会检索、不会操作外部工具
容易幻觉：复杂推理依赖模型记忆，容易编造答案、逻辑断裂
ReAct 的核心价值：让大模型从「纯文本聊天」升级为「能思考、能查证、能动手、能纠错」的智能体。
3. 核心逻辑特征
ReAct 和规划式范式最大的区别：
✅无全局前置规划
✅单步推理、单步执行
✅根据上一步结果动态决定下一步
❌没有完整任务蓝图
二、ReAct 完整运行闭环（核心精髓）
ReAct 的所有工作，都围绕一套四步循环闭环展开，这是必须吃透的底层逻辑：
闭环流程：Reason → Act → Observation → Loop
1. Reason 推理（思考层）
大模型读取当前问题、历史上下文、可用工具，自主决策：
当前问题能不能直接回答？
是否需要调用外部工具？
调用哪个工具、参数是什么？
下一步的行动策略是什么？
2. Act 执行（行动层）
系统解析模型输出的行动指令，调用真实外部能力：
搜索/知识库查询
数学计算、代码执行
接口调用、数据读写、文件处理
3. Observation 观察反馈
将工具返回的真实结果，整理为观测信息，写入上下文。
4. 迭代循环 / 终止输出
携带最新结果，进入下一轮「推理」，往复循环，直到任务完成。
可视化流程
用户提问 ↓ Reason 推理决策（思考） ↓ Act 工具执行（动手） ↓ Obs 结果更新上下文 ↓ 循环迭代 / 输出最终答案循环终止条件
模型判断信息充足，可以直接给出最终答案
达到预设最大轮次（防止死循环）
工具持续报错，无法继续推进
三、ReAct 架构组成（四大核心模块）
一套标准 ReAct Agent 结构极简、耦合度极低：
1. LLM 大模型（大脑）
负责所有逻辑推理、工具选择、策略判断、答案生成，是智能体的核心。
2. Tools 工具集（手脚）
大模型的外部能力扩展，弥补静态知识和能力边界。
3. Parser 解析器
区分模型输出的「思考文本」和「工具调用指令」，完成结构化解析与调用。
4. Memory 上下文记忆
存储每一轮的思考、行动、结果，保证多轮任务连贯，是循环执行的基础。
四、极简可落地代码实战（原生 ReAct）
以下为无框架依赖、原生手写、可直接运行的 ReAct 代码，兼容 OpenAI、Ollama、本地私有化模型。
fromopenaiimportOpenAI# 兼容官方OpenAI、本地Ollama、各类中转接口client=OpenAI(base_url="http://localhost:11434/v1",api_key="sk-dummy")# ---------------------- 1. 定义Agent可用工具 ----------------------defcalculator(expr:str)->str:"""数学计算工具"""try:returnf"计算结果：{eval(expr)}"exceptExceptionase:returnf"计算失败：{str(e)}"defsearch(query:str)->str:"""模拟信息检索工具"""returnf"搜索结果：{query}是AI Agent经典ReAct范式，核心为推理与行动交替循环执行。"TOOL_MAP={"calculator":calculator,"search":search}# 工具提示词TOOL_PROMPT=""" 你可以使用以下工具辅助回答问题： 1. calculator(表达式)：数学运算，示例：calculator("12*8+36") 2. search(查询词)：信息检索 规则： - 需要外部能力时，严格使用 工具名(参数) 格式调用 - 无需工具则直接给出最终答案 - 输出前先写明思考过程 """# ---------------------- 2. ReAct 核心循环 ----------------------defreact_agent(user_query:str,max_round:int=5)->str:context=f"{TOOL_PROMPT}\n用户问题：{user_query}"round_cnt=0whileround_cnt<max_round:round_cnt+=1print(f"\n【第{round_cnt}轮 - 推理 Reason】")resp=client.chat.completions.create(model="qwen2.5",messages=[{"role":"user","content":context}])content=resp.choices[0].message.content.strip()print("模型思考：\n",content)# 无需工具，直接输出答案，结束循环ifnotany(toolincontentfortoolinTOOL_MAP.keys()):print("\n✅ 任务完成，输出最终答案")returncontent# 执行工具 Actprint("\n【执行 Act - 调用工具】")result=""fortool_nameinTOOL_MAP:iftool_nameincontent:l,r=content.find("("),content.find(")")if0<l<r:param=content[l+1:r].strip("\"' ")result=TOOL_MAP[tool_name](param)breakprint("工具返回：",result)# 更新上下文，进入下一轮迭代context+=f"\n工具执行结果：{result}\n请继续分析完成任务。"return"达到最大轮次，任务终止"# ---------------------- 3. 测试运行 ----------------------if__name__=="__main__":# 测试数学计算react_agent("计算 125 * 8 + 36")# 测试知识检索# react_agent("什么是AI Agent的ReAct范式？")五、ReAct 核心优势
1. 架构极简、入门成本极低
逻辑清晰、模块解耦、无复杂调度，是新手学习 Agent 的最佳入门范式，也是 LangChain/LangGraph 底层默认能力。
2. 动态灵活、适配即兴交互
不需要提前预设流程，面对用户随机提问、临时需求、未知场景，适配性极强。
3. 全程可解释、易调试
每一轮思考、行动、结果完整留存，链路透明，便于排查幻觉、调用异常与逻辑错误。
4. 通用性极强
覆盖绝大多数轻量智能体场景，是智能客服、问答机器人、简单工具助手的底层核心。
六、ReAct 致命短板（面试重点）
1. 长任务极易目标漂移
没有全局计划锚定，步骤一多，模型容易遗忘初始目标，越执行越跑偏、逻辑断裂。
2. Token 成本高、延迟大
每一轮循环都要调用 LLM，长任务轮次多、上下文臃肿，导致成本飙升、响应变慢。
3. 无全局可控性
所有决策都是模型临场发挥，没有标准化步骤、没有流程约束，不适合企业标准化业务。
4. 复杂依赖任务稳定性差
面对有先后依赖、分支判断、多步骤流水线的任务，极易步骤错乱、任务中断。
七、ReAct vs Plan-and-Execute 终极对比
两大主流范式，面试必问、选型必看：
| 对比维度 | ReAct（推理行动范式） | Plan-and-Execute（规划执行范式） |
|---|---|---|
| 核心逻辑 | 边思考、边执行，单步决策 | 先全局规划，后分步落地执行 |
| LLM 调用 | 每轮必调用，成本高 | 仅规划阶段调用，次数少、更省 Token |
| 长任务能力 | 弱，易遗忘、易漂移 | 强，全局锁定目标，步骤稳定 |
| 可控性 | 弱，流程不可预设 | 强，结构化步骤、可审核可干预 |
| 架构特性 | 推理、执行高度耦合 | 规划、执行完全解耦，可独立优化 |
| 最佳场景 | 短问答、实时交互、轻量工具调用 | 长流程、自动化、企业级复杂业务 |
选型口诀：短交互用 ReAct，长流程用 Plan-and-Execute。
八、落地场景选型
✅ 适合使用 ReAct
智能对话、AI 客服、聊天机器人
简单单步、少步骤工具调用
用户输入随机、即兴、实时交互场景
快速原型验证、学习测试
❌ 不适合使用 ReAct
多步骤办公自动化、批量处理任务
故障排查、多级审批、长链路业务流程
生产级、高稳定、可追溯的企业智能体
九、全文总结
1.ReAct = Reason 推理 + Act 行动，是 AI Agent 最基础、最经典的迭代式范式。
2. 核心优势是灵活、轻量、可解释、适配即兴交互，是所有工具调用智能体的底座。
3. 核心短板是无全局规划、长任务易漂移、推理成本高。
4. 高级范式Plan-and-Execute、ReWOO、AutoGPT本质都是为了修复 ReAct 在复杂任务上的缺陷。
熟练掌握 ReAct 与 Plan-and-Execute 的差异与选型，是 Agent 开发、面试、工程落地的核心必备能力。
（注：博文是作者学习记录，文档部分内容可能由 AI 生成）
