ReAct（推理与行动协同）

ReAct（推理与行动协同）

模式概述

ReAct 是一种"边思考，边行动"的 Agent 范式。名字来自 Reason（推理）+ Act（行动）两个词的组合，由 Yao 等人在 2022 年提出，发表于 ICLR 2023。

在 ReAct 出现之前，LLM 解决问题主要有两种路线：一种是"只想不做"——以 Chain-of-Thought（思维链，简称 CoT）为代表，模型能一步步推理，但无法访问外部信息，遇到需要实时数据的问题就容易编造答案；另一种是"只做不想"——模型直接输出动作指令，但缺乏推理能力，遇到复杂任务就容易迷失方向。ReAct 把两者结合起来：模型在推进任务时，先想清楚当前该做什么，再去执行动作，看到结果后继续思考下一步。这种交替循环正是人类解决问题的自然方式。

一句话概括：模型在推理和行动之间来回切换，根据外部反馈持续调整下一步，形成"带外部交互的推理循环"。

核心模块

ReAct 的核心是 Thought-Action-Observation 循环（简称 TAO 循环），由三个阶段交替运行：

模块 1：Thought（思考）

Thought 是模型的内部判断过程，不是给用户看的最终答案，而是模型在决定"下一步做什么"时的推理依据。

它通常回答这些问题：

• 当前掌握的信息够不够
• 下一步应该查什么、算什么、做什么
• 上一步得到的结果说明了什么
• 是否应该继续调用工具，还是已经可以回答

Thought 的价值不在于写出很长的推理文本，而在于帮助模型确定下一步行动方向。

模块 2：Action（行动）

Action 是模型真正执行的动作，最常见的形式是工具调用，例如搜索关键词、调用计算器、查询数据库、请求 API。

Action 是 ReAct 从"只会想"进入"真的去做"的关键环节。它不是机械调用，而是由 Thought 驱动的、带有明确目的的操作。

模块 3：Observation（观察）

Observation 是 Action 执行后返回的结果，可能是搜索结果、计算答案、API 响应，也可能是报错信息。

Observation 给模型提供了新的外部事实，让下一轮 Thought 不再只是凭空猜测，而是基于真实反馈继续推进。没有 Observation，ReAct 就失去了闭环特征，行动也就变成了盲目操作。

架构图

流程说明：

• Thought 负责决策——根据已有信息判断下一步做什么
• Action 负责执行——调用外部工具获取新信息
• Observation 负责反馈——把工具返回的结果送回给 Thought
• 控制点在于 "信息是否足够"的判断，这决定了循环继续还是终止
• 多数真实任务不会一轮就结束，模型往往需要多轮 TAO 迭代才能收集到足够信息

工作流程

1. 步骤 1（Thought）： 模型接收用户任务（或上一轮 Observation），分析当前掌握的信息是否足够，判断下一步应该做什么。
2. 步骤 2（Action）： 根据 Thought 的判断，执行一个具体动作——通常是调用搜索、计算、数据库查询等外部工具。
3. 步骤 3（Observation）： 接收 Action 返回的结果，将其作为新信息加入上下文。
4. 步骤 4（循环判断）： 模型评估当前信息是否足够回答原始问题。如果不够，回到步骤 1 继续下一轮；如果足够，输出最终答案。

循环终止条件：模型判断已获得足够信息，或达到系统设定的最大轮次。

执行示例

用户问："北京今天的气温多少？需要带伞吗？"

第 1 轮：

• Thought：这个问题需要实时天气数据，我应该先查北京今天的天气。
• Action：Search["北京今天天气"]
• Observation：北京今天晴，最高气温 22°C，最低 10°C，无降水。

第 2 轮：

• Thought：我已经知道今天晴、无降水，可以回答是否带伞了。信息足够，直接整理答案。
• Action：Finish["北京今天最高 22°C，最低 10°C，晴天无降水，不需要带伞。"]

两轮循环完成任务：第 1 轮获取事实信息，第 2 轮基于事实做出判断并输出最终答案。

适用场景

适合的场景

1. 需要实时信息的任务：查天气、新闻、股价、商品信息——模型内部知识可能过时，必须通过工具获取最新数据。
2. 需要精确计算的任务：数学运算、数据统计、财务计算——LLM 自身计算能力有限，ReAct 可以将计算交给专用工具。
3. 需要逐步推进的探索型任务：研究问题、收集资料、分步求解——一次无法获得所有信息，需要多轮迭代。
4. 需要根据中间结果调整策略的任务：前一步的结果会影响后一步的方向，ReAct 的循环结构天然支持动态调整。

不适合的场景

1. 纯创意型任务：写诗、编故事、发散创意——不需要工具和反馈循环，ReAct 的循环结构反而是累赘。
2. 非常简单的任务：一句话翻译、基础问答——直接回答即可，ReAct 增加额外开销但没有收益。
3. 必须先有全局计划的复杂任务：写完整长报告、设计复杂工作流——更适合 Plan-and-Solve（先规划后执行）模式。ReAct 逐步推进容易局部合理但整体不够完整。

典型实现

以下伪代码展示 ReAct 的核心循环结构：

# ReAct 核心循环伪代码

def react_loop(question, tools, max_steps=5):
    """ReAct 主循环：思考 → 行动 → 观察，重复直到完成"""
    context = [question]  # 上下文：存放所有历史信息

    for step in range(max_steps):
        # 阶段 1：Thought —— 模型根据上下文判断下一步
        thought = llm.generate(
            prompt=f"根据以下信息，判断下一步该做什么：\n{context}"
        )

        # 如果模型认为信息足够，输出最终答案
        if thought.is_final_answer:
            return thought.answer

        # 阶段 2：Action —— 调用工具执行动作
        tool_name, tool_input = thought.next_action
        observation = tools[tool_name].run(tool_input)

        # 阶段 3：Observation —— 将结果加入上下文
        context.append(f"Thought: {thought}")
        context.append(f"Action: {tool_name}({tool_input})")
        context.append(f"Observation: {observation}")

    return "达到最大轮次，未能完成任务。"

代码中的三个阶段对应 ReAct 的 TAO 循环：thought 对应决策判断，tools[tool_name].run() 对应工具执行，observation 对应反馈结果。context 列表持续积累历史信息，供下一轮 Thought 使用。max_steps 防止无限循环。

如果需要在实际项目中使用 ReAct，LangGraph 提供了开箱即用的 create_react_agent 函数：

# 基于 LangGraph 的 ReAct Agent（示意）
# 依赖：langgraph, langchain-openai

from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI

# 定义工具
def search(query: str) -> str:
    """搜索工具：查询实时信息"""
    # 实际项目中替换为真实搜索 API
    return f"搜索 '{query}' 的结果..."

# 创建 ReAct Agent
model = ChatOpenAI(model="gpt-4o-mini")
agent = create_react_agent(model, tools=[search])

# 运行
result = agent.invoke({"messages": [("user", "北京今天天气怎么样？")]})

LangGraph 的 create_react_agent 内部实现了完整的 TAO 循环逻辑，开发者只需定义工具和模型即可。

优劣势分析

边界说明：ReAct 的优势在任务需要动态探索时最明显；当任务结构固定、步骤明确时，循环开销反而成为负担。

与相关模式的对比

ReAct 原始论文的实验表明：在需要外部知识的任务（如 HotpotQA 事实验证）上，ReAct 明显优于纯 CoT；而在纯逻辑推理任务上，CoT 的效率更高。最佳实践是将 ReAct 与 CoT 结合使用——模型先用内部推理处理能解决的部分，遇到知识缺口时再通过工具获取外部信息。

常见误区

思考题

参考资料

1. Yao, S. et al. "ReAct: Synergizing Reasoning and Acting in Language Models." ICLR 2023. https://arxiv.org/abs/2210.03629
2. ReAct 项目主页: https://react-lm.github.io/
3. ReAct 原始代码仓库: https://github.com/ysymyth/ReAct
4. LangGraph ReAct Agent 模板: https://github.com/langchain-ai/react-agent
5. LangGraph ReAct Agent 从零实现指南: https://langchain-ai.github.io/langgraph/how-tos/react-agent-from-scratch-functional/
6. Prompt Engineering Guide - ReAct Prompting: https://www.promptingguide.ai/techniques/react