ReAct 将Reasoning与Acting放进同一个循环。 模型不再只靠已有知识直接作答，而是先判断下一步，再调用搜索、数据库、计算器或其他工具，用真实结果继续推进任务。
01. ReAct 是什么
ReAct 的名字来自Reasoning + Acting。它不是某个特定模型，而是一种组织大模型完成任务的框架。
普通问答往往只有“输入问题—生成答案”两步。ReAct 在中间加入工具交互：模型可以搜索资料、查询数据库、执行代码或操作环境，然后根据返回结果继续判断。整个任务由多轮“思考—行动—观察”组成。
02. 为什么需要 ReAct
Chain-of-Thought（CoT）擅长把复杂问题拆开，但它仍主要依赖模型内部知识。遇到最新信息、陌生事实或精确计算时，一旦前面某一步猜错，错误可能沿着整条推理链继续传播。
只执行工具调用的Act又存在另一个问题：系统会行动，却不一定知道为什么要这样行动，也不容易把一个复杂目标拆成多个子目标。
ReAct 把两者结合起来：推理负责决定“下一步查什么、做什么”，工具负责提供真实反馈，观察结果再反过来修正推理。
03. 核心工作循环
循环会持续到模型获得足够信息，或者达到预设的停止条件。最后一步通常是Final Answer，即面向用户整理后的答案。
04. 一个直观示例
假设用户提出：“查出某篇论文的发表年份，再计算它距 2026 年有多少年。”模型不能只靠记忆，需要先检索，再计算。
Thought 1：我需要先确认论文的准确发表年份。 Action 1：Search[论文标题] Observation 1：检索结果显示论文发表于 2022 年。 Thought 2：现在可以计算 2026 - 2022。 Action 2：Calculator[2026 - 2022] Observation 2：4 Final Answer：该论文发表于 2022 年，距 2026 年为 4 年。
这里的关键不是格式本身，而是信息流：每个 Action 都由当前 Reasoning 决定，每个 Observation 又会改变下一步 Reasoning。
05. ReAct Prompt 怎么写
一个可用的 ReAct Prompt 至少需要说明四件事：任务目标、可用工具、工具调用格式和结束条件。
你需要解决用户的问题，并在必要时使用工具。 可用工具： - Search[query]：搜索外部资料 - Calculator[expression]：执行数学计算 工作规则： 1. 先判断当前缺少什么信息。 2. 需要外部信息时，选择一个工具并给出准确参数。 3. 根据 Observation 决定下一步。 4. 信息充分后，输出 Final Answer。 5. 不要编造工具结果。 输出格式： Action: 工具名[参数] Observation: 工具返回结果 Final Answer: 面向用户的最终答案论文中的经典 ReAct 通常会加入若干Few-shot examples，让模型模仿完整轨迹。现代 Agent 系统则常通过Function Calling或结构化工具接口约束 Action，不必完全依赖自由文本格式。
06. ReAct、CoT 与 Act 的区别
| 方法 | 主要能力 | 外部工具 | 典型问题 |
|---|---|---|---|
| CoT | 分解问题并进行多步推理 | 通常不使用 | 可能依赖错误记忆，产生事实幻觉 |
| Act | 根据指令连续执行操作 | 使用 | 缺少任务分解，容易出现无目的调用 |
| ReAct | 推理、行动与反馈交替进行 | 使用 | 效果受工具质量和上下文长度影响 |
