【必藏】ReAct框架完全指南：从TAO闭环到LangChain实战，AI代理开发利器

ReAct范式通过TAO闭环机制实现语言模型的推理与行动协同，有效减少幻觉并提升模型鲁棒性。该框架已发展出多种变体，适用于复杂决策、知识更新等场景。实施方法简单，无需模型微调，通过提示工程和工具集成即可实现，成为AI代理开发的核心技术，显著提升任务准确性和可解释性。

最近刷到ReAct相关的文章，看了看觉得其中的思想有点触发，虽然不是一个新概念，对我学习过程算是新知识，于是探查学习记录一下，并思考在工作中如何应用。应用不仅仅是工具技能，我深刻体会的有时方法思想是可以跨领域的。

1. ReAct范式的背景

大型语言模型的发展经历了从静态生成到动态交互的演进。早期模型擅长文本生成和简单推理，但面临幻觉问题和外部交互缺失的局限。2022年前，链式思考等方法提升了推理能力，却缺乏行动验证机制。ReAct范式于2022年由普林斯顿大学和谷歌研究团队发表的论文《REACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELS.pdf》中提出，受人类决策过程启发，将抽象思考与具体行动融合。 该框架的背景在于桥接模型内部知识与外部环境的鸿沟，推动AI从被动响应向自主代理转型。根据原论文，该范式在实验中证明了其在多跳问答和决策任务中的优越性，标志着agentic AI的早期里程碑。 到2026年，ReAct已成为LangChain等框架的核心组件，广泛应用于工业自动化和知识检索领域。

2. ReAct范式的变体与发展

自2022年提出以来，ReAct范式已演变为多种变体，以适应多样化应用场景。这些发展主要聚焦于提升鲁棒性、效率和扩展性，特别是在2023-2026年间，受agentic AI趋势驱动。

• •Reflexion (2023)：引入自我反思机制，代理评估先前行动结果并优化后续步骤。该变体适用于长期任务，提升错误修正能力，并在决策环境中优于原ReAct。
• •ReWOO：优化工具调用流程，分离规划与执行，减少不必要迭代，提高计算效率。适合资源受限的应用，如移动代理。
• •多代理协作变体：扩展ReAct至多代理系统，例如CrewAI框架中，代理分工执行TAO循环，实现复杂协作任务。 此发展于2024-2025年间流行，推动分布式AI系统。
• •Auto-GPT式自主代理 (2023)：基于ReAct循环，实现任务分解与自主规划，常用于无监督环境，如自动化研究。
• •LangGraph集成 (2024-2026)：在LangGraph框架中，ReAct变体支持状态图和高级控制流，允许自定义循环和条件分支，提升可控性。
• •Focused ReAct和REBACT (2024-2025)：这些变体优化上下文保持和错误处理，适用于高风险场景，如实时监控。

这些变体根据应用需求定制，例如Reflexion用于反思密集任务，而多代理变体适用于协作环境。到2026年，ReAct发展融入agentic AI主流，推动从单一代理向生态系统的转型。

3. ReAct范式的功能与作用

ReAct范式的主要功能在于实现推理与行动的协同，通过Thought-Action-Observation (TAO) 闭环机制处理复杂任务。其核心功能包括：

• •推理生成：模型产生自然语言轨迹，用于问题分解和规划，提升决策的可解释性。
• •行动执行：标准化调用外部工具，如API或数据库，获取真实数据以验证推理。
• •观察反馈：处理行动结果，更新循环以修正错误，实现自适应学习。

这些功能的作用体现在多个方面：首先，减少幻觉和错误传播，提高任务准确率；其次，提升模型的鲁棒性，能处理不确定性和异常；最后，促进可扩展性，支持多模态集成。 在实际作用上，ReAct将语言模型转化为智能代理，适用于需要环境交互的场景，如实时监测系统。该范式的作用还延伸到伦理层面，通过外显轨迹增强透明度，降低黑箱风险。

4. ReAct范式的使用时机

ReAct范式适用于大型语言模型需与外部环境交互的场景，而非纯内部推理任务。具体时机包括：

• •复杂决策环境：当任务涉及多步规划和反馈验证时，如模拟交互或多跳问答，避免纯链式思考的孤立局限。
• •知识更新需求：模型内部知识过时时，通过行动查询外部源补充信息。
• •高风险应用：在需要可解释性和鲁棒性的领域，如工业安全监测，ReAct的闭环机制可减少错误后果。
• •少样本学习：新任务中，仅需few-shot提示即可泛化，而非依赖大规模训练。

不适用于简单文本生成或无需外部数据的任务，以避免不必要的计算开销。

5. ReAct范式的实施方法

ReAct的实施依赖提示工程和工具集成，无需模型微调，适合应用现有大型语言模型的开发者。步骤如下：

• •准备阶段：选择支持提示的模型，定义行动空间。
• •提示设计：构建few-shot示例，包括TAO序列模板，引导模型生成轨迹。
• •循环执行：迭代生成Thought，执行Action，注入Observation，直至任务完成或达上限。
• •工具集成：使用框架如LangChain定义自定义工具，确保行动与外部接口无缝连接。

例如，在Python环境中，可通过LangChain实现：

import pandas as pdfrom langchain_openai import ChatOpenAIfrom langchain.agents import create_react_agent, AgentExecutorfrom langchain import hubfrom langchain.tools import Tool# ================= 配置区域 =================# 替换为你的 DeepSeek API KeyAPI_KEY = "YOUR_DEEPSEEK_API_KEY"# DeepSeek 的 Base URLBASE_URL = "https://api.deepseek.com"# ================= 1. 准备阶段：模拟数据 =================defcreate_mock_gas_data(): """创建模拟的燃气使用数据""" data = { 'user_id': [f'user_{i}'for i inrange(1, 11)], 'user_type': ['居民', '商业', '工业', '居民', '商业', '工业', '居民', '居民', '商业', '工业'], 'date': ['2023-10-01', '2023-10-01', '2023-10-01', '2023-10-02', '2023-10-02', '2023-10-02', '2023-10-03', '2023-10-03', '2023-10-03', '2023-10-03'], 'usage_cubic_meters': [15.5, 120.0, 450.2, 14.2, 115.5, 460.1, 16.0, 15.8, 118.0, 455.0] } return pd.DataFrame(data)# 初始化数据gas_df = create_mock_gas_data()# ================= 2. 工具定义 =================# 定义具体的业务逻辑函数defcalculate_average_usage(user_type: str) -> str: """计算指定类型用户的平均用气量。参数 user_type: 居民/商业/工业""" try: if user_type: filtered_df = gas_df[gas_df['user_type'] == user_type] if filtered_df.empty: returnf"未找到类型为 {user_type} 的用户数据。" avg_usage = filtered_df['usage_cubic_meters'].mean() returnf"{user_type}用户的平均用气量为: {avg_usage:.2f} 立方米" else: avg_usage = gas_df['usage_cubic_meters'].mean() returnf"所有用户的平均用气量为: {avg_usage:.2f} 立方米" except Exception as e: returnf"计算平均用气量时出错: {str(e)}"defget_max_usage_record(_) -> str: """获取单次用气量最高的记录。不需要参数""" try: max_row = gas_df.loc[gas_df['usage_cubic_meters'].idxmax()] return (f"单次最高用气记录：用户ID {max_row['user_id']}, " f"类型 {max_row['user_type']}, " f"日期 {max_row['date']}, " f"用量 {max_row['usage_cubic_meters']} 立方米") except Exception as e: returnf"获取最高用气记录时出错: {str(e)}"defcount_users_by_type(_) -> str: """统计各类用户的数量。不需要参数""" try: counts = gas_df['user_type'].value_counts().to_dict() # 格式化输出字符串 result_str = ", ".join([f"{k}: {v}户"for k, v in counts.items()]) returnf"用户类型统计: {result_str}" except Exception as e: returnf"统计用户数量时出错: {str(e)}"# 将函数包装成 LangChain 的 Tool 对象tools = [ Tool( name="AvgUsage", func=calculate_average_usage, description="计算指定类型用户（如居民、商业、工业）的平均用气量。输入应为用户类型字符串。" ), Tool( name="MaxUsage", func=get_max_usage_record, description="获取系统中单次用气量最高的那条记录。不需要输入参数。" ), Tool( name="UserStats", func=count_users_by_type, description="统计系统中不同类型用户的数量。不需要输入参数。" )]# ================= 3. 模型初始化 =================# 初始化 DeepSeek 模型llm = ChatOpenAI( model="deepseek-chat", temperature=0, api_key=API_KEY, base_url=BASE_URL)# ================= 4. 提示词设计 =================# 从 LangChain Hub 拉取标准的 ReAct 提示词模板# 这一步会联网下载 prompt，如果网络不通，可以使用下面的本地 prompt 备选方案try: prompt = hub.pull("hwchase17/react") print("成功从 Hub 加载 ReAct Prompt。")except Exception as e: print(f"Hub 连接失败 ({e})，使用本地默认 Prompt。") from langchain_core.prompts import PromptTemplate template = """Answer the following questions as best you can. You have access to the following tools:{tools}Use the following format:Question: the input question you must answerThought: you should always think about what to doAction: the action to take, should be one of [{tool_names}]Action Input: the input to the actionObservation: the result of the action... (this Thought/Action/Action Input/Observation can repeat N times)Thought: I now know the final answerFinal Answer: the final answer to the original input questionBegin!Question: {input}Thought:{agent_scratchpad}""" prompt = PromptTemplate.from_template(template)# ================= 5. 创建 Agent 并执行 =================# 创建 ReAct Agentagent = create_react_agent(llm, tools, prompt)# 创建 AgentExecutor，这是实际运行 Agent 的循环控制器agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True, # 设置为 True 可以在控制台看到详细的思考过程 handle_parsing_errors=True, # 自动处理解析错误 max_iterations=5# 限制最大思考步数，防止死循环)if __name__ == "__main__": print("="*50) print("燃气数据分析智能体已启动 (基于 LangChain + DeepSeek)") print("="*50) # 测试问题 1：单步工具调用 query1 = "工业用户的平均用气量是多少？" print(f"\n用户提问: {query1}\n") response1 = agent_executor.invoke({"input": query1}) print(f"\n最终回答: {response1['output']}") print("\n" + "="*50 + "\n") # 测试问题 2：多步推理 # 这个问题需要先统计用户类型，或者先看最高记录，取决于模型如何理解 query2 = "请分析一下我们的数据，告诉我哪种类型的用户单次用气量最高？" print(f"\n用户提问: {query2}\n") response2 = agent_executor.invoke({"input": query2}) print(f"\n最终回答: {response2['output']}")

输出结果：

代码说明：

1、Tool 类：

• • 我们将普通的 Python 函数（如 calculate_average_usage）封装成了 Tool 对象。
• • description 参数非常重要。ReAct 模式下，模型完全依赖这个描述来决定何时调用该工具。描述越清晰，模型表现越好。
• 2、hub.pull(“hwchase17/react”)：
• • 这是 LangChain 社区维护的标准 ReAct 提示词模板。它包含了 “Question:”, “Thought:”, “Action:” 等格式指令。
• • 代码中加入了 try-except，如果你的本地环境无法连接 LangChain Hub，它会自动切换到内置的 Prompt 模板，保证代码可运行。
• 3、AgentExecutor：
• • 这是 LangChain 的核心引擎。它负责执行 Thought -> Action -> Observation 的循环。
• • verbose=True：这是体验 ReAct 的关键。开启后，你会在终端看到模型每一步的“思考”和“行动”，而不仅仅是最终结果。
• • handle_parsing_errors=True：如果模型输出的格式不对（比如 DeepSeek 没有严格按照 “Action: …” 输出），Executor 会尝试自动修正或重试，而不是直接报错崩溃。

注：代码是ai生成，提高了生成力，所以简单把对应的代码核心内容也附加说明，这一方法强调外部实施，门槛较低，便于燃气智能体开发，这里案例是写的和我行业相关的燃气，其他场景也都是可以适用，重要的是思想。

6. ReAct范式的Mermaid架构图

ReAct的架构展示TAO闭环的动态过程。

该图描绘了迭代循环：从推理开始，经行动和观察反馈，返回规划，直至终结。外部工具在Action节点集成，确保闭环的完整性。

7. 总结

ReAct范式通过TAO闭环机制，提供强大的推理-行动协同功能。其作用在于提升准确性和可解释性，适用于交互密集的任务。变体发展扩展了其适应性，实施方法简洁，依赖提示和工具。总体而言，ReAct标志着AI代理发展的关键一步，提供高效框架，值得深入探索。

每日一学

企业应用程序集成 (Enterprise Application Integration)

在企业信息化领域，EAI 是指通过技术和流程实现不同部门应用程序之间自动化的信息交换。

• 核心功能： 它的目标是连接企业内原本独立的系统（如工资管理、ERP、CRM），消除“数据孤岛”，确保数据在不同应用间自由流转，从而实现业务流程自动化并提高生产力。

• 工作模式（中心辐射型）： EAI 常被视为一种“中心辐射型”（Hub-and-Spoke）集成模式。在此架构中，使用一个集中式的代理（HUB）作为中介，所有的系统都通过适配器（Adapter）连接到这个中心。HUB 负责处理消息路由、转换和重新解释。

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2026最新大模型全套学习资源》，包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题、AI产品经理入门到精通等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】