ReAct 范式

ReAct是一种让大语言模型交替进行推理(Reasoning)与行动(Acting)的智能体范式。它把内在思考与调用外部工具的动作编织在同一个循环里,使模型能够边思考边与环境交互,是构建能使用工具的 AI Agent 的基础方法之一。

概述

ReAct 于 2022 年提出,名称取自 Reasoning 与 Acting 的组合。传统思维链只在模型内部推理,无法获取外部信息;而纯粹的工具调用又缺乏推理规划。ReAct 将两者融合:模型先生成一段思考解释当前该做什么,再产生一个动作去调用搜索、计算器或数据库等工具,并根据返回的观察结果继续下一轮思考,如此循环直至得出答案。

核心特点

• 思考与行动交替:每一轮包含思考、动作、观察三个环节,循环推进。
• 可调用外部工具:动作可以是网络搜索、代码执行、API 调用等,弥补模型知识盲区。
• 推理透明:模型的思考轨迹显式呈现,便于调试与理解决策过程。
• 抑制幻觉:通过检索真实信息作为观察,减少凭空捏造事实。

应用场景

ReAct 是众多智能体框架的核心执行逻辑,广泛用于问答系统、网页操作、任务自动化等场景。当问题需要查阅实时信息或执行多步操作时,ReAct 让模型能主动获取外部证据并逐步逼近答案,是知识密集型和决策型任务的常用范式。

常见问题

问:ReAct 和思维链有何不同?答:思维链只做内部推理,ReAct 在推理之外还能执行动作调用工具并观察结果,把模型与外部环境连接起来,因而能处理需要实时信息的任务。

问:ReAct 有什么局限?答:它依赖模型每一步都生成合理的思考与动作,若某步判断失误可能导致连锁错误;同时多轮工具调用会增加延迟和成本,对工具的稳定性也有较高要求。