ReAct是一种融合推理与行动的大模型范式，通过Thought-Action-Observation(TAO)闭环机制实现动态交互。该范式有效减少幻觉问题，提高模型准确性和可解释性，适用于复杂决策环境、知识更新等场景。无需模型微调，通过提示工程和工具集成即可实施。ReAct已发展为多种变体，成为LangChain等框架的核心组件，推动AI向自主代理转型。

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。

6、 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。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），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。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、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。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

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，我精心整理了一份大模型面试题库，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。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(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。

以上全套大模型资料如何领取？