对话Agent的核心需求是 知识检索+工具调用，比如：先问时间，然后问告警，再问错误码原因：ReAct会先思考需要调用什么工具 ，再行动调用对应的工具，最终生成答案。这种思考->行动的模式就是ReAct，ReAct是对话Agent的核心技术支柱。

📷 [图片 token=VovJbMlekoaAr9x11oOcZLFYnFc（未能下载，见飞书原文）]

ReAct是什么？

先给定义：ReAct 是 AI 的解题方法论

ReAct = Reasoning（推理）+ Acting（行动），核心是让 AI 像人一样 ** 边想边做、边做边调整 **，通过 ** 思考->行动->观察->再思考 **来解决问题。

📷 [图片 token=JiOwbY24OoqxraxcVi2cLDUpn8e（未能下载，见飞书原文）]

**大白话解释：就像你做饭时查菜谱 **

想象你要做一道没做过的菜（比如 红烧肉 ），你会怎么一步步来？

  • 思考： 我需要知道红烧肉的步骤、调料、火候…… （分析问题，明确要做什么）

  • 行动：打开手机查抖音红烧肉教程（调用 抖音工具 获取信息）

  • 观察：看到教程说 需要炒糖色，用冰糖 （获取工具返回的结果）

  • 再思考： 家里只有白糖，能用吗？再查一下‘白糖代替冰糖炒糖色’ （根据观察结果调整思路，继续行动）

ReAct 就是让 AI 模仿这个过程：遇到问题不直接 瞎猜答案 ，而是先想 该查什么 ，再调用工具（比如计算器、数据库、搜索引擎），拿到结果后判断 够不够 ，不够就继续查，直到能给出最终答案。

技术场景的例子： 地球和火星的质量加起来是多少？ （AI 不知道具体数值，需要调用工具）

  • 第1次循环：思考->行动->观察

    • 思考：我需要地球和火星的质量，得先查地球质量。
    • 行动：调用 查星球质量 工具，输入 地球
    • 观察：工具返回 地球质量≈5.97×10²⁴ kg

  • 第2次循环：再思考->行动->观察

    • 思考：有了地球质量，还缺火星的，继续查火星。
    • 行动：调用 查星球质量 工具，输入 火星
    • 观察：工具返回 火星质量≈6.42×10²³ kg

  • 第3次循环：再思考->行动->观察

    • 思考：现在有两个数了，需要相加，得用计算器。
    • 行动：调用 计算器 工具，输入 5.97e24 + 6.42e23
    • 观察：工具返回 ≈6.61×10²⁴ kg

  • 结束循环： 结果够了，可以回答用户了，地球和火星的质量加起来是6.61×10²⁴ kg。

知道了ReAct的原理，接下来我们来看看到底怎么实现ReAct模式

古法 ReAct（手搓字符串解析）

通过严格的 prompt 规范 AI 的输出格式，强制其按 ** Thought->Action->Pause->Observation ** 流程执行

system prompt

我们定义下面这段 system prompt。那么大模型将会严格依据prompt里面的要求返回。

# 中文
system_prompt = """
你是一个反应（推理和行动）代理，遵循思考、行动、暂停和观察的循环来解决问题。
Workflow:
1. Thought: 推理下一步做什么  
2. Action: 调用工具（格式：Action:工具名:输入）  
3. PAUSE: 等待工具返回  
4. Observation: 工具结果分析  
可用工具：  
- calculation: 数学计算（如 "5*7/4"）  
- planet_mass: 查询行星质量（如 "Mars"）  
"""

system_prompt = """
You are a React(Reasoning and Acting) agent that follows a loop of Thought, Action, PAUSE, and Observation to solve problems.

Workflow:
1. Thought: Describe your reasoning or plan for solving the problem.
2. Action: Execute an appropriate action based on your reasoning. The available actions are listed below.
3. PAUSE: Indicate that you are pushing to observe the result of the action. Stop output anything while pause.
4. Observation: Analyze the result of the action and incorporate it into your reasoning.

At the end of the loop, provide a final Answer based on the information gathered.

Your available actions are:
    calculation:
    e.g. calculation: 5*7/4
    run a calculation and return the number using python so be sure to use floating point syntax if needed.
    
    planet_mass:
    e.g. planet_mass: Mars
    returns the mass of the planet in the solar system
"""

代码执行流程

我们根据大模型的消息，对消息进行字符串解析：

# 伪代码            
def query(question):
    while 循环（最多 N 轮）:
        1. 发送 prompt + 问题 + 历史记录 给 AI  
        print("----------------------")
        print(f"step: {i}")
        print(result)
        2. 解析 AI 返回：用正则匹配 Action（如 `Action:calculation:5*7`）  
        3. 调用工具函数，获取结果 -> 生成 Observation  
        print(f"\nObservation: {observation}")
        4. 将 Observation 加入新 prompt，进入下一轮循环  
        5. 若 AI 无 Action，返回最终答案

大模型执行日志

Question: What is the mass of Earth plus Mars? ---这是我们的提问
----------------------
step:1 --- 第一次循环
Thought: I need to find the masses of Earth and Mars, then add them. --- 大模型第一次思考
Action: planet_mass: Earth ---大模型第一次行动
PAUSE
# ---这是我们代码里解析出planet_mass函数与输入Earth，执行函数后返回的内容
Observation: Earth has a mass of 5.972 × 10^24 kg 
----------------------
step:2 --- 第二次循环
Thought: Now I have Earth's mass. I need Mars's mass.  ---大模型第二次思考
Action: planet_mass: Mars ---大模型第二次行动
PAUSE
# ---这是我们代码里解析出planet_mass函数与输入Mars，执行函数后返回的内容
Observation: Mars has a mass of 6.4171 × 10^23 kg
----------------------
step:3 --- 第三次循环
Thought: Now I can calculate the sum. ---大模型第三次思考
Action: calculate: 5.972e24 + 6.4171e23 ---大模型第三次行动
PAUSE
# ---这是我们代码里解析出calculate函数与输入5.972e24 , 6.4171e23，执行函数后返回的内容
Observation: 5.972e24 + 6.4171e23 = 6.614e24
----------------------
step:4 --- 第四次循环
Answer: The combined mass is approximately 6.614 × 10^24 kg. --- 返回最终答案

总结

所谓的行动，其实是我们根据大模型的输出，解析出应该调用哪个工具（函数），然后代码执行。并将结果告诉大模型。至此ReAct不再神秘，说白了就是字符串的处理。

这种写法是最原始的，举个例子，如果函数的输入输出的map，是map套map，那字符串生成/解析的难度指数级上升。大模型处理这种场景就比较困难，很容易出错。

现代 ReAct（Function Call）

标准化工具交互

大模型厂商推出 Function Call，用 JSON 统一工具定义和调用格式：

  • 工具描述：用 JSON 定义工具名、参数、功能（如 {"name":"calculation", "parameters":{"type":"number"}}）

  • 调用格式：AI 直接返回 JSON（如 {"action":"calculation", "input":5}），避免字符串解析混乱。

优点：工具描述和回复格式统一，便于针对性训练AI模型，若AI回复错误，服务器端可检测并自动重试，降低用户端开发难度和token开销。

现代ReAct执行流程

  1. 将工具信息按照function call要求的格式和用户的输入，一起发送给大模型（这里就不需要像原始的ReAct要求写Action之类的prompt了）

  2. 大模型有了上面的tool信息，会自行判断是否需要使用工具，如果要使用，则tool call（模型会按照function call要求的格式生成内容，指定函数名和参数）。

  3. 将tool的响应添加到输入中，开始新的一轮循环，直到大模型不再tool call，那么就结束了

  4. 不论是古法ReAct还是现代ReAct，核心思想都是一样的，根据工具返回来决定下一步要做什么

这里可能有一点抽象，没关系。知道有这个循环流程就行，下一节就有ReAct代码实战。

📷 [图片 token=KMRJbPiDUoVkftxTBdDcSzPLnid（未能下载，见飞书原文）]

古法与现代的对比

核心差异在于从人工字符串约定升级为机器可理解的结构化协议 ，大幅降低了格式依赖和实现成本。

对比维度古法 ReAct现代 ReAct
工具调用格式自然语言字符串（如 Action: planet_mass: Mars）标准化 JSON 结构（通过 Function Call 规范）
工具描述方式依赖用户自定义 Prompt 中的自然语言说明工具信息标准化（如 JSON 对象定义工具名、参数、功能）
解析方式正则表达式解析字符串（易出错，依赖格式严格匹配）结构化 JSON 解析（大模型/框架原生支持，可靠性高）
复杂数据处理困难（如嵌套结构的输入输出，字符串解析易混乱）可靠（JSON 天然支持复杂参数类型，如嵌套对象）
错误处理需手动实现（如未知 Action 抛出异常）框架自动支持（如工具调用格式错误时，大模型/框架自动重试）
依赖技术纯 Prompt 工程 + 字符串处理大模型 Function Call 功能（厂商官方支持）
格式规范来源用户自定义 Prompt 中的格式约束大模型厂商定义的标准化协议
实现复杂度高（需手动处理字符串生成、解析、异常捕获）低（框架封装了格式处理、工具调用逻辑）

总结：ReAct 的本质

ReAct = Reasoning（推理）+ Acting（行动），先想后做：拆解问题->制定计划。边做边说：调用工具（搜索引擎/数据库）->观察结果->反复验证，核心是** 思考 -> 行动 -> 观察 -> 再思考 **的闭环：

  • 思考：分析问题、执行计划，决定下一步该做什么

  • 行动：根据思考，去调用外部工具来获取信息

  • 观察：查询看行动（工具/函数）的返回结果