ReAct是一种让大模型交替进行推理和行动的模式通过思考-行动-观察循环将外部信息纳入推理并修正方向。本文以通俗语言解释ReAct原理通过实例说明其优势并指导读者从基础工具调用开始实践最终理解Agent系统的核心构建方式。ReAct是学习复杂任务处理、多步交互Agent开发的重要入门概念。如果把 Agent 想成一个新来的同事ReAct 解决的其实是一个很朴素的问题。这个同事很会说也很会推理。你问他一个问题他能顺着线索分析半天语气还挺笃定。问题是很多任务不能只靠“想”。借用我导师说过的一句话: 乱拳打死老师傅有时候模型一路猛猜确实也能猜对但这更像是“乱拳”不是一个稳定、可复用、可交付的工作方式。你问今天某个仓库的最新发布版本他得去查。你让他总结一篇论文他至少要先读到论文。只会想容易在脑子里绕圈。只会动又容易变成没有方向的点点点。ReAct 有意思的地方就在于它把这两件事放到同一个节奏里先想一下决定下一步做什么做完之后看结果再根据结果继续想。听起来不玄。这恰好是它最值得学的地方。先用一句话说清楚 ReActnone !importantReAct 是 Reasoning and Acting 的缩写可以粗略翻译成“推理 行动”。在大模型里它指的是一种让模型交替进行推理和动作的模式模型先根据当前问题判断下一步该做什么然后调用一个工具或执行一个动作拿到观察结果之后再继续判断下一步。它最经典的形式通常长这样Thought: 我需要先弄清楚 X。Action: 调用某个工具查询 X。Observation: 工具返回了结果。Thought: 根据这个结果我还需要确认 Y。Action: 再调用另一个工具。Observation: 得到新的信息。Final Answer: 给出最终回答。这里的Thought、Action、Observation不是为了把文章写得像剧本。它们分别对应三件事Thought是模型的中间判断。Action是模型选择的下一步动作比如搜索、查数据库、打开网页、调用函数、移动机器人。Observation是动作之后得到的新信息。如果用更普通的话说ReAct 就是让模型不要一次性把答案憋出来而是边做边看边看边改。这很接近人类处理复杂任务时的样子。我们很少会在什么都不查的情况下把一个涉及外部信息的问题从头推到尾。更多时候是先有一个判断再去验证一下验证完发现不对再调整路线。ReAct 把这个过程写成了一种可复用的提示和执行模式。为什么会需要 ReActnone !important理解 ReAct 之前可以先看两个更早、更容易理解的方向。一个方向叫 Chain-of-Thought也就是常说的 CoT。它让模型在回答复杂问题时写出中间推理步骤。比如数学题、逻辑题、需要多步分析的问题模型如果直接给答案容易跳步如果先把过程写出来往往更稳定。另一个方向是 Acting也就是让模型和外部环境交互。比如 WebGPT 让模型使用文本浏览器搜索和浏览网页SayCan 把语言模型和机器人可执行动作结合起来让模型不只是“说计划”还要考虑某个动作在当前环境里能不能做。这两个方向各有价值。CoT 让模型更会想但它仍然主要依赖模型内部已有知识。遇到实时信息、私有数据、外部状态它想得再认真也可能只是认真地猜。Acting 让模型可以接触外部世界但如果缺少推理它可能会机械地执行动作不知道为什么做、做错了怎么改、什么时候该停。ReAct 的原始论文想解决的就是这两个能力分开时的尴尬推理需要外部反馈行动也需要推理来保持方向。所以它把二者交错起来。不是先写一份完整计划然后一口气执行到底也不是没有计划地一路调用工具。它更像一个小循环想一下 - 做一步 - 看结果 - 再想一下 - 再做一步这个循环很小但它打开了一扇门。因为从这一刻起模型的回答不再只是“生成文本”而开始变成“完成任务”。一个小例子从直接回答到 ReActnone !important假设用户问ReAct 这篇论文是谁写的它主要想解决什么问题如果模型直接回答它可能凭记忆给出作者和摘要。运气好的时候是对的运气差的时候会混进错误。问题在于用户很难知道它到底是查过还是背出来的。如果只用 CoT模型可能会这样处理这看起来是一篇关于 Reasoning and Acting 的论文。我需要回忆它的背景可能和大模型工具使用有关……这比直接回答多了一点过程但仍然没有接触外部资料。如果只用 Act模型可能直接搜索论文标题拿到页面之后就把搜索结果贴出来。信息有了但没有整理。ReAct 会更像这样Thought: 我需要确认 ReAct 论文的作者和核心观点不能凭印象回答。Action: search(“ReAct Synergizing Reasoning and Acting in Language Models”)Observation: 搜索结果显示ReAct 由 Shunyu Yao 等人提出核心思想是让模型交替进行推理和行动。Thought: 信息已经确认可以用通俗语言解释 ReAct 的作用。Final Answer: ReAct 的核心是让大模型一边思考一边调用工具获取信息再根据观察结果继续调整答案。它解决的是模型只靠内部推理容易出错、只调用工具又缺少规划的问题。这段示例不重要重要的是它的节奏。模型没有假装自己一开始就知道全部答案。它先承认需要查证然后通过工具获得信息再把信息整理成回答。对用户来说这种过程更容易信任。对工程系统来说这种过程也更容易调试。因为你能看到每一步到底调用了什么工具、拿到了什么结果、为什么走到下一步。ReAct 到底让模型变强在哪里none !important现在市面上绝大部分 Agent 框架底层都是 ReAct 循环WHY我觉得关键在于最核心的提升不是“模型突然聪明了”而是它让模型的聪明有了落点。第一它能把外部信息纳入推理。模型内部知识再丰富也不等于知道此刻数据库里的订单状态、网页上的最新内容、文件系统里的真实代码。ReAct 让模型在需要信息时先去取信息再根据取回来的结果继续判断。这对减少幻觉很重要。当然工具不保证真理。搜索结果也可能错数据库也可能脏接口也可能超时。但至少系统不再只靠模型记忆回答。它多了一条接触现实的路。第二它能在过程中修正方向。复杂任务里第一步经常不是最优的。人也是这样。我们查一个关键词发现不准会换关键词打开一个页面发现不是目标会退回来调用一个接口发现权限不够会换一种路径。ReAct 的Observation就是给模型一个“看见反馈”的机会。没有 Observation模型只能把错误一路带下去。有了 Observation它至少有机会停一下说诶刚才这步不对我换个办法。第三它让过程更可解释。这里要稍微谨慎一点。ReAct 论文强调这种轨迹更容易被人理解和信任因为我们能看到模型的中间步骤和动作。但在今天的许多生产系统里模型完整的内部推理并不一定会直接展示给用户也不一定应该原样暴露。更稳妥的做法是记录可审计的执行轨迹模型调用了哪个工具参数是什么工具返回了什么系统做了哪些校验最后为什么给出这个答案。这类轨迹未必等于模型真正的全部思考但它对工程调试已经很有价值用户看到这些信息也会很大程度提高信服度。第四它让 Agent 从“聊天”走向“办事”。聊天模型回答问题核心动作是生成文本。Agent 完成任务核心动作是推进状态。ReAct 提供的就是一种最小的推进方式每次只走一步每步都能得到反馈每次反馈都能影响下一步。这比一次性生成完整计划更慢一点但也更稳一点。ReAct 不是什么none !important一个概念被用得多了就容易长出一圈雾。ReAct 也一样。它不是让模型拥有真正的自主意识。它只是让模型按照某种格式生成中间判断和动作请求。模型说要调用搜索工具并不代表它真的自己打开了浏览器。真正执行动作的仍然是外部程序、框架或工具执行器。它也不是正确性的保证。ReAct 可以让模型查资料、看结果、修正方向但如果工具返回的信息质量差或者提示写得含糊或者循环控制做得不好结果仍然会错。一个会使用搜索的人也可能搜到错误页面然后一本正经地引用。工具并不会自动让判断变高尚它只是把判断放到了更真实的地面上。它也不适合所有任务。如果问题很简单比如“把这段话改得更口语一点”或者“解释一下什么是 JSON”直接回答可能就够了。强行套 ReAct会让简单任务变得很啰嗦。这就好比想打印个 console.log没必要先装一堆无用包。它更适合一些需要外部信息、多步操作或者留下记录过程的任务。判断一个任务要不要用 ReAct我一般会思考一个简单问题这个任务的下一步会不会依赖刚刚那一步的结果如果会ReAct 往往值得考虑。如果不会直接做可能更清楚。放到现代 Agent 里ReAct 长什么样none !important刚才提到过市面上很多框架其实都有 ReAct 的影子但是事实上今天很多 Agent 框架已经不会让你刀耕火种去手写Thought:、Action:、Observation:这三个字段了。尤其在工具调用能力变成熟之后模型可能通过结构化的 tool call 返回动作意图。框架负责执行工具再把工具结果追加回上下文。LangGraph 这类框架也会把这种循环包装成图结构一个节点调用模型一个节点执行工具根据模型是否还要调用工具决定继续循环还是结束。但底层节奏没有变。它仍然是“三步走”。从这个角度看ReAct 更像一种工作模式而不是某个固定 prompt 模板。早期 ReAct 示例里Thought常常是可见文本。现代产品里推理步骤可能被隐藏、压缩、结构化或者替换成更短的执行说明。但只要系统还在做“模型选择动作 - 工具返回观察 - 模型继续决策”的循环它就仍然带着 ReAct 的骨架。这里有个小提醒不要把“能看到 Thought”当成 ReAct 的唯一标志。更值得关心的是三件事模型能不能根据上下文选择合适动作。工具结果能不能可靠地回到模型视野里。系统能不能控制这个循环不让它乱跑。工程里最容易忽略的几件小事none !importantReAct 看起来像提示词技巧但真正落地时很多问题都在工程细节里。第一工具描述要清楚。模型选择工具时依赖的是工具名、参数结构、描述和上下文。如果工具叫search描述只有一句 “search something”模型就只能猜。更好的工具描述要说清楚它查哪里、适合什么问题、不适合什么问题、参数应该怎么写。工具描述写得像谜语模型调用起来就像猜灯谜。第二Observation 要短而有用。工具返回结果不是越多越好。你把一整页 HTML、一大段日志、几百行 JSON 全塞回上下文Context容易爆掉暂且不说模型反而容易抓不住重点。更好的做法是把返回结果整理成结构稳定、信息密度合适的观察。比如搜索工具可以返回标题、摘要、链接、时间错误结果也应该清楚写出错误类型而不是只给一个failed。第三错误也要变成可理解的观察。工具失败时不要只让 Agent 崩掉。可以把错误包装成模型能理解的信息权限不足、参数缺失、接口超时、结果为空、需要用户确认。这样模型才有机会调整下一步。比如Observation: 查看页面失败。原因当前用户没有查看该页面的管理员权限。这比直接抛异常更适合 Agent 循环。第四要有停止条件。ReAct 是循环循环就需要刹车。人类也会钻牛角尖只是人类一般会被饭点拯救。程序不会。最大调用次数、最大耗时、重复工具调用检测、危险动作确认这些都不是装饰。没有这些控制Agent 很可能在“再试一次”里一直打转。第五权限不能交给模型。在 Agent 系统里我更愿意把模型看成一个会表达意图的协作者而不是一个可以直接拿钥匙的人。如果要学习 ReAct我会怎么走none !important如果完全没接触过我不建议一上来就读框架源码。坦诚而言我第一次接触的时候根本看不懂框架源码。框架很好但它会一次性把很多抽象推到你面前Graph、Node、State、Tool、Executor、Memory、Checkpoint、Middleware。每个都不难但一起出现时很容易让人以为 Agent 是一座很大的机器。可以先从一个最小版本开始。第一步理解普通聊天模型。输入用户问题模型输出回答。这个阶段先不要想工具。知道模型本质上是在根据上下文生成下一段内容就够了。第二步理解工具调用。给模型一组工具说明让它在需要时输出结构化的调用请求。注意这个请求本身不会执行任何东西。真正执行函数的是你的程序。第三步把工具结果放回上下文。程序执行工具之后把结果作为一条新消息交还给模型。模型看到结果再继续回答。第四步加上循环。如果模型还需要第二个工具就继续执行。直到模型给出最终答案或者达到最大轮数。这就是最小 ReAct Agent。它可能只有几十行代码但足够让你摸到核心。等这个循环跑通之后再看 LangGraph、LangChain、AutoGen 或其他 Agent 框架会轻松很多。理解了地基再看楼层就不会晕。我眼中的 ReActnone !important我眼中的 ReAct不是一个过时的 prompt 模板也不是一个万能的 Agent 答案。它更像一个学习 Agent 的入口。它把很多后来变得复杂的东西压缩成一个很小的循环想一想做一步看结果再想一想。这个循环朴素到容易被低估。但 Agent 的很多关键问题都能从这里长出来工具怎么设计结果怎么返回错误怎么处理权限怎么控制循环什么时候停止过程怎么记录用户为什么应该信任最后的回答。学 ReAct 的意义也许不在于记住三个关键词。更重要的是建立一种边界感模型负责判断和表达意图工具负责接触外部世界程序负责执行和约束观察结果负责把现实带回上下文。这几个边界清楚之后Agent 就没那么玄了。它仍然复杂也仍然会出错但至少可以拆开看、一步步调、慢慢改。很多技术都是这样。站远了看像一团雾。走近一点发现里面其实是一串脚印。ReAct 做的事就是让模型每走一步都尽量在地上留下一个印子。我们顺着这些印子才知道它到底走到了哪里。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、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。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。 
长河君 · 2026/11/2 1:51:51 · 阅读 1.2k ReAct大模型学习指南：从“小白“到“程序员“，收藏这份推理+行动的进阶秘籍！
ReAct是一种让大模型交替进行推理和行动的模式通过思考-行动-观察循环将外部信息纳入推理并修正方向。本文以通俗语言解释ReAct原理通过实例说明其优势并指导读者从基础工具调用开始实践最终理解Agent系统的核心构建方式。ReAct是学习复杂任务处理、多步交互Agent开发的重要入门概念。如果把 Agent 想成一个新来的同事ReAct 解决的其实是一个很朴素的问题。这个同事很会说也很会推理。你问他一个问题他能顺着线索分析半天语气还挺笃定。问题是很多任务不能只靠“想”。借用我导师说过的一句话: 乱拳打死老师傅有时候模型一路猛猜确实也能猜对但这更像是“乱拳”不是一个稳定、可复用、可交付的工作方式。你问今天某个仓库的最新发布版本他得去查。你让他总结一篇论文他至少要先读到论文。只会想容易在脑子里绕圈。只会动又容易变成没有方向的点点点。ReAct 有意思的地方就在于它把这两件事放到同一个节奏里先想一下决定下一步做什么做完之后看结果再根据结果继续想。听起来不玄。这恰好是它最值得学的地方。先用一句话说清楚 ReActnone !importantReAct 是 Reasoning and Acting 的缩写可以粗略翻译成“推理 行动”。在大模型里它指的是一种让模型交替进行推理和动作的模式模型先根据当前问题判断下一步该做什么然后调用一个工具或执行一个动作拿到观察结果之后再继续判断下一步。它最经典的形式通常长这样Thought: 我需要先弄清楚 X。Action: 调用某个工具查询 X。Observation: 工具返回了结果。Thought: 根据这个结果我还需要确认 Y。Action: 再调用另一个工具。Observation: 得到新的信息。Final Answer: 给出最终回答。这里的Thought、Action、Observation不是为了把文章写得像剧本。它们分别对应三件事Thought是模型的中间判断。Action是模型选择的下一步动作比如搜索、查数据库、打开网页、调用函数、移动机器人。Observation是动作之后得到的新信息。如果用更普通的话说ReAct 就是让模型不要一次性把答案憋出来而是边做边看边看边改。这很接近人类处理复杂任务时的样子。我们很少会在什么都不查的情况下把一个涉及外部信息的问题从头推到尾。更多时候是先有一个判断再去验证一下验证完发现不对再调整路线。ReAct 把这个过程写成了一种可复用的提示和执行模式。为什么会需要 ReActnone !important理解 ReAct 之前可以先看两个更早、更容易理解的方向。一个方向叫 Chain-of-Thought也就是常说的 CoT。它让模型在回答复杂问题时写出中间推理步骤。比如数学题、逻辑题、需要多步分析的问题模型如果直接给答案容易跳步如果先把过程写出来往往更稳定。另一个方向是 Acting也就是让模型和外部环境交互。比如 WebGPT 让模型使用文本浏览器搜索和浏览网页SayCan 把语言模型和机器人可执行动作结合起来让模型不只是“说计划”还要考虑某个动作在当前环境里能不能做。这两个方向各有价值。CoT 让模型更会想但它仍然主要依赖模型内部已有知识。遇到实时信息、私有数据、外部状态它想得再认真也可能只是认真地猜。Acting 让模型可以接触外部世界但如果缺少推理它可能会机械地执行动作不知道为什么做、做错了怎么改、什么时候该停。ReAct 的原始论文想解决的就是这两个能力分开时的尴尬推理需要外部反馈行动也需要推理来保持方向。所以它把二者交错起来。不是先写一份完整计划然后一口气执行到底也不是没有计划地一路调用工具。它更像一个小循环想一下 - 做一步 - 看结果 - 再想一下 - 再做一步这个循环很小但它打开了一扇门。因为从这一刻起模型的回答不再只是“生成文本”而开始变成“完成任务”。一个小例子从直接回答到 ReActnone !important假设用户问ReAct 这篇论文是谁写的它主要想解决什么问题如果模型直接回答它可能凭记忆给出作者和摘要。运气好的时候是对的运气差的时候会混进错误。问题在于用户很难知道它到底是查过还是背出来的。如果只用 CoT模型可能会这样处理这看起来是一篇关于 Reasoning and Acting 的论文。我需要回忆它的背景可能和大模型工具使用有关……这比直接回答多了一点过程但仍然没有接触外部资料。如果只用 Act模型可能直接搜索论文标题拿到页面之后就把搜索结果贴出来。信息有了但没有整理。ReAct 会更像这样Thought: 我需要确认 ReAct 论文的作者和核心观点不能凭印象回答。Action: search(“ReAct Synergizing Reasoning and Acting in Language Models”)Observation: 搜索结果显示ReAct 由 Shunyu Yao 等人提出核心思想是让模型交替进行推理和行动。Thought: 信息已经确认可以用通俗语言解释 ReAct 的作用。Final Answer: ReAct 的核心是让大模型一边思考一边调用工具获取信息再根据观察结果继续调整答案。它解决的是模型只靠内部推理容易出错、只调用工具又缺少规划的问题。这段示例不重要重要的是它的节奏。模型没有假装自己一开始就知道全部答案。它先承认需要查证然后通过工具获得信息再把信息整理成回答。对用户来说这种过程更容易信任。对工程系统来说这种过程也更容易调试。因为你能看到每一步到底调用了什么工具、拿到了什么结果、为什么走到下一步。ReAct 到底让模型变强在哪里none !important现在市面上绝大部分 Agent 框架底层都是 ReAct 循环WHY我觉得关键在于最核心的提升不是“模型突然聪明了”而是它让模型的聪明有了落点。第一它能把外部信息纳入推理。模型内部知识再丰富也不等于知道此刻数据库里的订单状态、网页上的最新内容、文件系统里的真实代码。ReAct 让模型在需要信息时先去取信息再根据取回来的结果继续判断。这对减少幻觉很重要。当然工具不保证真理。搜索结果也可能错数据库也可能脏接口也可能超时。但至少系统不再只靠模型记忆回答。它多了一条接触现实的路。第二它能在过程中修正方向。复杂任务里第一步经常不是最优的。人也是这样。我们查一个关键词发现不准会换关键词打开一个页面发现不是目标会退回来调用一个接口发现权限不够会换一种路径。ReAct 的Observation就是给模型一个“看见反馈”的机会。没有 Observation模型只能把错误一路带下去。有了 Observation它至少有机会停一下说诶刚才这步不对我换个办法。第三它让过程更可解释。这里要稍微谨慎一点。ReAct 论文强调这种轨迹更容易被人理解和信任因为我们能看到模型的中间步骤和动作。但在今天的许多生产系统里模型完整的内部推理并不一定会直接展示给用户也不一定应该原样暴露。更稳妥的做法是记录可审计的执行轨迹模型调用了哪个工具参数是什么工具返回了什么系统做了哪些校验最后为什么给出这个答案。这类轨迹未必等于模型真正的全部思考但它对工程调试已经很有价值用户看到这些信息也会很大程度提高信服度。第四它让 Agent 从“聊天”走向“办事”。聊天模型回答问题核心动作是生成文本。Agent 完成任务核心动作是推进状态。ReAct 提供的就是一种最小的推进方式每次只走一步每步都能得到反馈每次反馈都能影响下一步。这比一次性生成完整计划更慢一点但也更稳一点。ReAct 不是什么none !important一个概念被用得多了就容易长出一圈雾。ReAct 也一样。它不是让模型拥有真正的自主意识。它只是让模型按照某种格式生成中间判断和动作请求。模型说要调用搜索工具并不代表它真的自己打开了浏览器。真正执行动作的仍然是外部程序、框架或工具执行器。它也不是正确性的保证。ReAct 可以让模型查资料、看结果、修正方向但如果工具返回的信息质量差或者提示写得含糊或者循环控制做得不好结果仍然会错。一个会使用搜索的人也可能搜到错误页面然后一本正经地引用。工具并不会自动让判断变高尚它只是把判断放到了更真实的地面上。它也不适合所有任务。如果问题很简单比如“把这段话改得更口语一点”或者“解释一下什么是 JSON”直接回答可能就够了。强行套 ReAct会让简单任务变得很啰嗦。这就好比想打印个 console.log没必要先装一堆无用包。它更适合一些需要外部信息、多步操作或者留下记录过程的任务。判断一个任务要不要用 ReAct我一般会思考一个简单问题这个任务的下一步会不会依赖刚刚那一步的结果如果会ReAct 往往值得考虑。如果不会直接做可能更清楚。放到现代 Agent 里ReAct 长什么样none !important刚才提到过市面上很多框架其实都有 ReAct 的影子但是事实上今天很多 Agent 框架已经不会让你刀耕火种去手写Thought:、Action:、Observation:这三个字段了。尤其在工具调用能力变成熟之后模型可能通过结构化的 tool call 返回动作意图。框架负责执行工具再把工具结果追加回上下文。LangGraph 这类框架也会把这种循环包装成图结构一个节点调用模型一个节点执行工具根据模型是否还要调用工具决定继续循环还是结束。但底层节奏没有变。它仍然是“三步走”。从这个角度看ReAct 更像一种工作模式而不是某个固定 prompt 模板。早期 ReAct 示例里Thought常常是可见文本。现代产品里推理步骤可能被隐藏、压缩、结构化或者替换成更短的执行说明。但只要系统还在做“模型选择动作 - 工具返回观察 - 模型继续决策”的循环它就仍然带着 ReAct 的骨架。这里有个小提醒不要把“能看到 Thought”当成 ReAct 的唯一标志。更值得关心的是三件事模型能不能根据上下文选择合适动作。工具结果能不能可靠地回到模型视野里。系统能不能控制这个循环不让它乱跑。工程里最容易忽略的几件小事none !importantReAct 看起来像提示词技巧但真正落地时很多问题都在工程细节里。第一工具描述要清楚。模型选择工具时依赖的是工具名、参数结构、描述和上下文。如果工具叫search描述只有一句 “search something”模型就只能猜。更好的工具描述要说清楚它查哪里、适合什么问题、不适合什么问题、参数应该怎么写。工具描述写得像谜语模型调用起来就像猜灯谜。第二Observation 要短而有用。工具返回结果不是越多越好。你把一整页 HTML、一大段日志、几百行 JSON 全塞回上下文Context容易爆掉暂且不说模型反而容易抓不住重点。更好的做法是把返回结果整理成结构稳定、信息密度合适的观察。比如搜索工具可以返回标题、摘要、链接、时间错误结果也应该清楚写出错误类型而不是只给一个failed。第三错误也要变成可理解的观察。工具失败时不要只让 Agent 崩掉。可以把错误包装成模型能理解的信息权限不足、参数缺失、接口超时、结果为空、需要用户确认。这样模型才有机会调整下一步。比如Observation: 查看页面失败。原因当前用户没有查看该页面的管理员权限。这比直接抛异常更适合 Agent 循环。第四要有停止条件。ReAct 是循环循环就需要刹车。人类也会钻牛角尖只是人类一般会被饭点拯救。程序不会。最大调用次数、最大耗时、重复工具调用检测、危险动作确认这些都不是装饰。没有这些控制Agent 很可能在“再试一次”里一直打转。第五权限不能交给模型。在 Agent 系统里我更愿意把模型看成一个会表达意图的协作者而不是一个可以直接拿钥匙的人。如果要学习 ReAct我会怎么走none !important如果完全没接触过我不建议一上来就读框架源码。坦诚而言我第一次接触的时候根本看不懂框架源码。框架很好但它会一次性把很多抽象推到你面前Graph、Node、State、Tool、Executor、Memory、Checkpoint、Middleware。每个都不难但一起出现时很容易让人以为 Agent 是一座很大的机器。可以先从一个最小版本开始。第一步理解普通聊天模型。输入用户问题模型输出回答。这个阶段先不要想工具。知道模型本质上是在根据上下文生成下一段内容就够了。第二步理解工具调用。给模型一组工具说明让它在需要时输出结构化的调用请求。注意这个请求本身不会执行任何东西。真正执行函数的是你的程序。第三步把工具结果放回上下文。程序执行工具之后把结果作为一条新消息交还给模型。模型看到结果再继续回答。第四步加上循环。如果模型还需要第二个工具就继续执行。直到模型给出最终答案或者达到最大轮数。这就是最小 ReAct Agent。它可能只有几十行代码但足够让你摸到核心。等这个循环跑通之后再看 LangGraph、LangChain、AutoGen 或其他 Agent 框架会轻松很多。理解了地基再看楼层就不会晕。我眼中的 ReActnone !important我眼中的 ReAct不是一个过时的 prompt 模板也不是一个万能的 Agent 答案。它更像一个学习 Agent 的入口。它把很多后来变得复杂的东西压缩成一个很小的循环想一想做一步看结果再想一想。这个循环朴素到容易被低估。但 Agent 的很多关键问题都能从这里长出来工具怎么设计结果怎么返回错误怎么处理权限怎么控制循环什么时候停止过程怎么记录用户为什么应该信任最后的回答。学 ReAct 的意义也许不在于记住三个关键词。更重要的是建立一种边界感模型负责判断和表达意图工具负责接触外部世界程序负责执行和约束观察结果负责把现实带回上下文。这几个边界清楚之后Agent 就没那么玄了。它仍然复杂也仍然会出错但至少可以拆开看、一步步调、慢慢改。很多技术都是这样。站远了看像一团雾。走近一点发现里面其实是一串脚印。ReAct 做的事就是让模型每走一步都尽量在地上留下一个印子。我们顺着这些印子才知道它到底走到了哪里。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、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。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。