目录

1. 框架初步分析
   1.1 ReAct名称解读
   1.2 应用场景关联与初步认知

2. ReAct核心知识
   2.1 大模型推理的局限性
   2.2 ReAct的基本定义

3. ReAct框架原理拆解
   3.1 Thought-Action-Observation循环
   3.2 外部工具调用机制
   3.3 与纯推理方案的区别

4. 实战案例

5. 拓展

---

1. 框架初步分析

1.1 ReAct名称解读

ReAct是Reasoning与Acting两个词的缩写，分别对应"推理"和"行动"。从命名可以看出，这个框架的核心是将模型的思考过程与执行操作结合起来，而不是让模型仅进行内部推理。

1.2 应用场景关联与初步认知

在了解ReAct之前，让我们先看大模型在实际使用中的两个典型问题：

1. 知识截止：模型训练数据有固定截止日期，无法获取实时信息
2. 幻觉问题：对不确定的内容，模型会生成看似合理但实际错误的信息

ReAct的设计思路是：当模型遇到超出自身知识范围的问题时，不再基于内部记忆推测，而是主动调用外部工具获取真实数据，再基于返回结果继续分析。

---

2. ReAct核心知识

2.1 大模型推理的局限性

技术的出现是为了解决阶段性痛点。所以，要学习ReAct框架，我们要先知道它为什么被研发出来。当前大语言模型主要存在以下局限：

问题	具体表现
知识截止	训练数据截止到某个时间点，无法回答最新事件
幻觉	对不确定的内容生成错误信息，且表述看似合理
无法执行操作	不能主动查询数据库、调用API或执行代码

这些局限在需要实时数据或精确事实的场景下影响很大。特别是幻觉问题，很多朋友前几年肯定深受其害，AI认真思考后信誓旦旦地给出“正确答案”，结果却闹了笑话，让人恼怒。使用ReAct框架就可以有效地缓解这种问题。

2.2 ReAct的基本定义

ReAct框架由Google Research在2022年提出，核心机制是让大语言模型在任务执行过程中交替进行推理和行动，并通过观察结果不断调整后续策略。

其基本流程分为三步：

步骤	名称	作用
第一步	Thought（思考）	分析当前状态，决定下一步需要获取什么信息
第二步	Action（行动）	调用外部工具（搜索引擎、API、数据库等）执行操作
第三步	Observation（观察）	接收工具返回的结果，更新上下文

这三个步骤循环执行，直到模型判断已获取足够信息，输出最终答案。

---

3. ReAct框架原理拆解

3.1 Thought-Action-Observation循环

这个循环是ReAct的核心执行逻辑，流程如下：

Thought（思考） → Action（行动） → Observation（观察） → Thought（再思考） → ...

每一步Action都会调用一个外部工具。工具返回的结果进入Observation环节，模型基于这个新信息重新评估当前方案，决定下一步行动。这种机制让推理过程可以动态调整，而不是一次性生成固定答案。

3.2 外部工具调用机制

ReAct框架不限制具体使用什么工具，常见的包括：

工具类型	典型用途
搜索引擎	获取实时信息、补充知识盲区
数据库查询	查询结构化数据
代码执行器	执行操作、验证结果
API接口	调用第三方服务

工具返回的真实数据替代了模型的内部推测，这是减少幻觉的关键手段。

3.3 与纯推理方案的区别

这里需要区分几个相关概念：

• CoT（Chain of Thought）：仅让模型展示推理过程，所有信息来自模型内部记忆，遇到知识盲区只能基于训练数据推测
• ReAct：在推理过程中引入外部工具调用，模型可以主动获取实时信息，不再局限于内部知识

两者的本质区别在于是否具备与外部环境交互的能力。

---

4. 实战案例

施工中…后续发布，敬请期待~（偷懒了，之后会单开一篇演示）
补档：实战案例已新鲜出炉，详阅博客地址

---

5. 拓展（非必要学习内容，但会总比不会强）

CoT（Chain of Thought）仅展示中间推理步骤，不涉及外部环境交互；
ToT（Tree of Thought）在此基础上增加了多路径探索和回溯机制，但仍局限于模型内部知识；
ReAct通过引入工具调用实现了模型与环境的实时交互。三者可以结合使用，不是替代关系。

喜欢我的文章请点关注，我们一起学习进步！