上一篇我们用Coze零代码搭了一个Agent。但如果你想真正理解AI Agent的工作原理，或者想用代码开发更强大的Agent，就必须掌握这三大核心技术：ReAct、Chain-of-Thought和Tool Use。今天，我们把黑盒打开。
一、为什么需要这些技术？
1.1 大模型的原生局限
大语言模型（LLM）很强大，但它有三大硬伤：
| 局限 | 表现 | 后果 |
|---|---|---|
| 知识截止 | 训练数据有截止日期 | 不知道最新信息 |
| 无法行动 | 只能生成文字 | 不能查数据库、不能发邮件 |
| 推理浅薄 | 直接给答案 | 复杂问题容易出错 |
举个栗子：
你问GPT-4：“2024年诺贝尔物理学奖得主是谁？”
它可能回答：“我的知识截止到2024年4月，无法回答这个问题。”
或者瞎编一个答案（幻觉）。
1.2 解决方案：让模型"边想边做"
核心思路：
不要直接给答案，而是让模型一步步推理，需要信息时去查，有工具时去用。
这就是ReAct、CoT、Tool Use要解决的问题。
二、Chain-of-Thought（思维链）：让模型"说出思考过程"
2.1 什么是CoT？
Chain-of-Thought（思维链）= 让模型在给出最终答案前，先展示推理过程。
传统Prompt：
问：一个农场有鸡和兔，头共35个，脚共94只。鸡兔各几只？ 答：CoT Prompt：
问：一个农场有鸡和兔，头共35个，脚共94只。鸡兔各几只？ 答：让我一步步思考。2.2 效果对比
传统输出：
鸡23只，兔12只。（如果错了，你不知道哪里错了）
CoT输出：
让我一步步思考： 1. 假设全是鸡，应该有35×2=70只脚 2. 实际有94只脚，多了94-70=24只 3. 每只兔比鸡多2只脚，所以兔有24÷2=12只 4. 鸡有35-12=23只 答案：鸡23只，兔12只。（每一步都清晰，错了也容易定位）
2.3 CoT为什么有效？
类比：就像你解数学题时，在草稿纸上写步骤，而不是直接写答案。
技术原理：
- LLM是自回归模型，一次生成一个token
- 生成中间步骤 → 为后续token提供更好的上下文
- 复杂推理被拆解 → 每步难度降低 → 准确率提升
2.4 CoT的实战技巧
技巧1：显式触发
在Prompt里加入触发词：
- "让我们一步步思考" - "请展示你的推理过程" - "先分析，再回答" - "Think step by step"技巧2：Few-shot CoT
给模型看示例：
问：小明有5个苹果，给了小红2个，又买了3个，现在有几个？ 答： 步骤1：小明原有5个苹果 步骤2：给小红2个后，剩5-2=3个 步骤3：又买3个，有3+3=6个 答案：6个 问：一个水池，进水管5小时注满，出水管7小时排空，同时打开几小时注满？ 答：技巧3：Self-Consistency（自一致性）
让模型生成多条推理路径，投票选最一致的答案：
请用3种不同方法解答这个问题，然后选择最可靠的答案。2.5 CoT的局限
| 局限 | 说明 |
|---|---|
| 增加token消耗 | 推理过程也要算钱 |
| 不保证正确 | 步骤错了，答案也错 |
| 简单问题没必要 | 1+1=2不需要CoT |
使用建议：复杂推理任务用CoT，简单问答不
