Reasoning + Acting: ReAct范式与ReAct Agent

引言

在人工智能领域，大型语言模型（LLM）的出现带来了前所未有的可能性。然而，LLM 并非万能，它们会“幻觉”，它们无法实时获取信息。为了弥补这些不足，ReAct 范式应运而生，它赋予了 LLM 像人类一样“思考”（Reasoning）和“行动”（Acting）的能力，从而构建出更强大、更可靠的ReAct Agent。

传统 LLM 的局限性：为什么需要 ReAct

想象一下，你问一个普通的 LLM：“请帮我规划一下从上海到北京的火车票，并告诉我天气情况。”

• 票务信息：LLM 可能会给出一些看似合理但实际上是虚构的票务信息，因为它无法访问实时票务系统。
• 天气信息：LLM 只能根据其训练数据回答历史天气，而无法提供实时天气。

核心问题：传统的 LLM 缺乏与外部世界交互的能力，它们无法调用工具，也无法根据真实世界的反馈进行调整。

ReAct 范式登场：思考、行动、观察、迭代的循环

ReAct是谁提出来的？

在人工智能领域，ReAct（Reasoning and Acting）框架是由普林斯顿大学（Princeton University）和谷歌研究院（Google Research，特别是 Brain 团队）的科研人员共同提出的。

该框架首次出现在 2022 年发表的论文 《ReAct: Synergizing Reasoning and Acting in Language Models》 中。其主要贡献者包括：

• 姚顺雨 (Shunyu Yao)：论文第一作者，来自普林斯顿大学。
• Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Yuan Cao：来自谷歌研究院。
• Karthik Narasimhan：来自普林斯顿大学。

姚顺雨（Shunyu Yao）目前被公认为 AI Agent（人工智能体）领域的全球顶尖青年学者和领军人物之一。

小八卦：2025 年 12 月，腾讯官方确认姚顺雨已正式加盟，出任首席 AI 科学家（Chief AI Scientist），直属于 CEO/总裁办，并领导新成立的AI Infra 部门和大模型部门。

什么是 ReAct 范式

它的核心逻辑是一个四元组的循环：

Thought (思考) → Action (行动) → Observation (观察) →迭代

核心组件分解：

• Thought (推理)：模型对当前任务进行分析，计划下一步要做什么（例如：“我需要查询当前的股价”）。
• Action (行动)：模型决定调用哪个外部工具（Tool/Function Calling），并给出参数（例如：调用get_stock_price(symbol="AAPL")）。
• Observation (观察)：模型接收外部工具返回的真实结果（例如：“Apple 股价为 190 美元”）。
• 迭代：基于观察结果继续思考和行动，直到完成任务。
  

ReAct Agent：具有“手脚”的智能体

定义

ReAct Agent就是基于 ReAct 范式构建的智能体。你可以把它想象成一个拥有大脑（LLM）和“手脚”（外部工具）的机器人。它不再仅仅是回答问题，而是能够：

• 理解并规划：解析用户意图。
• 调用工具：执行特定的外部操作。
• 处理反馈：根据工具返回的真实世界信息调整策略。
• 迭代优化：通过多轮思考-行动-观察，逐步接近最终答案

案例

这样说太干了，来点案例？😈

用户：“计算一下 2023 年 8 月 15 日，上海浦东新区有多少人会去迪士尼乐园，然后告诉我当天是否会下雨？”

1. Thought:“用户想知道迪士尼客流量和天气。我需要一个获取客流量的工具和一个天气查询工具。客流量可能需要结合历史数据和节假日因素，天气是实时的。”
2. Action:“调用get_disney_attendance_estimate(date='2023-08-15', location='上海浦东新区')工具。”
3. Observation:“迪士尼乐园在 8 月 15 日（非周末）预计客流量为 30,000 人。”
4. Thought:“我已经获取了客流量。现在需要获取天气信息。”
5. Action:“调用get_current_weather(location='上海浦东新区', date='2023-08-15')工具。”
6. Observation:“2023 年 8 月 15 日，上海浦东新区预计小雨。”
7. Thought:“我已经获取了所有需要的信息，可以回答用户了。”
8. Action:“回答用户：‘根据预测，2023 年 8 月 15 日上海浦东迪士尼乐园预计客流量为 30,000 人，当天预计会有小雨。’”

深入后端开发：ReAct Agent 的实现框架

对于后端开发者来说，手动实现 ReAct 范式需要大量的提示词工程和状态管理。幸运的是，目前主流的 AI 框架都提供了对 ReAct 的开箱即用支持：

• Spring AI/Spring AI Alibaba
• Langchain4j

Spring AI Alibaba (声明式/配置式)

它更倾向于通过 Spring 的 Bean 注入和ChatClient来实现，其深度绑定 Spring 生态。

// 典型的 Spring 风格：通过 ChatClient 绑定工具 var chatClient = chatClientBuilder .defaultFunctions("currentWeatherTool") // 注册为 Spring Bean 的工具 .build(); // 执行时，Spring AI 内部会封装 ReAct 的循环逻辑 String response = chatClient.prompt("上海今天天气怎么样？").call().content();

LangChain4j (命令式/编排式)

它更像是一个工具箱，让你显式地构建“大脑”和“手脚”。如果你需要复杂的底层agent编排，那它更加适合你。

Assistant assistant = AiServices.builder(Assistant.class) .chatLanguageModel(model) .tools(new WeatherTool()) // 手动绑定工具类 .chatMemory(MessageWindowChatMemory.withMaxMessages(10)) .build(); String response = assistant.chat("上海今天天气怎么样？");

对比总结

总结

ReAct范式很好地指导了agent如何思考并调用工具解决用户提出的问题，虽然耗费的token会多很多，但是幻觉问题得到大大缓解。这是agent开发的新的指导范式和里程碑。