Agent 经典范式构建之 ReAct (Reasoning and Acting)：一种将“思考”和“行动”紧密结合的范式，让智能体边想边做，动态调整-开发者社区

Agent 经典范式构建之 ReAct (Reasoning and Acting)：一种将“思考”和“行动”紧密结合的范式，让智能体边想边做，动态调整

@[TOC](Agent 经典范式构建之 ReAct (Reasoning and Acting)：一种将“思考”和“行动”紧密结合的范式，让智能体边想边做，动态调整)

前言

11月份低，我开始尝试使用cursor帮我写一些苦力的业务的代码，初始使用感觉AI编程已经基本啥都可以干，再加上企业的推广自家编码工具的流量特别大，当时网络上一些主播跟着流量，导致整个网络满天飞AI可以取代程序员了，当时还是特别慌的了。当时随着我使用两个月，我最近拿它做一下从0到1的开发两个技术性的项目最终都是以失败告终，发现基本只是demo，不能商业化使用而且发现项目代码基本最后你都能读懂，但是你就是不知道怎么改的情况。

第一次使用时候，我是拿它写一些业务上的事情、项目上应急的和注释啥的，感觉都可以胜任。目前感觉写一些网页的画面可以使用它，其它一些还是自己写比较靠谱。

智能体（Agent）的经典范式之ReAct（思考和行动）紧密结合的范式，让智能体边想边做的动态调整

最经典的一个智能体范式ReAct (Reason + Act)。ReAct由Shunyu Yao于2022年提出[1]，其核心思想是模仿人类解决问题的方式，将推理 (Reasoning) 与行动 (Acting) 显式地结合起来，形成一个“思考-行动-观察”的循环。

一、ReAct 的工作流程

Observation（观察）
Thought / Reasoning（推理）
Action（行动）
Tool / Environment（工具/环境）
Observation（反馈）
循环，直到 Final Answer

ReAct的巧妙之处在于，它认识到思考与行动是相辅相成的。思考指导行动，而行动的结果又反过来修正思考。为此，ReAct范式通过一种特殊的提示工程来引导模型，使其每一步的输出都遵循一个固定的轨迹：

Thought (思考)：这是智能体的“内心独白”。它会分析当前情况、分解任务、制定下一步计划，或者反思上一步的结果。
Action (行动)：这是智能体决定采取的具体动作，通常是调用一个外部工具，例如 Search[‘华为最新款手机’]。
Observation (观察)：这是执行Action后从外部工具返回的结果，例如搜索结果的摘要或API的返回值。

智能体将不断重复这个 Thought -> Action -> Observation 的循环，将新的观察结果追加到历史记录中，形成一个不断增长的上下文，直到它在Thought中认为已经找到了最终答案，然后输出结果。这个过程形成了一个强大的协同效应：推理使得行动更具目的性，而行动则为推理提供了事实依据。

需要外部知识的任务：如查询实时信息（天气、新闻、股价）、搜索专业领域的知识等。
需要精确计算的任务：将数学问题交给计算器工具，避免LLM的计算错误。
需要与API交互的任务：如操作数据库、调用某个服务的API来完成特定功能。

因此我们将构建一个具备使用外部工具能力的ReAct智能体，来回答一个大语言模型仅凭自身知识库无法直接回答的问题。例如：“华为最新的手机是哪一款？它的主要卖点是什么？” 这个问题需要智能体理解自己需要上网搜索，调用工具搜索结果并总结答案

二、ReAct系统提示词

REACT_PROMPT_TEMPLATE=""" 请注意，你是一个有能力调用外部工具的智能助手。 可用工具如下： {tools} # 输出格式要求: 你的每次回复必须严格遵循以下格式，包含一对Thought和Action： Thought: [你的思考过程和下一步计划] Action: [你要执行的具体行动] Action的格式必须是以下之一： 1. 调用工具：function_name(arg_name="arg_value") 2. 结束任务：Finish[最终答案] # 重要提示: - 每次只输出一对Thought-Action - Action必须在同一行，不要换行 - 当收集到足够信息可以回答用户问题时，必须使用 Action: Finish[最终答案] 格式结束 现在，请开始解决以下问题： Question: {question} History: {history} """

三、ReActAgent代码实现

classReActAgent:def__init__(self,llm_client:AgentsLLM,tool_executor:ToolExecutor,max_steps:int=5):self.llm_client=llm_client self.tool_executor=tool_executor self.max_steps=max_steps self.history=[]defrun(self,question:str):self.history=[]current_step=0whilecurrent_step<self.max_steps:current_step+=1print(f"\n--- 第{current_step}步 ---")tools_desc=self.tool_executor.getAvailableTools()history_str="\n".join(self.history)prompt=REACT_PROMPT_TEMPLATE.format(tools=tools_desc,question=question,history=history_str)messages=[{"role":"user","content":prompt}]response_text=self.llm_client.think(messages=messages)print(f"完整响应文本:{response_text}");ifnotresponse_text:print("错误：LLM未能返回有效响应。");breakthought,action=self._parse_output(response_text)ifthought:print(f"🤔 思考:{thought}")ifnotaction:print("警告：未能解析出有效的Action，流程终止。");breakifaction.startswith("Finish"):# 如果是Finish指令，提取最终答案并结束final_answer=self._parse_action_input(action)print(f"🎉 最终答案:{final_answer}")returnfinal_answer tool_name,tool_input=self._parse_action(action)ifnottool_nameornottool_input:self.history.append("Observation: 无效的Action格式，请检查。");print("警告：解析到的Action格式无效，跳过此步骤。");continueprint(f"🎬 行动:{tool_name}[{tool_input}]")tool_function=self.tool_executor.getTool(tool_name)observation=tool_function(tool_input)iftool_functionelsef"错误：未找到名为 '{tool_name}' 的工具。"print(f"👀 观察:{observation}")self.history.append(f"Action:{action}")self.history.append(f"Observation:{observation}")print("已达到最大步数，流程终止。")returnNonedef_parse_output(self,text:str):thought_match=re.search(r"Thought: (.*)",text)action_match=re.search(r"Action: (.*)",text)thought=thought_match.group(1).strip()ifthought_matchelseNoneaction=action_match.group(1).strip()ifaction_matchelseNonereturnthought,actiondef_parse_action(self,action_text:str):match=re.match(r"(\w+)\[(.*)\]",action_text)return(match.group(1),match.group(2))ifmatchelse(None,None)def_parse_action_input(self,action_text:str):match=re.match(r"\w+\[(.*)\]",action_text)returnmatch.group(1)ifmatchelse""if__name__=='__main__':llm=AgentsLLM()tool_executor=ToolExecutor()search_desc="一个网页搜索引擎。当你需要回答关于时事、事实以及在你的知识库中找不到的信息时，应使用此工具。"tool_executor.registerTool("Search",search_desc,search)agent=ReActAgent(llm_client=llm,tool_executor=tool_executor,max_steps=10)question="华为最新的手机是哪一款？它的主要卖点是什么？"agent.run(question)

四、工具执行实现

classToolExecutor:""" 一个工具执行器，负责管理和执行工具。 """def__init__(self):self.tools:Dict[str,Dict[str,Any]]={}defregisterTool(self,name:str,description:str,func:callable):""" 向工具箱中注册一个新工具。 """ifnameinself.tools:print(f"警告:工具 '{name}' 已存在，将被覆盖。")self.tools[name]={"description":description,"func":func}print(f"工具 '{name}' 已注册。")defgetTool(self,name:str)->callable:""" 根据名称获取一个工具的执行函数。 """returnself.tools.get(name,{}).get("func")defgetAvailableTools(self)->str:""" 获取所有可用工具的格式化描述字符串。 """return"\n".join([f"-{name}:{info['description']}"forname,infoinself.tools.items()])