ReAct 是什么？说说它的原理

安逸Ai大约 2 分钟ReAct推理Agent

这道题考的是 ReAct 推理框架的核心原理，本质是"大模型如何把思考和行动结合起来"这个问题。面试官想看你能不能说清楚：为什么需要 ReAct？它比 CoT 好在哪？它是怎么工作的？

我分四个部分来讲：先说 CoT 的局限性，再说 ReAct 的原理，接着说为什么它有效，最后说现代 LLM 对它的进化。

先有 CoT 推理，才有 ReAct 行动

在说 ReAct 之前，得先说它的前身——CoT（Chain of Thought）思维链。

CoT 干的事情很简单：让大模型在回答问题的时候，把推理步骤一步一步写出来。比如问"小明有5个苹果，给了小红2个，还剩几个？"，CoT 会让模型输出"5 - 2 = 3，所以还剩3个"。

这比直接蹦答案强多了。模型能把中间过程暴露出来，推理更稳，答案更准。

但 CoT 有个根本问题：它只让模型"想"，不让模型"做"。

模型在脑子里推理了半天，最后还是只能给你一段文字。它没法去查天气、没法算数学、没法查数据库，所有"需要动手干的事"，它都干不了。

这就好比一个学霸，解题步骤写得漂漂亮亮，但最后算结果的时候，只能靠猜。

ReAct 就是来解决这个问题的——它让模型不仅能想，还得能行动。

阅读全文

ReAct = Reasoning + Acting，翻译过来就是"推理 + 行动"。

它的核心思想是：在模型的推理链里，插入"行动"这个环节。模型推理到一半，可以调用外部工具，完成后再把结果接回来继续推理。

怎么实现的？

通过 prompt 格式约束。

给大模型一套固定的"剧本格式"，让它按这个格式输出。这套格式长这样：

Thought: 我现在要做什么
Action: 我要调用什么工具