“ ReAct思考和行動，既是一種方法論，也是一種范式，更是一種提示詞模板，還是一種Agent智能體的開發方式。”

目前基于大模型構建上層應用，其中很大的一個問題就是大模型的能力不足，特別是在復雜場景下的邏輯思維能力，明顯存在嚴重的缺陷；而且由于安全性問題，大模型整體運行過程是一個黑盒模型，我們并不知道其內部到底是怎么運作的。

因此，這時就需要一種方式讓大模型給出具體的思考和行動過程，一是為了弄明白大模型是怎么思考的，二是為了讓大模型能夠處理更復雜的邏輯問題。

Reasoning And Acting思考和行動

人工智能技術的發展是為了讓機器取代人類，使人類從繁重的生產任務中脫離出來；因此人工智能技術不僅僅只是用來生成一些文字，圖片；最重要的是讓大模型真的能夠像人類一樣干活，使用各種工具去處理各種復雜的事情。

但大模型是一個沒有物理實體的程序，怎么才能讓大模型去接觸現實世界呢？

因此這時Agent智能體就產生了，智能體的作用就是讓大模型能夠使用外部工具和現實世界進行接觸，而這也是為什么說Agent智能體是通往通用人工智能(AGI)的橋梁。

雖然說目前大模型可以通過Function call和MCP等方式來使用外部工具；但有一個問題就是，大模型在處理復雜問題時能力有限，因為它無法做到像人類一樣，把一個復雜的任務通過拆分形成多個簡單的子任務。

所以，這時就需要一種方式來讓大模型像人類一樣進行思考和行動，而這時就有人提出了一個方法論——Reasoning And Acting思考和行動；簡稱——ReAct。

可能很多人都聽說過這個詞，但我相信很多人八成都沒弄明白這個詞到底是怎么回事；雖然有文檔解釋ReAct的理念，但我想很多人應該都看不明白，包括作者自己。

在前面的文章中提過，大模型應用的核心就是把大模型當做一個人，而不是一個無所不能的神；而不同的大模型就類似于不同的人，有些擅長創作類，比如AIGC，有些擅長邏輯推理比如說GPT4和DeepSeek-R1等。

因此，把大模型類比于人類，就可以更好地理解大模型應用的本質；那么人類在面對復雜問題時都是怎么處理的？

首先，就是要分析問題，然后拆解問題，最后一步一步的解決問題，而且在解決問題的過程中還要不斷的思考，總結和調整方向和策略。

因此，仿造人類解決復雜問題的過程，就提出了大模型的ReAct范式；其原理就類似于人類解決復雜問題的過程。

ReAct范式主要包括以下幾個方面，以提示詞模板為例：

Question: 用戶問題

thought: 大模型思考過程

action: 調用工具執行

observation: 觀察總結

final answer: 最終答案

這玩意看起來好像很好理解，但實際用的時候發現好像又沒那么簡單；原因就在于我們沒搞明白大模型為什么會按照這種要求去做。

其實，我們換個角度就很好理解這個問題了；這玩意就類似于一個模板，比如我寫文章，寫論文需要有一些模板格式；而這就相當于我們的論文模板，只不過這個模板是思考和行動的過程。

這就類似于，領導給下屬分配一個任務，讓下屬去處理；但由于這個下屬能力不足，害怕出錯，所以領導就交給他一個方法論，把問題，思考過程，行動過程，以及總結的過程都按照以上方式記錄下來，這樣就能避免主觀犯錯。

OK，這里弄明白了ReAct模式的提示詞方式，那ReAct應用于Agent智能體的開發應該怎么辦呢？

畢竟智能體是LLM+Prompt+Tools的集合，怎么才能讓智能體按照這種思考方式來處理問題呢？并且，當其中某個環節執行失敗時，智能體能夠及時總結和調整找到其它的解決方案。

并且智能體還需要在失敗和用戶反饋中，不斷的優化其執行方案和結果；那ReAct智能體的執行過程是什么樣的？

根據提示詞的這個過程，大模型在接受到用戶請求(question)之后(也就是提示詞，提示詞中包括用戶的問題，以及一些條件和約束等)；大模型拿到問題之后，就會進行思考分析(thought)，然后根據思考結果判斷是依靠自身能力解決，還是需要調用外部工具解決，這一步就是行動(action)。

而大模型在思考完成并調用工具行動之后，會拿到一個結果；但這個結果可能并不是對的，或者只是中間某一步的結果；因此，大模型還需要觀察(observation)工具執行的結果，是否拿到正確結果，也就是是否符合用戶的問題，以及執行過程中是否出現錯誤或異常等。

Question: 用戶問題

thought: 大模型思考過程

action: 調用工具執行

observation: 觀察總結

final answer: 最終答案

當，工具執行出現異常或沒有拿到正確結果之前，智能體需要自己能夠解決問題找到新的解決方案，或者是繼續之后后面的步驟，拿到最終的結果(final answer)。

本文轉載自??AI探索時代?? 作者：DFires