reAct

Reasoning and Acting

ReAct 架构详解与实战应用

ReAct 架构的核心价值

大模型应用落地的关键在于解决「除了陪聊还能做什么」的问题。传统 AI 客服仅能进行情绪安抚，而基于 ReAct 架构的 Agent 可通过调用外部工具（如物流系统查单号、发起退款）实现实际功能，这是玩具与生产力的本质区别，也是行业核心技术壁垒之一。

ReAct 核心原理解析

ReAct 是 reasoning（推理）和 acting（行动）的缩写，核心是让模型具备「思考 → 行动 → 观察」的闭环能力。

• 传统大语言模型（如 ChatGPT）：如同「密室博学家」，仅能基于内部知识推理，易产生幻觉
• ReAct：通过引入外部工具调用（如查天气、数据库、运行代码）和实时反馈，实现「知行合一」

ReAct 核心循环

步骤	说明	示例
Thought（思考）	分析问题并决定需要调用的工具	用户问北京天气，需调用天气查询 API
Action（行动）	执行工具调用	调用天气查询 API
Observation（观察）	获取工具返回结果，基于结果调整后续决策	返回「北京晴 25 度」，形成闭环

与 COT、TOT 的对比

方法	特点	局限性
COT（思维链）	仅依赖模型内部权重推理	无法获取实时信息，易出现「幻觉积累」（一步错步步错）
TOT（思维树）	COT 升级版，推理多种可能性并搜索最优解	成本高、速度慢，工业界落地受限
ReAct	结合思考与行动，通过外部反馈实时纠错	是 Agent 落地的实用架构

---

实战案例：Trip Genius 旅游规划项目

项目背景

旅游规划场景需动态处理天气、机票价格、用户偏好等变量，传统规则引擎无法应对（如天气变化、实时价格波动），需 ReAct Agent 实现动态适应。

技术栈与实现

技术栈：Python + LangChain 框架（封装 ReAct 循环，无需重复造轮子）

Prompt 工程：

• 定人设：设定为「资深旅游规划师」，规范语气和思维方式
• 给工具：提供天气查询、机票搜索、酒店预订等工具，并说明功能
• 定规则：强制按 thinking → action → observation 格式思考，确保推理过程可追溯

代码核心：通过 LangChain 构造 Agent，指定类型为 zero-shot-react-description，开启调试日志可观察 Agent 思考全过程。

运行流程示例

用户需求：「去三亚玩 3 天，预算 5000，避开雨天」

1. 思考：需先查三亚天气
2. 行动：调用天气 API
3. 观察：返回「下周三有暴雨」
4. 动态调整：将潜水安排在周二（晴天），周三改为室内活动，体现环境动态适应能力

进阶难点与解决方案

难点	问题	解决方案
存在性验证	模型可能虚构不存在的信息（如不存在的航班号 CA8888）	代码层强制调用 API 验证，返回 404 则触发重试机制
预算熔断	模型数学能力弱，易超支（如预算 5000 规划 8000 行程）	硬代码约束，超支时返回错误信息，强制 Agent 重新规划
逻辑一致性	行程安排出现物理矛盾（如上午三亚看海、下午哈尔滨看冰雕）	添加物理校验层，防止常识性错误
动态工具选择	环境变化需调整策略	根据环境调整工具权重（如台风预警时锁定户外活动，提升安全工具权重）

---

面试答题结构化演练

STAR 法则应用

• Situation & Task：强调痛点（旅行场景碎片化、动态化，传统规则引擎失效），需构建自我修正的 Agent
• Action：使用 ReAct + LangChain，设计后置校验层（预算熔断）和物理一致性检测（抗幻觉）
• Result：数据化成果（规划效率提升 50%，恶劣天气风险规避率 100%）

答题模板

1. 定调：ReAct 核心是「知行合一」，是 Agent 落地的事实标准
2. 痛点：项目中用户面临动态场景，静态规则失效
3. 技术方案：基于 LangChain 实现 ReAct，创新点在于后置校验层（将超支错误作为观测结果反馈给 Agent）
4. 抗幻觉措施：引入物理一致性检测，防止行程矛盾
5. 数据结果：效率提升 50%，风险规避率 100%