本文详细拆解了ReAct大模型的核心思想，即推理（Thought）与行动（Action）的交替循环。通过Thought阶段用自然语言描述推理过程、Action阶段执行具体操作、Observation阶段获取执行结果，ReAct模式让Agent每步决策都有迹可循。文章对比了ReAct与纯推理/纯行动模式的优劣，指出ReAct虽消耗较高但可解释性强，特别适合复杂任务。对于想入门大模型开发的小白，本文提供了实用的Agent设计思路和代码示例，建议收藏学习。

ReAct 命名由来

ReAct 是一个合成词，由两部分组成：

Re —— 取自 Reasoning（推理）

Act —— 取自 Acting（行动）

把两个词的"主干"拼起来就是 ReAct：

ReAct 命名由来：Re(asoning) + (A)ct(ing)

ReAct 的核心思想

ReAct 来自 2022 年的论文 ReAct: Synergizing Reasoning and Acting in Language Models，核心思想是将推理和行动交织在一起：

Thought: 我需要先查天气 Action: get_weather("北京") Observation: 北京今天晴，25°C Thought: 天气不错，可以安排户外活动 Action: final_answer("北京今天晴，25°C，适合户外活动")

为什么推理和行动要交替？

关键洞察：ReAct 的本质是让模型在每一步都"说出"自己的推理过程。这不仅帮助模型自己理清思路，也让开发者能审查和调试 Agent 的决策逻辑。

Thought：思维链驱动决策

Thought 是 ReAct 的"大脑"——模型在每次行动前，先用自然语言描述自己的推理过程。这不是给用户看的，而是给模型自己看的。

# Thought 阶段：模型推理 def thought(observations: str, history: list) -> str: """模型推理下一步该做什么""" prompt = f"""你是一个 ReAct Agent。请按以下格式思考： 当前观察：{observations} 历史记录： {format_history(history)} 请思考下一步该做什么。格式： Thought: [你的推理过程] Action: [具体行动] """ response = llm.generate(prompt) return extract_thought(response)

Thought 的设计原则：

1. 明确推理：模型必须用自然语言说明"为什么"要做这个行动

2. 引用观察：推理必须基于当前观察，不能凭空想象

3. 规划步骤：如果任务复杂，模型应该分解为多个子步骤

示例：

Thought: 用户想了解北京天气并推荐活动。我需要先查询天气， 然后根据天气情况推荐合适的活动。这是两个子任务。 Action: get_weather("北京")

Action：执行具体操作

Action 是 ReAct 的"手"——根据 Thought 的推理，执行具体的操作。Action 可以是工具调用，也可以是返回最终答案。

# Action 阶段：执行操作 def action(thought: str, tools: dict) -> str: """根据推理执行具体操作""" prompt = f"""基于以下推理，决定具体行动： {thought} 可用工具： {format_tools(tools)} 输出 JSON 格式： {{"type": "tool_call", "tool": "工具名", "args": {{}}}} 或：{{"type": "final_answer", "answer": "最终答案"}} """ response = llm.generate(prompt) decision = parse_decision(response) # 执行工具调用 if decision["type"] == "tool_call": tool_name = decision["tool"] args = decision["args"] result = tools[tool_name](args) return f"Observation: {result}" # 返回最终答案 elif decision["type"] == "final_answer": return f"Final Answer: {decision['answer']}"

Action 的类型：

Observation：获取执行结果

Observation 是 ReAct 的"眼睛"——获取 Action 的执行结果，作为下一轮 Thought 的输入。

# Observation 阶段：获取结果 def observation(action_result: str) -> str: """获取 Action 的执行结果""" # 解析 Observation if action_result.startswith("Observation:"): return action_result[len("Observation:"):].strip() elif action_result.startswith("Final Answer:"): return action_result[len("Final Answer:"):].strip() else: return action_result

Observation 的设计原则：

1. 简洁性：只包含必要信息，不添加额外解释

2. 结构化：用清晰的格式组织结果，便于下一轮推理

3. 错误处理：如果工具执行失败，返回错误信息而非崩溃

ReAct 的完整流程

将 Thought、Action、Observation 组合成完整的 ReAct 循环：

# ReAct Agent 的完整实现 def react_agent(user_input: str, tools: dict, max_steps: int = 10): """ReAct Agent 核心循环""" history = [] current_observation = f"用户请求：{user_input}" for step in range(max_steps): # Thought：推理 thought_text = thought(current_observation, history) # Action：决策 action_result = action(thought_text, tools) # 检查是否完成 if action_result.startswith("Final Answer:"): return action_result[len("Final Answer:"):].strip() # Observation：获取结果 current_observation = observation(action_result) # 记录历史 history.append({ "step": step + 1, "thought": thought_text, "action": action_result, "observation": current_observation }) return "任务未能在限定步数内完成"

完整流程示例：

用户：北京今天天气怎么样？适合户外活动吗？ Step 1: Thought: 用户想了解北京天气。我需要先查询天气数据。 Action: get_weather("北京") Observation: 北京今天晴，25°C，湿度 45%，微风 Step 2: Thought: 天气数据已获取。晴天、25°C、微风，非常适合户外活动。 Action: final_answer("北京今天晴，25°C，微风，非常适合户外活动")

ReAct 循环：Thought → Action → Observation 反复迭代

ReAct 与纯推理/纯行动的对比

ReAct vs CoT：推理+行动 vs 纯推理

ReAct 的优势：

1. 可解释性：每步都有推理过程，便于调试和审查

2. 灵活性：能根据中间结果动态调整后续行动

3. 鲁棒性：推理过程帮助模型避免走偏

ReAct 的局限：

1. Token 消耗：每步都需要 LLM 调用，成本较高

2. 延迟：推理过程增加响应时间

3. 复杂度：需要设计合适的 Prompt 和工具接口

总结

ReAct 是推理（Thought）和行动（Action）交替的 Agent 设计模式

Thought 是思维链驱动决策，模型用自然语言说明推理过程

Action 是执行具体操作，可以是工具调用或返回最终答案

Observation 是获取执行结果，作为下一轮推理的输入

ReAct 兼顾推理和行动，适用于复杂任务和多步推理

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 为什么要做 RAG

• 搭建一个简单的 ChatPDF

• 检索的基础概念

• 什么是向量表示（Embeddings）

• 向量数据库与向量检索

• 基于向量检索的 RAG

• 搭建 RAG 系统的扩展知识

• 混合检索与 RAG-Fusion 简介

• 向量模型本地部署

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。