关于智能体开发范式之——ReAct(Reasoning and Acting)到底是什么？

目前基于大模型构建上层应用，其中很大的一个问题就是大模型的能力不足，特别是在复杂场景下的逻辑思维能力，明显存在严重的缺陷；而且由于安全性问题，大模型整体运行过程是一个黑盒模型，我们并不知道其内部到底是怎么运作的。

因此，这时就需要一种方式让大模型给出具体的思考和行动过程，一是为了弄明白大模型是怎么思考的，二是为了让大模型能够处理更复杂的逻辑问题。

人工智能技术的发展是为了让机器取代人类，使人类从繁重的生产任务中脱离出来；因此人工智能技术不仅仅只是用来生成一些文字，图片；最重要的是让大模型真的能够像人类一样干活，使用各种工具去处理各种复杂的事情。

但大模型是一个没有物理实体的程序，怎么才能让大模型去接触现实世界呢？

因此这时Agent智能体就产生了，智能体的作用就是让大模型能够使用外部工具和现实世界进行接触，而这也是为什么说Agent智能体是通往通用人工智能(AGI)的桥梁。

虽然说目前大模型可以通过Function call和MCP等方式来使用外部工具；但有一个问题就是，大模型在处理复杂问题时能力有限，因为它无法做到像人类一样，把一个复杂的任务通过拆分形成多个简单的子任务。

所以，这时就需要一种方式来让大模型像人类一样进行思考和行动，而这时就有人提出了一个方法论——Reasoning And Acting思考和行动；简称——ReAct。

可能很多人都听说过这个词，但我相信很多人八成都没弄明白这个词到底是怎么回事；虽然有文档解释ReAct的理念，但我想很多人应该都看不明白，包括作者自己。

在前面的文章中提过，大模型应用的核心就是把大模型当做一个人，而不是一个无所不能的神；而不同的大模型就类似于不同的人，有些擅长创作类，比如AIGC，有些擅长逻辑推理比如说GPT4和DeepSeek-R1等。

因此，把大模型类比于人类，就可以更好地理解大模型应用的本质；那么人类在面对复杂问题时都是怎么处理的？

首先，就是要分析问题，然后拆解问题，最后一步一步的解决问题，而且在解决问题的过程中还要不断的思考，总结和调整方向和策略。

因此，仿造人类解决复杂问题的过程，就提出了大模型的ReAct范式；其原理就类似于人类解决复杂问题的过程。

ReAct范式主要包括以下几个方面，以提示词模板为例：

Question: 用户问题

thought: 大模型思考过程

action: 调用工具执行

observation: 观察总结

final answer: 最终答案

这玩意看起来好像很好理解，但实际用的时候发现好像又没那么简单；原因就在于我们没搞明白大模型为什么会按照这种要求去做。

其实，我们换个角度就很好理解这个问题了；这玩意就类似于一个模板，比如我写文章，写论文需要有一些模板格式；而这就相当于我们的论文模板，只不过这个模板是思考和行动的过程。

这就类似于，领导给下属分配一个任务，让下属去处理；但由于这个下属能力不足，害怕出错，所以领导就交给他一个方法论，把问题，思考过程，行动过程，以及总结的过程都按照以上方式记录下来，这样就能避免主观犯错。

OK，这里弄明白了ReAct模式的提示词方式，那ReAct应用于Agent智能体的开发应该怎么办呢？

毕竟智能体是LLM+Prompt+Tools的集合，怎么才能让智能体按照这种思考方式来处理问题呢？并且，当其中某个环节执行失败时，智能体能够及时总结和调整找到其它的解决方案。

并且智能体还需要在失败和用户反馈中，不断的优化其执行方案和结果；那ReAct智能体的执行过程是什么样的？

根据提示词的这个过程，大模型在接受到用户请求(question)之后(也就是提示词，提示词中包括用户的问题，以及一些条件和约束等)；大模型拿到问题之后，就会进行思考分析(thought)，然后根据思考结果判断是依靠自身能力解决，还是需要调用外部工具解决，这一步就是行动(action)。

而大模型在思考完成并调用工具行动之后，会拿到一个结果；但这个结果可能并不是对的，或者只是中间某一步的结果；因此，大模型还需要观察(observation)工具执行的结果，是否拿到正确结果，也就是是否符合用户的问题，以及执行过程中是否出现错误或异常等。

当，工具执行出现异常或没有拿到正确结果之前，智能体需要自己能够解决问题找到新的解决方案，或者是继续之后后面的步骤，拿到最终的结果(final answer)。