ReAct = Reasoning（推理）+ Acting（行动），由 Yao 等人于 2022 年提出。核心思想是让 LLM 以交错方式生成推理痕迹和执行任务行动。
1. Thought（思考） - 模型规划下一步行动
2. Action（行动） - 与外部资源交互（如搜索引擎、知识库）
3. Observation（观察） - 获取反馈，调整推理方向
方法
特点
Chain-of-Thought
仅依赖内部知识，容易产生幻觉
ReAct
能访问外部信息源，减少事实错误
在知识密集型任务（如问答、事实验证）表现优异
推理过程可解释、可追踪
与 CoT 结合使用效果最佳
依赖外部搜索结果的质量
检索信息不足时，模型难以恢复推理
某些任务仍不如人类专家
ReAct 通过让 LLM "边思考边行动"，克服了纯推理方法的知识局限，是构建 AI Agent 的重要技术基础。
什么是 ReAct？
ReAct = Reasoning（推理）+ Acting（行动），由 Yao 等人于 2022 年提出。核心思想是让 LLM 以交错方式生成推理痕迹和执行任务行动。
工作流程
ReAct 采用三步循环：
1. Thought（思考） - 模型规划下一步行动
2. Action（行动） - 与外部资源交互（如搜索引擎、知识库）
3. Observation（观察） - 获取反馈，调整推理方向
与传统 CoT 的区别
方法
特点
Chain-of-Thought
仅依赖内部知识，容易产生幻觉
ReAct
能访问外部信息源，减少事实错误
优势
在知识密集型任务（如问答、事实验证）表现优异
推理过程可解释、可追踪
与 CoT 结合使用效果最佳
局限性
依赖外部搜索结果的质量
检索信息不足时，模型难以恢复推理
某些任务仍不如人类专家
一句话总结：
ReAct 通过让 LLM "边思考边行动"，克服了纯推理方法的知识局限，是构建 AI Agent 的重要技术基础。