ReAct（Reasoning + Acting）

由 Google 在 2022 年论文中提出的 LLM 推理范式，将"思考（Thought）"与"行动（Action）"交替进行，是 AI Agent 设计的经典蓝图。

定义

ReAct = Reasoning + Acting。LLM 在循环中交替生成：

• Thought（思考）：当前我应该做什么？
• Action（行动）：调用某个工具 / 函数
• Observation（观察）：拿到工具返回结果
• 回到 Thought，直到任务完成

由 Google Brain & Princeton 大学研究人员 Shunyu Yao 等在 2022 年论文 ReAct: Synergizing Reasoning and Acting in Language Models 提出。

技术细节

典型 ReAct prompt 模板：

Question: <用户问题>

Thought 1: <分析问题，决定调用什么工具>
Action 1: <工具名>[<参数>]
Observation 1: <工具返回>

Thought 2: <根据返回继续推理>
Action 2: ...

...

Thought N: 我已经有足够信息回答
Final Answer: <最终回答>

主要玩家

• Google — 原始论文发布
• LangChain — ReAct Agent 是其早期核心抽象之一
• LlamaIndex — ReActAgent 默认实现
• 几乎所有 Agent 框架都内置 ReAct 模板

在 AI 产业链中的角色

ReAct 是 AI Agent 设计的"原型范式"。虽然 2024 年起更复杂的范式（Plan-and-Execute、Reflexion、Tree-of-Thoughts、LangGraph 状态机）兴起，ReAct 仍是入门 Agent 工程的"first principle"。

演进历史

• 2022-10 Google 论文发布
• 2023 LangChain 等框架将 ReAct 作为默认 Agent
• 2024 演进为 LangGraph / Plan-and-Execute / Reflexion 等高级范式
• 2025 ReAct 仍是 Agent 工程教学第一站

相关概念

• AI Agent / Tool Use / Function Calling
• Chain-of-Thought（推理链）

∈ belongs_to::4-03-模型生态与工具链