Skip to content

ReAct Agent 详细讲解:概念、实现与应用 ​

⏱ 阅读约 20 分钟 ⭐ 核心概念 📚 Agent 开发系列(2/5)

说明:这里的 “React Agent” 在 Agent 面试语境中通常指 ReAct Agent,不是前端框架 React。 ReAct = Reasoning + Acting,也就是”边推理、边行动”的智能体模式。


📚 Agent 开发系列:1. 面试扫盲 → 2. ReAct Agent(本篇) → 3. Harness → 4. MCP → 5. Skill

1. ReAct Agent 是什么? ​

1.1 一句话理解 ​

ReAct Agent 是一种让大模型在推理过程中主动调用工具,并根据工具返回结果继续推理、继续行动,直到完成任务的 Agent 架构。

普通大模型回答问题时,通常是:

text
用户问题 → LLM → 直接回答

ReAct Agent 的流程是:

text
用户问题
→ LLM 思考下一步该做什么
→ 调用工具
→ 观察工具返回结果
→ 再次思考
→ 再次调用工具或生成最终答案

它不是一次性回答,而是一个循环过程:

text
Thought → Action → Observation → Thought → Action → Observation → Final Answer

2. 为什么需要 ReAct Agent? ​

2.1 普通 LLM 的问题 ​

普通大模型有几个明显短板:

  1. 容易幻觉:不知道的内容也可能编出来。
  2. 不能获取实时信息:模型训练数据是静态的。
  3. 不能操作外部系统:不能自己查数据库、调接口、下单、检索知识库。
  4. 复杂任务无法分步执行:遇到多步骤任务容易一次性乱答。
  5. 缺少可追踪过程:不知道它为什么得出这个结论。

2.2 ReAct 解决了什么 ​

ReAct Agent 的核心价值是:

问题ReAct 的解决方式
模型不知道实时信息通过 Search / API / Database 工具查询
模型容易编造先检索证据,再基于 Observation 回答
任务复杂拆成多轮 Thought + Action
需要操作系统通过 Tool Calling 调用真实后端服务
过程不可解释保留 Thought / Action / Observation 执行轨迹

3. ReAct Agent 的核心结构 ​

3.1 三个核心动作 ​

1)Thought:思考 ​

大模型先分析当前任务,判断下一步应该做什么。

示例:

text
Thought: 用户想知道某门课程是否适合自己,我需要先查询课程信息,再结合用户学习目标进行推荐。

2)Action:行动 ​

大模型选择一个工具,并生成调用参数。

示例:

text
Action: query_course_by_id
Action Input: {"courseId": 1001}

3)Observation:观察 ​

工具执行后,把结果返回给大模型。

示例:

text
Observation: 课程名称:Java 微服务实战;适合人群:有 Java 基础,想学习 SpringCloud 的学员。

然后模型继续推理:

text
Thought: 我已经拿到课程信息,还需要结合用户当前基础进行判断。
Final Answer: 这门课适合你,因为……

4. ReAct Agent 的标准执行流程 ​

可以理解为一个循环:

text
1. 接收用户问题
2. LLM 生成 Thought,判断是否需要工具
3. 如果需要工具,生成 Action 和参数
4. 系统执行工具
5. 工具返回 Observation
6. LLM 基于 Observation 继续推理
7. 重复 2-6
8. 达到终止条件后输出 Final Answer

4.1 流程图 ​

text
用户输入
   ↓
LLM 思考 Thought
   ↓
是否需要工具?
   ├── 否 → Final Answer
   ↓
选择工具 Action
   ↓
执行工具
   ↓
返回 Observation
   ↓
继续思考
   ↓
Final Answer

5. ReAct Agent 和 Tool Calling 的关系 ​

5.1 Tool Calling 是能力,ReAct 是模式 ​

很多人会混淆 ReAct Agent 和 Tool Calling。

概念解释
Tool Calling大模型调用外部函数或接口的能力
ReAct Agent组织“思考 + 工具调用 + 观察结果 + 再思考”的执行模式

也就是说:

text
Tool Calling 是工具能力;
ReAct Agent 是使用工具完成任务的思考流程。

5.2 只有 Tool Calling 不一定是 ReAct ​

例如用户说:

text
查询课程 id 为 1001 的课程信息

系统直接调用:

text
CourseTools.queryCourseById(1001)

然后返回结果,这只是一次 Tool Calling。

但如果用户说:

text
我想学 Java 后端,但不知道该买哪门课,帮我推荐一门并看看有没有优惠。

ReAct Agent 可能会这样执行:

text
Thought: 用户需要课程推荐,我需要先了解用户目标。
Action: search_courses
Observation: 返回 Java 后端课程列表。

Thought: 需要筛选适合初学者的课程。
Action: query_course_detail
Observation: 返回课程详情。

Thought: 用户可能关注价格,我需要查询优惠券。
Action: query_available_coupon
Observation: 返回可用优惠券。

Thought: 可以结合课程和优惠券给出推荐。
Final Answer: 推荐你选择……

这才是典型 ReAct。


6. ReAct Agent 和 Router Agent 的区别 ​

你的简历里有 路由工作流 Agent,也有 ReAct ReportAgent。这两个要区分清楚。

对比项Router AgentReAct Agent
核心目标判断任务属于哪一类分步推理并调用工具完成任务
典型动作分类、分发Thought、Action、Observation
适合场景多业务意图分流复杂任务执行
输出结果分发到某个 Agent 或流程最终答案 / 报告 / 操作结果
例子判断用户是咨询、推荐还是购买查询课程、检索知识库、调用订单工具、生成推荐

6.1 面试回答模板 ​

如果面试官问:“Router Agent 和 ReAct Agent 有什么区别?”

可以这样答:

text
Router Agent 更偏任务分发,核心是识别用户意图,把请求路由到课程咨询、课程推荐、购买下单等不同业务智能体;
ReAct Agent 更偏任务执行,核心是让模型在执行复杂任务时按照 Thought、Action、Observation 的方式循环推理和调用工具。

所以 Router Agent 解决的是“任务交给谁处理”,ReAct Agent 解决的是“拿到任务后如何一步步处理”。
在我的项目里,云智汇更适合用路由工作流做业务分发,MiroFish 的 ReportAgent 更适合用 ReAct,让它自主调用图谱检索、主动搜索、Agent 采访和记忆召回工具生成报告。

7. ReAct Agent 如何实现? ​

实现 ReAct Agent 有两种方式:

  1. Prompt 驱动式 ReAct
  2. 框架编排式 ReAct

8. Prompt 驱动式 ReAct 实现 ​

8.1 基本 Prompt 模板 ​

text
你是一个可以使用工具解决问题的智能体。

你必须按照以下格式进行推理:

Question: 用户问题
Thought: 你对当前问题的分析
Action: 要调用的工具名称,必须从工具列表中选择
Action Input: 工具参数,使用 JSON 格式
Observation: 工具返回结果
Thought: 基于观察结果继续分析
Final Answer: 给用户的最终答案

可用工具:
1. search_knowledge_base(query):检索课程知识库
2. query_course_by_id(courseId):根据课程 id 查询课程详情
3. query_user_progress(userId):查询用户学习进度
4. create_order(courseId, couponId):创建课程订单

要求:
- 如果信息不足,先调用工具,不要编造。
- 如果工具返回为空,要说明未找到结果。
- 涉及下单、支付等高风险操作时,必须先向用户确认。
- Final Answer 中只给用户可读结果,不暴露内部 Thought。

8.2 示例执行过程 ​

用户问题:

text
我想学 Java 微服务,有什么课程推荐吗?

ReAct 执行:

text
Thought: 用户想要课程推荐,需要先检索 Java 微服务相关课程。
Action: search_knowledge_base
Action Input: {"query": "Java 微服务 SpringCloud 课程"}
Observation: 返回 3 门课程:Java 微服务实战、SpringCloud Alibaba、分布式项目实战。

Thought: 需要选择适合用户的课程,但用户没有说明基础,可以推荐并说明适用人群。
Final Answer: 推荐你优先看《Java 微服务实战》……

9. 框架编排式 ReAct 实现 ​

实际项目里,一般不会手写完整 Thought / Action / Observation 解析器,而是使用框架能力。

技术实现方式
Spring AIChatClient + Tool Calling + Advisor + ChatMemory
LangChain4jAiService + Tools + Memory
LangChain / LangGraphAgentExecutor / StateGraph + ToolNode
OpenAI Agents SDKAgent + tools + handoffs + tracing
Dify / Coze可视化工作流 + 工具节点
Camel-AI多智能体角色协作 + 工具调用

9.1 Spring AI 中的简化实现思路 ​

在 Spring AI 中,ReAct 思路通常可以这样落地:

text
用户问题
→ ChatClient
→ 系统提示词约束模型先判断是否需要工具
→ Tool Calling 自动选择 CourseTools / OrderTools / SearchTools
→ 工具返回结果
→ ChatClient 继续生成回答
→ ChatMemory 记录上下文

伪代码:

java
@Bean
public ChatClient chatClient(ChatClient.Builder builder,
                             CourseTools courseTools,
                             OrderTools orderTools,
                             KnowledgeTools knowledgeTools,
                             Advisor chatMemoryAdvisor) {
    return builder
            .defaultSystem("""
                你是云智汇 AI 在线教育平台的教育智能体。
                你需要根据用户问题判断是否调用工具。
                对课程信息、订单信息、优惠券信息,不允许编造,必须通过工具查询。
                涉及下单、支付等操作前必须让用户确认。
            """)
            .defaultTools(courseTools, orderTools, knowledgeTools)
            .defaultAdvisors(chatMemoryAdvisor)
            .build();
}

调用:

java
Flux<String> result = chatClient.prompt()
        .user(question)
        .stream()
        .content();

工具示例:

java
@Component
public class CourseTools {

    private final CourseClient courseClient;

    @Tool(description = "根据课程ID查询课程详情")
    public CourseInfo queryCourseById(@ToolParam(description = "课程ID") Long courseId) {
        return courseClient.queryCourseById(courseId);
    }

    @Tool(description = "根据关键词搜索课程")
    public List<CourseInfo> searchCourses(@ToolParam(description = "搜索关键词") String keyword) {
        return courseClient.searchCourses(keyword);
    }
}

10. ReAct Agent 的核心模块设计 ​

一个完整的 ReAct Agent 至少包括以下模块:

text
1. LLM 推理模块
2. Tool 工具注册模块
3. Tool Router 工具选择模块
4. Observation 结果回填模块
5. Memory 记忆模块
6. Stop Condition 终止条件
7. Guardrail 安全约束
8. Trace 日志追踪模块

10.1 LLM 推理模块 ​

负责生成下一步动作:

text
当前任务是什么?
我已经知道什么?
我还缺什么信息?
应该调用哪个工具?
什么时候可以结束?

10.2 Tool 工具模块 ​

工具可以是:

text
搜索工具
数据库查询工具
知识库检索工具
订单工具
课程工具
优惠券工具
图谱检索工具
Agent 采访工具
评审工具

工具设计原则:

  1. 工具职责要单一
  2. 工具描述要清晰
  3. 参数命名要明确
  4. 返回结构要稳定
  5. 高风险工具要加权限和确认
  6. 工具失败要有兜底返回

10.3 Observation 结果回填 ​

工具结果不能只给后端看,而是要重新交给模型。

例如:

text
Observation:
{
  "courseName": "Java 微服务实战",
  "price": 199,
  "suitableFor": "有 Java 基础,想学习分布式微服务的学生"
}

模型再基于这个结果生成自然语言回答。

10.4 Stop Condition 终止条件 ​

ReAct Agent 必须有终止条件,否则可能无限循环。

常见终止条件:

text
1. 模型输出 Final Answer
2. 达到最大工具调用次数
3. 达到最大 token 长度
4. 工具连续失败
5. 用户主动停止生成
6. 触发安全策略

11. ReAct Agent 在你的项目中怎么应用? ​

11.1 在云智汇 AI 在线教育平台中的应用 ​

你的云智汇项目更偏 业务型 Agent。

可以这样应用 ReAct:

text
用户:“我想学 Java 后端,有没有适合我的课程?最好有优惠。”

Thought: 用户需要课程推荐和优惠券匹配。
Action: search_courses
Observation: 返回 Java 后端相关课程。

Thought: 需要结合用户学习进度判断适合程度。
Action: query_user_progress
Observation: 用户已完成 Java 基础课程,SpringBoot 进度 80%。

Thought: 用户适合学习微服务课程,还需要查询优惠券。
Action: query_available_coupon
Observation: 返回满 199 减 50 优惠券。

Thought: 可以给出课程推荐和优惠方案。
Final Answer: 推荐你选择《SpringCloud 微服务实战》……

11.2 云智汇项目面试说法 ​

text
在云智汇 AI 在线教育平台里,我没有让大模型直接回答所有问题,而是把课程查询、课程推荐、优惠券匹配、预下单等能力封装成 Tool。
当用户提出复杂请求时,Agent 会先判断用户意图,再通过工具查询真实业务数据,例如课程详情、用户学习进度和优惠券状态,最后基于工具返回结果生成回答。

这个过程本质上就是 ReAct 思路:模型先推理自己缺什么信息,再调用对应工具,拿到 Observation 后继续判断下一步动作。这样可以减少模型凭空编造,也能让大模型真正接入后端业务系统。

11.3 在 MiroFish 增强版中的应用 ​

MiroFish 项目里的 ReAct ReportAgent 更典型。

它的任务不是简单问答,而是生成可追溯预测报告,所以需要多步工具调用:

text
用户:“请预测某事件后续走势。”

Thought: 需要先检索图谱中相关人物、组织、事件。
Action: graph_retrieve
Observation: 返回实体关系和历史事件。

Thought: 需要补充最新外部信息。
Action: active_search
Observation: 返回最近新闻和公开材料。

Thought: 需要了解不同立场 Agent 的观点。
Action: interview_agents
Observation: 返回支持方、反对方、中立方观点。

Thought: 需要进行可信评审。
Action: confidence_review
Observation: 返回支持证据、反对证据、冲突点和置信度。

Thought: 信息足够,可以生成结构化预测报告。
Final Answer: 输出报告,包括核心结论、证据链、风险点、置信度和不确定性。

11.4 MiroFish 项目面试说法 ​

text
MiroFish 里我增强的是 ReAct ReportAgent。它不是一次性让大模型生成预测报告,而是让 ReportAgent 在生成报告前自主调用多个工具。
比如先调用 graph_retrieve 查询 Zep 图谱中的人物、组织、事件关系,再调用 memory_recall 召回历史材料,必要时调用 active_search 获取外部新信息,还可以调用 interview_agents 采访不同立场的模拟 Agent,最后调用 confidence_review 做可信评审。
这样报告的结论不是模型直接拍脑袋生成的,而是经过检索、采访、评审和证据整理之后生成的,最终可以输出证据链、冲突点和置信度。

12. ReAct Agent 的优点 ​

text
1. 能处理复杂多步骤任务
2. 能主动调用外部工具
3. 能基于真实数据生成回答
4. 能减少模型幻觉
5. 执行过程更可追踪
6. 适合和 RAG、Memory、Tool Calling 结合
7. 适合复杂业务系统中的智能助手

13. ReAct Agent 的缺点和风险 ​

13.1 容易陷入循环 ​

模型可能反复调用同一个工具。

解决方案:

text
设置最大调用次数
记录工具调用历史
提示词约束不要重复调用同一工具
工具返回空结果时要求转入最终回答或追问用户

13.2 工具调用错误 ​

模型可能选错工具或参数错误。

解决方案:

text
工具描述写清楚
参数加校验
工具返回明确错误信息
必要时增加 Router Agent 先分类

13.3 Observation 结果太长 ​

工具返回内容过长会占用上下文。

解决方案:

text
工具层做摘要
只返回关键字段
RAG 召回 TopK 控制
历史上下文做压缩

13.4 安全风险 ​

模型可能调用高风险工具,例如下单、删除、支付。

解决方案:

text
高风险操作必须二次确认
后端做权限校验
工具层校验用户身份
敏感操作写审计日志
大模型只做建议,不直接绕过业务规则

13.5 成本和延迟增加 ​

多轮工具调用会增加响应时间。

解决方案:

text
控制最大推理轮次
并行执行可并行的工具
缓存热点查询结果
简单问题不走复杂 ReAct
使用 Router Agent 判断任务复杂度

14. ReAct Agent 和 RAG 怎么结合? ​

RAG 可以作为 ReAct Agent 的一个工具。

例如:

text
Action: retrieve_course_knowledge
Action Input: {"query": "SpringCloud 和 Dubbo 区别"}
Observation: 返回课程讲义中的相关片段

然后模型基于 Observation 回答。

14.1 结合方式 ​

text
用户问题
→ ReAct Agent 判断需要知识库
→ 调用 RAG 检索工具
→ 获取相关知识片段
→ 判断是否还需要业务数据
→ 调用业务 Tool
→ 最终回答

14.2 面试回答模板 ​

text
RAG 解决的是知识召回问题,ReAct 解决的是多步任务执行问题。
在我的项目中,RAG 可以作为 ReAct Agent 的一个工具。当用户问课程知识点时,Agent 会先调用知识库检索工具,从 Pinecone 或 Chroma 中召回课程资料,再基于召回内容回答。如果用户的问题还涉及课程购买或推荐,Agent 还可以继续调用 CourseTools 或 OrderTools。
所以 RAG 是 ReAct Agent 的一个能力组件,而不是互相替代的关系。

15. ReAct Agent 和 Memory 怎么结合? ​

Memory 可以帮助 ReAct Agent 记住上下文。

15.1 短期记忆 ​

保存当前会话最近几轮消息:

text
用户刚才说自己是 Java 初学者
用户预算不超过 200 元
用户想学习后端开发

15.2 长期记忆 ​

保存长期用户偏好或世界状态:

text
用户已购买 Java 基础课
用户已完成 SpringBoot 课程 80%
某事件的历史发展记录
某组织和人物之间的长期关系

15.3 面试回答模板 ​

text
ReAct Agent 每一步推理都依赖上下文,所以需要 Memory 支持。
短期记忆用于保存当前多轮对话,比如用户前面提到的学习目标、预算和基础水平;长期记忆用于保存跨会话信息,比如用户历史学习进度、历史购买记录或世界事件状态。
在云智汇项目里,我用 MongoDB 存储多轮对话、工具调用结果和执行轨迹;在 MiroFish 项目里,我用 MySQL、Chroma 和 Zep GraphRAG 共同维护长期世界记忆。

16. ReAct Agent 和多 Agent 怎么结合? ​

ReAct 可以作为某一个 Agent 的内部执行模式,也可以和多 Agent 协作结合。

16.1 单 Agent 内部 ReAct ​

text
ReportAgent 自己调用 graph_retrieve、active_search、memory_recall 等工具

16.2 多 Agent 协作 + ReAct ​

text
Router Agent 判断任务类型
→ 分发给 ReportAgent
→ ReportAgent 使用 ReAct 调用工具
→ ReviewAgent 评审结果
→ FinalAgent 汇总输出

16.3 面试回答模板 ​

text
多 Agent 解决的是角色分工问题,ReAct 解决的是单个 Agent 如何执行任务的问题。
比如在 MiroFish 项目里,事实核查 Agent、支持方 Agent、反对方 Agent 可以分别从不同角度分析问题;而 ReportAgent 在生成最终报告时,可以使用 ReAct 模式主动调用图谱检索、历史记忆召回和可信评审工具。
所以两者可以结合:多 Agent 负责协作分工,ReAct 负责单个 Agent 的工具调用和推理执行。

17. 如何设计 ReAct Agent 的工具? ​

17.1 工具设计原则 ​

原则说明
单一职责一个工具只做一件事
描述明确让模型知道什么时候调用
参数清晰参数名称、类型、含义明确
返回稳定返回结构化 JSON,避免随意文本
可校验后端必须校验参数和权限
可追踪记录工具调用日志
可降级工具失败时有兜底方案

17.2 不好的工具设计 ​

text
Tool: handle_user_request
描述:处理用户请求

问题:太泛化,模型不知道什么时候调用,也不知道传什么参数。

17.3 好的工具设计 ​

text
Tool: query_course_by_id
描述:当用户提供课程 ID 并希望查看课程详情时调用
参数:
- courseId: Long,课程 ID
返回:
- id
- name
- price
- suitablePeople
- outline

18. ReAct Agent 如何控制幻觉? ​

18.1 核心思路 ​

text
不让模型直接编答案,而是让它先查证据,再回答。

18.2 具体方法 ​

text
1. 系统提示词要求:课程、订单、优惠券等信息必须通过工具查询
2. RAG 召回为空时,明确回复“知识库中未找到”
3. Final Answer 必须基于 Observation
4. 工具返回结果要结构化,减少模型误解
5. 对事实类结论输出来源或证据链
6. 对预测类结论输出不确定性和置信度
7. 敏感操作必须后端校验,不信任模型判断

18.3 面试回答模板 ​

text
我主要从三个层面控制幻觉。
第一,在 Prompt 层约束模型,涉及课程、订单、优惠券等事实信息时必须先调用工具,不能凭空生成。
第二,在 RAG 和工具层提供真实上下文,让模型基于 Observation 生成回答。
第三,在输出层对没有证据支撑的内容进行兜底,如果知识库没有召回或工具返回为空,就明确告诉用户没有找到,而不是让模型硬编。
在 MiroFish 这种预测类场景中,我还会输出证据链、冲突点和置信度,避免把预测包装成确定事实。

19. ReAct Agent 如何做异常兜底? ​

19.1 常见异常 ​

text
工具调用失败
工具超时
工具返回空
参数缺失
权限不足
用户问题模糊
模型重复调用工具
RAG 召回不相关
外部 API 不可用

19.2 兜底策略 ​

异常处理方式
参数缺失追问用户补充信息
工具超时返回稍后重试或使用缓存
工具返回空明确说明未找到
权限不足返回无权限提示
重复调用设置最大调用次数
高风险操作二次确认
RAG 无召回不回答或给通用解释并提示资料不足
外部服务异常降级到基础问答或人工客服

20. ReAct Agent 的日志和可观测性 ​

生产环境中不能只看最终答案,还要记录执行过程。

20.1 应记录的信息 ​

text
sessionId
userId
requestId
用户输入
Agent 类型
每一次 Thought 摘要
工具名称
工具参数
工具返回结果摘要
耗时
错误信息
最终输出
token 消耗

20.2 为什么重要 ​

text
1. 方便排查工具调用错误
2. 方便分析路由是否准确
3. 方便评估 RAG 召回质量
4. 方便优化 Prompt
5. 方便审计高风险操作
6. 方便后续做 Agent Harness 评测

21. ReAct Agent 面试高频问题 ​

Q1:什么是 ReAct Agent? ​

答:

text
ReAct Agent 是 Reasoning + Acting 的智能体模式,也就是让大模型在完成任务时不是一次性回答,而是先思考当前需要什么信息,再选择工具执行动作,拿到工具返回结果后继续推理,直到生成最终答案。
它的典型流程是 Thought、Action、Observation、Final Answer。

Q2:ReAct Agent 和普通 LLM 有什么区别? ​

答:

text
普通 LLM 通常是用户输入后直接生成回答,容易受限于已有知识,也容易幻觉。
ReAct Agent 会在回答前进行分步推理,并主动调用搜索、数据库、知识库、业务接口等工具,把外部真实信息作为 Observation 再生成答案。
所以它更适合复杂任务、实时信息查询和业务系统操作场景。

Q3:ReAct Agent 和 Tool Calling 有什么区别? ​

答:

text
Tool Calling 是大模型调用外部工具的能力,而 ReAct Agent 是组织工具调用的执行模式。
一次简单的函数调用只能算 Tool Calling;如果模型能根据任务先思考、选择工具、观察结果、继续判断下一步,再输出最终答案,这才是 ReAct Agent。

Q4:ReAct Agent 的核心流程是什么? ​

答:

text
核心流程是 Thought、Action、Observation、Final Answer。
Thought 是模型分析问题和决定下一步;
Action 是选择工具并生成参数;
Observation 是工具返回结果;
Final Answer 是模型基于前面推理和观察结果生成最终回答。
复杂任务中这个过程可能会循环多轮。

Q5:ReAct Agent 如何避免无限循环? ​

答:

text
我会设置最大工具调用次数、最大 token 数、工具连续失败次数等终止条件。
同时在 Prompt 中约束模型不要重复调用同一个工具,如果工具返回为空或连续失败,就应该转为追问用户或给出明确兜底回答。

Q6:ReAct Agent 如何选择工具? ​

答:

text
模型主要根据工具的 description、参数说明、系统提示词和当前上下文来选择工具。
所以工具描述必须清晰,比如 query_course_by_id 只用于根据课程 ID 查询详情,search_courses 用于按关键词搜索课程。
如果业务复杂,也可以在前面加 Router Agent 先做意图分类,再把请求交给对应领域的 Agent,降低工具选择复杂度。

Q7:ReAct Agent 在你的项目里怎么用? ​

答:

text
在云智汇项目里,ReAct 思路主要体现在 AI 助手调用课程、订单、优惠券等业务工具的过程中。
用户提出复杂请求后,Agent 会先判断需要哪些信息,再调用 CourseTools、OrderTools 或 RAG 检索工具,拿到真实业务数据后再生成回答。
在 MiroFish 项目里更典型,我增强的 ReportAgent 会调用图谱检索、主动搜索、历史记忆召回、Agent 采访和可信评审工具,再生成可追溯预测报告。

Q8:ReAct Agent 和 RAG 有什么关系? ​

答:

text
RAG 是知识召回能力,ReAct 是任务执行模式。
RAG 可以作为 ReAct Agent 的一个工具,比如 Agent 判断自己缺少课程知识时,就调用知识库检索工具,从 Pinecone 或 Chroma 中召回资料,再基于结果回答。
所以二者不是替代关系,而是可以组合使用。

Q9:ReAct Agent 和多 Agent 有什么关系? ​

答:

text
多 Agent 解决的是角色分工问题,ReAct 解决的是单个 Agent 如何分步执行任务的问题。
比如 MiroFish 里可以有事实核查 Agent、支持方 Agent、反对方 Agent 等多个角色,而最终 ReportAgent 可以使用 ReAct 模式调用图谱检索、主动搜索、可信评审等工具生成报告。

Q10:为什么说 ReAct Agent 更适合复杂任务? ​

答:

text
因为复杂任务通常不能一次性回答,需要先拆解问题、查询外部信息、根据结果继续判断下一步。
ReAct Agent 正好通过 Thought、Action、Observation 的循环,把复杂任务拆成多个可执行步骤,所以更适合报告生成、课程推荐、智能客服、数据分析等场景。

22. ReAct Agent 面试追问与答法 ​

追问 1:Thought 要不要展示给用户? ​

答:

text
不建议展示完整 Thought。
Thought 属于内部推理过程,可能包含中间判断、错误尝试或敏感信息。
用户只需要看到最终答案、必要的证据来源和工具结果摘要即可。
如果需要可解释性,可以展示简化后的“执行步骤”或“依据”,而不是原始 Thought。

追问 2:如果工具返回错误,Agent 怎么办? ​

答:

text
工具返回错误时,不应该让模型继续编答案。
我会让工具返回结构化错误信息,比如 errorCode、message、retryable。
如果是参数缺失,就让 Agent 追问用户;如果是服务异常,就提示稍后重试或走降级逻辑;如果是权限不足,就返回标准权限提示。

追问 3:如果 Agent 选错工具怎么办? ​

答:

text
首先在工具设计上减少歧义,让工具名称和描述更清晰。
其次通过 Router Agent 先做领域分发,减少单个 Agent 可见工具数量。
再次在工具层做参数校验和业务校验,即使模型选错工具,也不能绕过后端规则。
最后通过日志记录工具调用轨迹,后续根据错误样本优化 Prompt 和工具描述。

追问 4:ReAct 会不会很慢? ​

答:

text
会有这个问题,因为 ReAct 可能涉及多轮模型调用和多次工具调用。
我的优化思路是:简单问题不走复杂 ReAct;设置最大调用轮次;对可并行的工具并发执行;对热点课程、常见问答做缓存;RAG 控制 TopK 和返回字段长度。

追问 5:ReAct Agent 可以直接执行下单吗? ​

答:

text
不建议让模型直接完成最终下单,尤其是涉及支付、扣库存、创建订单等强一致性操作。
Agent 可以负责理解用户意图、查询课程、匹配优惠券、生成预下单建议,但真正创建订单前必须让用户确认,并由后端服务进行权限校验、库存校验和事务处理。

23. ReAct Agent 学习路线 ​

第一阶段:理解概念 ​

掌握:

text
ReAct = Reasoning + Acting
Thought / Action / Observation / Final Answer
ReAct 和 Tool Calling、RAG、Memory、多 Agent 的关系

第二阶段:能画流程 ​

能画出:

text
用户输入 → LLM 思考 → 工具调用 → 工具返回 → 再思考 → 最终输出

第三阶段:能结合项目讲 ​

必须能讲:

text
云智汇:课程推荐 / 课程咨询 / 智能下单如何用 ReAct
MiroFish:ReportAgent 如何调用图谱检索、主动搜索、Agent 采访和可信评审工具

第四阶段:能回答异常 ​

重点掌握:

text
工具失败怎么办
路由错误怎么办
RAG 无召回怎么办
Agent 无限循环怎么办
高风险操作怎么控制

24. 30 秒面试总结版 ​

text
ReAct Agent 是一种 Reasoning + Acting 的智能体模式,它让大模型在完成任务时先思考当前缺什么信息,再调用工具获取外部结果,然后基于 Observation 继续推理,直到输出最终答案。
它的核心流程是 Thought、Action、Observation、Final Answer。
在项目里,ReAct 常和 RAG、Tool Calling、Memory 结合使用,比如课程推荐场景中,Agent 可以先检索课程知识库,再调用课程和优惠券工具,最后生成推荐结果;在 MiroFish 中,ReportAgent 可以调用图谱检索、主动搜索和可信评审工具生成可追溯预测报告。

25. 1 分钟高分回答版 ​

text
我理解的 ReAct Agent,本质上是把大模型的推理过程和外部工具调用结合起来。
普通大模型通常是用户问什么就直接生成答案,但 ReAct Agent 会按照 Thought、Action、Observation 的方式循环执行:先分析当前任务需要什么信息,再选择合适的工具,比如知识库检索、数据库查询、业务接口调用,拿到工具返回结果后再继续判断下一步,直到生成最终答案。

它和 Tool Calling 的区别是,Tool Calling 只是调用工具的能力,而 ReAct 是一种组织工具调用和多步推理的 Agent 执行模式。
在我的项目里,云智汇的课程推荐、课程咨询、智能下单可以用 ReAct 思路,让 Agent 先查课程知识库,再调用课程和订单工具;MiroFish 里的 ReportAgent 更典型,它会主动调用图谱检索、历史记忆召回、Agent 采访和可信评审工具,最后生成有证据链和置信度的预测报告。

26. 最终背诵重点 ​

必须背熟这 6 句话:

text
1. ReAct = Reasoning + Acting,是“边推理、边调用工具”的 Agent 模式。
2. 核心流程是 Thought → Action → Observation → Final Answer。
3. Tool Calling 是能力,ReAct 是使用工具完成复杂任务的执行模式。
4. RAG 可以作为 ReAct Agent 的一个检索工具,Memory 可以为 ReAct 提供上下文。
5. ReAct 适合复杂任务,例如课程推荐、智能下单、报告生成、数据分析。
6. 生产环境必须控制工具权限、最大调用次数、异常兜底和执行轨迹日志。

AI 应用开发 / Agent 开发实习生