ReAct

为什么需要 ReAct

Chain of Thought 让模型"先想后答"，但光想不够——很多任务还需要"真刀真枪"地去做。

比如"帮我查一下天气，然后告诉我该穿什么"，模型不能靠脑补天气数据，它需要：

1. 调用搜索或 API 获取真实数据
2. 根据返回结果调整判断
3. 继续推进下一步

CoT 解决的是"怎么想"，ReAct 解决的是"怎么边想边做"。

---

什么是 ReAct

一句话定义：ReAct（Reasoning + Acting）是让模型交替进行"思考、行动、观察"的循环工作模式。

核心闭环：

Thought：我现在知道什么，下一步该做什么
    ↓
Action：调用一个工具或执行一个动作
    ↓
Observation：看看返回结果是什么
    ↓
Repeat：继续下一轮，直到完成或终止

类比：就像你做研究时，不是坐在那里想完所有问题，而是边查资料边整理边写——查到什么、新发现什么，都会影响你下一步的决定。

这里的"Action"就涉及 Tool Calling——让模型能发起调用指令，驱动外部系统执行动作。

---

怎么做：什么时候用 ReAct

适合用 ReAct 的场景：

• 需要外部信息：搜索资料、查数据库、查实时状态
• 多步骤执行：先读文档，再总结，再写入表格
• 环境会变化：每一步结果都影响下一步决策
• 长任务编排：不能一次性规划到底，需要边执行边修正

不适合用 ReAct 的场景：

• 单轮生成一段文字——强行上只会增加复杂度

---

ReAct 和 CoT 的区别

维度	CoT	ReAct
核心	只思考	思考 + 行动交替
工具调用	不调用	可以调用
适用场景	数学推理、逻辑推理	需要查资料、做事情的复杂任务

ReAct = CoT + Action + Observation

这也解释了为什么 Agent 框架普遍采用 ReAct 模式——Agent 需要的不只是"想清楚"，而是"边想边做边看结果"。

---

记住这一句：CoT 解决"怎么想"，ReAct 解决"怎么边想边做边看结果"。

相关词条：Chain of Thought · Tool Calling