第 4 章 · ReAct 范式：推理与行动的交织

第 4 章 · ReAct 范式：推理与行动的交织

前面三章都在讲「想」——Profile 怎么定调、Memory 怎么记、Planning 怎么推理。但 Agent 不是只用来想的，它是用来「办事」的。ReAct 就是把「想」和「做」拧成一股绳的范式：每一步先想、再做、再看结果、再想下一步。这个看似简单的循环，是绝大多数生产 Agent 的运转内核。

章节摘要

ReAct（Reasoning + Acting）是 LLM Agent 的灵魂范式。它让模型在每一步交替输出「思考」（Thought）与「行动」（Action），并接收「观察」（Observation）反馈，形成闭环。第 3 章的所有推理方法（CoT、ToT、任务分解）都可以放进 ReAct 的「Thought」环节；第 6 章的所有工具执行（函数调用、代码解释器）都可以放进「Action」环节。ReAct 是连接「大脑」与「双手」的核心范式。

本章覆盖四个方面：

1. ReAct 原理：讲清 Thought-Action-Observation 三元组的结构，与「纯推理」（仅 Thought）和「纯行动」（仅 Action）的对比。
2. ReAct 的工程实现：Prompt 模板设计、轨迹生成、上下文管理。重点讨论上下文膨胀与压缩这一工程难题。
3. ReAct 的变体与演进：Reflexion（反思记忆）、Self-Ask（自问自答）、ReWOO（分离规划与执行）、LATS（树搜索式 Agent）。
4. ReAct 的适用边界与局限：延迟、上下文膨胀、错误累积三大局限，以及停止条件设计。坦诚讨论「何时该用 ReAct，何时该换范式」。

本章与《具身智能技术原理》第 4.3 节交叉引用——那里讨论了具身场景下的 ReAct/Reflexion（含完整的 ASCII 轨迹示例），本章聚焦软件 Agent 的纯文本轨迹与工程实现，不重复具身细节。

学习目标

读完本章，你应当能够：

1. 画出 ReAct 的 Thought-Action-Observation 循环，并解释每一步的作用。
2. 复述 ReAct 相对「纯推理」与「纯行动」的优势。
3. 写出一份基本的 ReAct Prompt 模板，并理解少样本示例的作用。
4. 解释 ReAct 的上下文膨胀问题，说出至少两种压缩策略。
5. 复述 Reflexion 的反思记忆机制，区分它与 ReAct 的差异。
6. 辨析 ReAct、Self-Ask、ReWOO、LATS 四种变体的核心思想。
7. 认清 ReAct 的三大局限（延迟、膨胀、错误累积），能判断何时该换范式。

子章节安排与导引

四节构成「原理 → 实现 → 演进 → 边界」的递进：先讲清 ReAct 是什么、怎么转（01），再讲工程上怎么落地（02），接着讨论它的升级路线（03），最后坦诚它的局限（04）。

配图说明

• ASCII「ReAct 思考-行动-观察循环轨迹示例」：在第 01 节给出，展示一个完整 ReAct 轨迹。
• Mermaid「ReAct 循环结构图」：在第 01 节给出。
• Mermaid「ReAct Prompt 模板结构」：在第 02 节给出。
• Mermaid「ReAct 变体演进关系图」：在第 03 节给出。
• SVG「ReAct 三大局限示意图」：在第 04 节给出。

SEO 关键词

ReAct、Reasoning and Acting、Thought Action Observation、Agent 循环、Prompt 模板、轨迹生成、上下文管理、上下文压缩、Reflexion、Self-Ask、ReWOO、LATS、反思记忆、经验学习、Agent 范式、ReAct 局限。

章节关联

• 前置：第 3 章的推理方法（CoT、ToT）是 ReAct 中「Thought」的工具；第 2 章的四模块架构是 ReAct 循环的载体。读者应先理解 Agent 核心循环与 Planning 策略。
• 后续：第 5 章 Memory 解决 ReAct 的上下文膨胀问题；第 6 章 Action 提供 ReAct 中「Action」的工具实现；第 8 章把 ReAct 落到具体框架（LangChain ReAct Agent 等）。
• 交叉引用：具身场景下的 ReAct/Reflexion 详见《具身智能技术原理》第 4.3 节。