AI 与大模型 · 第 10 期 · 第二季第 2 期

Agent 循环，ReAct/Reflexion/LATS 怎么选

三种推理-行动循环的代价权衡

一句话结论：简单任务用 ReAct，要纠错用 Reflexion，要最优解用 LATS。代价递增：ReAct 是单条链（想一步做一步），Reflexion 加了反思回路（错了重来），LATS 是搜索树（多条路并行评估）。LATS 效果最好但 token 消耗是 ReAct 的 10 倍——别用大炮打蚊子。
⏱ 约 10 分钟 🎯 想让 Agent 会"想一步做一步"的人 📦 源：ai-agent-book / hello-agents

01反共识：不是越聪明越好

很多人一上来就用 LATS，觉得搜索树最强。但 LATS 每步要展开 N 个分支、评估、回溯，token 消耗是 ReAct 的 10 倍。

ReAct 的循环最朴素：思考 → 行动 → 观察 → 再思考。它是一条直线，错了就错了，不会回头。但对 80% 的任务——查个信息、调个工具、写段代码——这条线就够，简单、便宜、可调试。

Thought→ Action→ Observation→ Thought ...

Reflexion 在 ReAct 上加了一层：失败后让模型反思哪里错了，把反思写进记忆，下次重试时带着教训。代价是每个失败任务要多跑一轮，但能纠 ReAct 纠不了的错。LATS 更激进：每步展开多个候选行动，用评估函数打分，像下棋一样搜索最优路径——效果最好，但贵且复杂。

ReAct 是直线，
Reflexion 会回头，
LATS 在搜索。
灏天文库 · AI 与大模型 P.29

02循环对比演示：选任务复杂度看三种代价

选任务复杂度，看 ReAct / Reflexion / LATS 的步数、token 消耗、成功率差距。

🔁 Agent 循环对比
选任务复杂度，看三种循环的步数、成本、成功率。

03三种循环的适用边界

一个常见坑：用 LATS 做简单任务，token 烧了 10 倍，成功率只高 2%——性价比极差。反过来用 ReAct 做需要探索的任务，会卡在局部最优反复失败。先判断任务的"分支度"：分支少用 ReAct/Reflexion，分支多用 LATS。

用 LATS 打蚊子，
烧 10 倍 token 赢 2%。
灏天文库 · AI 与大模型 P.30

04带走这套选择清单

✅ Agent 循环 6 条选择规则

  1. 默认 ReAct 起步：80% 任务够用，便宜可调试。
  2. 会出错且能纠错 → Reflexion：加反思回路，成功率明显升。
  3. 需要探索多条路径 → LATS：搜索树最优，但 token 贵 10 倍。
  4. 判断分支度：分支少用链式，分支多用树式。
  5. 别用 LATS 做简单任务：性价比极差，2% 提升不值 10 倍成本。
  6. 先 ReAct 跑通看瓶颈，再决定升级到 Reflexion/LATS。
直线先跑通，
回头再纠错，
搜索留最后。
灏天文库 · AI 与大模型 P.31