ReAct详解：AI智能体如何将推理与现实世界中的行动相结合。
ReAct框架如何在人工智能智能体中结合推理与工具使用，以及它与思维链模型、强化学习模型和推理模型的区别。
人工智能的发展早已超越了简单的文本生成聊天机器人。
如今的AI系统能够浏览网页、调用API、执行数据库查询、运行代码、获取文档，然后利用所获信息来决定下一步行动。但究竟是什么让AI从仅仅思考任务转变为真正执行任务？
推动这一转变的核心概念是ReAct——即Reason（推理）与Act（行动）的缩写。
ReAct既是一种提示技巧，也是一个更广泛的智能体框架。它将推理步骤与搜索、API调用、计算及其他工具调用等具体行动相结合。模型随后会读取这些行动的结果，并以此来决定后续该做什么。Yao及其同事在2022年提出了这一框架。
什么是ReAct？
用一个循环图可以简单理解ReAct的运作方式：
思考 → 行动 → 观察 → 思考 → 行动 → 观察 → 最终答案
假设你向一个人工智能系统提问：
“查找关于某家公司的最新信息，并总结其近期的发展情况。”
一个基础模型可能会仅凭自身已有的内部知识来回答。
而基于ReAct架构的系统则会以不同方式处理这个问题：
- 推理：确定实际需要哪些信息。
- 行动：执行搜索以获取这些信息。
- 观察：查看搜索结果。
- 推理：判断是否还需要更多信息。
- 行动：再次搜索，或切换到其他工具。
- 最终答案：收集到足够信息后，生成回复。
正是这种来回循环机制，使得 ReAct 在需要依赖外部信息或工具访问的任务中具有独特价值。
ReAct 与思维链
ReAct 与逐步推理的概念有很多相似之处，但两者之间存在关键差异。
思维链主要是指在内部通过推理来解决问题。
ReAct 则将这种推理与对外部世界的实际交互相结合。
这里有一个简单的记忆技巧：
思维链 = 思考 ReAct = 思考 → 行动 → 观察 → 再思考
当系统需要超越自身、与外部环境互动而非仅依赖内置知识时，ReAct 就显得尤为有用。
ReAct 并非强化学习
这一点常常让很多人感到困惑。
尽管ReAct循环在某种程度上类似于强化学习中智能体与环境的交互，但它本身并非一种强化学习方法。
工具调用返回的结果并不自动等同于强化学习意义上的奖励信号。
更关键的是：由动作产生的观察结果可以影响系统接下来的决策。
推理模型处于什么位置？
另一个值得理解的概念是推理模型。
这类模型被设计用来为更复杂的问题投入更多计算资源，例如：
- 数学
- 编程
- 规划
- 多步骤问题解决
通用模型也具备推理能力，但它们通常更侧重于实现快速、高效的日常交互，而非深入解决问题。
这为我们提供了另一个有用的对比：
通用模型 → 广泛且高效的交互 推理模型 → 对复杂问题进行额外计算
尽管如此，单纯增加推理力度并不能保证得到正确结果。
即便是推理模型也可能会弄错事实、犯逻辑错误或依赖错误的假设。额外的计算虽然能提高解决难题的概率，但并不能完全消除出错的可能。
推理时的计算能力的作用
推理模型在处理复杂任务时表现不同的部分原因在于推理时的计算能力。
系统不会对每个请求都使用相同的固定计算量，而是会根据问题的难度增加相应的计算资源。
其模式如下：
简单问题 → 较少的推理过程 → 更快的响应速度
复杂问题 → 更多的推理过程 → 更大的计算量 → 可能获得更好的结果
这为人工智能系统提供了第二个调控手段：性能不仅取决于训练期间学到的知识，还取决于在解决特定问题时所投入的计算资源多少。
ReAct、工具调用、RAG与智能体
这四种概念在实践中存在重叠，但各自代表不同的概念。
工具调用是指模型请求外部工具来替其执行任务。
ReAct则是推理、行动与观察结果的循环过程。
RAG能够获取外部信息并传递给模型，从而使模型的输出有真实数据作为依据。
AI智能体则是更为完善的系统，它可以通过规划、调用工具、跟踪状态以及逐步做出决策来朝着目标前进。
一个典型的现代智能体可能会遵循这样的流程：从了解用户需求开始，进而对目标进行推理，选择要使用的工具，运行该工具，查看返回结果，判断是否足够，之后要么继续执行，要么调整计划，最终给出答案。
这些工具可以是网页搜索、API、数据库、代码执行环境、文件搜索功能或其他外部应用程序等任何东西。
验证提升智能体的可靠性
除了执行操作和观察之外，智能系统还能增加验证与反思的环节。
常见的流程如下：
生成 → 验证 → 如有需要则修正 → 最终答案
验证是指系统检查其获取或生成的内容是否确实正确。
反思则是系统回顾之前的尝试，判断是否需要重新操作。
这两种方法都能提升某些工作流程的可靠性，但也会带来代价：额外的延迟、更高的计算成本，且仍无法完全保证最终结果的正确性。
更宏观的视角
可以将人工智能系统的发展视为一系列逐层构建的能力。
提示工程负责为模型提供指令。
推理能力使其能够解决更复杂的难题。
工具调用功能让它能够向外延伸，与其他系统进行交互。
ReAct框架将推理与行动及观察相结合。
智能体则将这一切整合为以目标为导向的系统，能够根据需要规划、行动、观察、验证，并循环重复这一过程。
核心要点很简单：
人工智能并不局限于给出单一答案。如今的AI系统能够思考自己真正需要什么，依据这些思考采取行动，观察结果，再利用这些观察结果决定下一步该做什么。
这种转变——从单纯的生成输出到通过行动积极地追求目标——正是当今人工智能智能体背后的核心基础之一。