尧图网站建设 
本系列文章基于 Lynxe 作者沈询的实战经验深入浅出解析 ReAct Agent 的核心原理与工程价值帮助开发者快速掌握从“写流程”到“造智能体”的关键跃迁。所以想把这些内容总结出来是因为这个项目本身核心目的就是探索Agent的前沿最佳实践目前已经有所小成Lynxe能解决我自己面对的80%以上的问题了所以我觉得值得把我实验下来有效的东西写出来方便大家快速入门。你可以访问 Lynxe(菱科斯)阅读详细源码来学习agent的一些最佳实践。这是一个非常完善的产品级的 Func-Agent框架。https://github.com/spring-ai-alibaba/Lynxe系列计划什么是 ReAct Agent (本篇)深入了解智能体工作流核心Agent vs 传统编程 vs Workflow 的本质区别深入解析Function Calling、MCP和Skills的本质差异与最佳实践上下文管理的一些实践并行执行的最佳实践与我走过的弯路核心思想观察-思考-行动ReAct 这个名字听起来挺高大上其实拆开看就明白了Reasoning推理 Acting行动。说白了就是让 AI 一边想一边做而不是想完了再做。ReAct Agent 的工作方式其实挺像人类解决问题的过程。它不是一次性把整个流程都规划好而是在有一个整体目标的前提下走一步看一步。具体来说它会先观察当前的情况然后思考下一步该做什么接着执行这个动作再观察结果根据结果决定下一步。这个过程会一直循环直到任务完成。打个比方传统的方式就像你出门前把整个路线都查好然后严格按照路线走。而 ReAct 更像是你出门后走一段路看看周围环境再决定下一步往哪走。比如你要去一个没去过的咖啡店传统方式是你提前查好所有路线ReAct 则是你走到路口看看路牌再决定左转还是右转边走边找。实际例子再举个更具体的例子。假设你要让 AI 帮你查北京今天天气怎么样适合穿什么衣服。用 ReAct 的方式AI 会这样工作1.观察看到用户的问题历史上下文为空2.思考“我需要知道北京今天的天气”思考是可选输出,就跟人的思考是内化发生的一样3.行动调用天气查询工具查询 “北京今天天气”4.观察获取到天气数据温度 25°C晴天湿度 60%风速 3m/s5.思考“现在我知道天气了需要查询穿衣建议知识库来获取具体的穿衣建议”思考是可选输出6.行动调用穿衣建议知识库查询工具查询 “25度晴天适合穿什么衣服”7.观察获取到穿衣建议25度晴天建议穿短袖 T 恤或薄长袖可以带一件薄外套以防早晚温差建议戴帽子和涂防晒霜8.思考“我已经获取了天气和穿衣建议应该将这些信息写入文件保存”思考是可选输出9.行动调用 writeToFile 工具将完整建议写入文件10.观察建议已写入到文件 weather_suggestion.md整个过程是观察-思考-行动-再观察的循环而不是一开始就把所有步骤都定死。每一步都会根据当前的历史上下文和环境信息动态决定下一步该做什么。为什么需要 ReAct你可能会问为什么要这么麻烦直接写个固定流程不就行了吗问题在于很多现实任务其实没那么简单。你可能会遇到各种意外情况比如 API 返回错误、数据格式不对、或者需要根据中间结果调整策略。ReAct 的优势就在于它能根据实际情况灵活应对而不是遇到意外就卡住。当然这种灵活性也带来了一些代价比如行为可能不那么可预测有时候 AI 可能会犯傻。但总的来说在处理复杂、不确定的任务时ReAct 这种边想边做的方式还是很有优势的。ReAct 是怎么实现的关键要素ReAct 的实现其实离不开几个关键要素历史上下文HistoryReAct 会维护一个对话历史记录之前所有的思考、行动和观察。这样 LLM 在做决策时可以参考之前发生了什么避免重复操作或者走错路。观察当前环境信息Current Environment Information这是 Agent 在当前时刻接收到的外部信息比如用户的输入、系统的状态、或者其他需要处理的数据。这些信息会作为 LLM 推理的输入帮助决定下一步该做什么。语言模型LLM Thinking这是 ReAct 的大脑负责推理和决策。每次需要思考下一步该做什么时LLM 会根据当前的历史上下文、环境信息和观察结果生成下一步的行动计划。后续表格里这个think是隐藏的最终表现形式就是toolcall工具/动作toolcall这是 ReAct 的手脚用来执行具体的操作。比如搜索、查询 API、读写文件等等。每个工具都有明确的输入输出Agent 可以调用这些工具来完成实际工作。观察结果toolcall结果每次执行动作后都会得到一个观察结果。这个结果会被反馈给 LLM作为下一轮推理的依据。观察结果可能包括成功的数据、错误信息、或者需要进一步处理的内容。执行流程示例下面用一个完整的例子看看 ReAct 是怎么一步步解决问题的。假设任务是“帮我查一下北京今天天气怎么样适合穿什么衣服。”轮次历史上下文当前环境信息当前轮次提示词行动(toolcall)观察结果(toolcall结果)Round 1无空已知 当前历史上下文{历史上下文} 当前环境信息{当前环境信息} 用户目标“帮我查一下北京今天天气怎么样适合穿什么衣服。” 做出下一步的决策 . 你必须最少使用一个工具来实现该决策天气查询工具调用查询 “北京今天天气”天气查询工具返回获取到天气数据温度 25°C晴天湿度 60%风速 3m/sRound 2已获取北京天气数据25°C晴天湿度 60%风速 3m/s天气工具无额外环境信息同上提示词不会变化穿衣建议知识库查询工具调用查询 “25度晴天适合穿什么衣服”穿衣建议知识库查询工具返回25度晴天建议穿短袖 T 恤或薄长袖可以带一件薄外套以防早晚温差建议戴帽子和涂防晒霜Round 3天气数据25°C晴天湿度 60%风速 3m/s已获取穿衣建议25度晴天建议穿短袖 T 恤或薄长袖可以带一件薄外套以防早晚温差建议戴帽子和涂防晒霜天气工具无额外环境信息、穿衣知识库工具无额外环境信息同上提示词不会变化writeToFile工具调用内容为北京今天天气25°C晴天湿度 60%。建议穿短袖 T 恤或薄长袖可以带一件薄外套以防早晚温差建议戴帽子和涂防晒霜writeToFile工具返回建议已写入到文件 weather_suggestion.md从这里我们也可能看到核心其实就是已知当前历史上下文{历史上下文}当前环境信息{当前环境信息}用户目标“帮我查一下北京今天天气怎么样适合穿什么衣服。”做出下一步的决策你必须最少使用一个工具来实现该决策。最终输出建议已经写入到文件 weather_suggestion.md你可以通过打开这个文件来看到具体建议。从这个例子可以看出ReAct 不是一开始就知道所有步骤而是根据每轮的观察结果动态决定下一步该做什么。如果 Round 1 搜索失败了它可能会尝试其他搜索关键词或者换一个策略。这种灵活性正是 ReAct 的核心优势。伪代码下面是一个 round 的执行流程伪代码展示了核心的执行逻辑函数 执行一个轮次(用户目标, 历史上下文): // 1. 获取当前环境信息 当前环境信息 获取当前环境信息() // 2. 构建提示词替换占位符 提示词模板 已知\n当前历史上下文${历史上下文}\n当前环境信息${当前环境信息}\n用户目标\${用户目标}\\n\n做出下一步的决策\n\n你必须最少使用一个工具来实现该决策 完整提示词 替换占位符(提示词模板, { 历史上下文: 历史上下文, 当前环境信息: 当前环境信息, 用户目标: 用户目标 }) // 3. 调用 LLM 进行推理思考过程隐藏直接输出 toolcall 工具调用结果 调用语言模型(完整提示词, 历史上下文) // 4. 解析工具调用 工具名称 解析工具名称(工具调用结果) 工具参数 解析工具参数(工具调用结果) // 5. 执行工具调用 观察结果 执行工具(工具名称, 工具参数) // 6. 更新历史上下文 新历史上下文 追加到历史上下文(历史上下文, { 行动: 工具调用结果, 观察结果: 观察结果 }) // 7. 返回结果 返回 { 观察结果: 观察结果, 新历史上下文: 新历史上下文 } 结束函数 // 主循环 函数 执行ReAct流程(用户目标): 历史上下文 空 当前轮次 1 最大轮次 10 当 当前轮次 最大轮次 且 未完成任务: 结果 执行一个轮次(用户目标, 历史上下文) 历史上下文 结果.新历史上下文 如果 判断任务已完成(结果.观察结果): 中断循环 当前轮次 当前轮次 1 结束循环 返回 历史上下文 结束函数最后唠两句为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200% 远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。那0基础普通人如何学习大模型 深耕科技一线十二载亲历技术浪潮变迁。我见证那些率先拥抱AI的同行如何建立起效率与薪资的代际优势。如今我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理分享于此为你扫清学习困惑共赴AI时代新程。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】 收藏！一文掌握ReAct Agent：从传统编程到智能体的跃迁之路
本系列文章基于 Lynxe 作者沈询的实战经验深入浅出解析 ReAct Agent 的核心原理与工程价值帮助开发者快速掌握从“写流程”到“造智能体”的关键跃迁。所以想把这些内容总结出来是因为这个项目本身核心目的就是探索Agent的前沿最佳实践目前已经有所小成Lynxe能解决我自己面对的80%以上的问题了所以我觉得值得把我实验下来有效的东西写出来方便大家快速入门。你可以访问 Lynxe(菱科斯)阅读详细源码来学习agent的一些最佳实践。这是一个非常完善的产品级的 Func-Agent框架。https://github.com/spring-ai-alibaba/Lynxe系列计划什么是 ReAct Agent (本篇)深入了解智能体工作流核心Agent vs 传统编程 vs Workflow 的本质区别深入解析Function Calling、MCP和Skills的本质差异与最佳实践上下文管理的一些实践并行执行的最佳实践与我走过的弯路核心思想观察-思考-行动ReAct 这个名字听起来挺高大上其实拆开看就明白了Reasoning推理 Acting行动。说白了就是让 AI 一边想一边做而不是想完了再做。ReAct Agent 的工作方式其实挺像人类解决问题的过程。它不是一次性把整个流程都规划好而是在有一个整体目标的前提下走一步看一步。具体来说它会先观察当前的情况然后思考下一步该做什么接着执行这个动作再观察结果根据结果决定下一步。这个过程会一直循环直到任务完成。打个比方传统的方式就像你出门前把整个路线都查好然后严格按照路线走。而 ReAct 更像是你出门后走一段路看看周围环境再决定下一步往哪走。比如你要去一个没去过的咖啡店传统方式是你提前查好所有路线ReAct 则是你走到路口看看路牌再决定左转还是右转边走边找。实际例子再举个更具体的例子。假设你要让 AI 帮你查北京今天天气怎么样适合穿什么衣服。用 ReAct 的方式AI 会这样工作1.观察看到用户的问题历史上下文为空2.思考“我需要知道北京今天的天气”思考是可选输出,就跟人的思考是内化发生的一样3.行动调用天气查询工具查询 “北京今天天气”4.观察获取到天气数据温度 25°C晴天湿度 60%风速 3m/s5.思考“现在我知道天气了需要查询穿衣建议知识库来获取具体的穿衣建议”思考是可选输出6.行动调用穿衣建议知识库查询工具查询 “25度晴天适合穿什么衣服”7.观察获取到穿衣建议25度晴天建议穿短袖 T 恤或薄长袖可以带一件薄外套以防早晚温差建议戴帽子和涂防晒霜8.思考“我已经获取了天气和穿衣建议应该将这些信息写入文件保存”思考是可选输出9.行动调用 writeToFile 工具将完整建议写入文件10.观察建议已写入到文件 weather_suggestion.md整个过程是观察-思考-行动-再观察的循环而不是一开始就把所有步骤都定死。每一步都会根据当前的历史上下文和环境信息动态决定下一步该做什么。为什么需要 ReAct你可能会问为什么要这么麻烦直接写个固定流程不就行了吗问题在于很多现实任务其实没那么简单。你可能会遇到各种意外情况比如 API 返回错误、数据格式不对、或者需要根据中间结果调整策略。ReAct 的优势就在于它能根据实际情况灵活应对而不是遇到意外就卡住。当然这种灵活性也带来了一些代价比如行为可能不那么可预测有时候 AI 可能会犯傻。但总的来说在处理复杂、不确定的任务时ReAct 这种边想边做的方式还是很有优势的。ReAct 是怎么实现的关键要素ReAct 的实现其实离不开几个关键要素历史上下文HistoryReAct 会维护一个对话历史记录之前所有的思考、行动和观察。这样 LLM 在做决策时可以参考之前发生了什么避免重复操作或者走错路。观察当前环境信息Current Environment Information这是 Agent 在当前时刻接收到的外部信息比如用户的输入、系统的状态、或者其他需要处理的数据。这些信息会作为 LLM 推理的输入帮助决定下一步该做什么。语言模型LLM Thinking这是 ReAct 的大脑负责推理和决策。每次需要思考下一步该做什么时LLM 会根据当前的历史上下文、环境信息和观察结果生成下一步的行动计划。后续表格里这个think是隐藏的最终表现形式就是toolcall工具/动作toolcall这是 ReAct 的手脚用来执行具体的操作。比如搜索、查询 API、读写文件等等。每个工具都有明确的输入输出Agent 可以调用这些工具来完成实际工作。观察结果toolcall结果每次执行动作后都会得到一个观察结果。这个结果会被反馈给 LLM作为下一轮推理的依据。观察结果可能包括成功的数据、错误信息、或者需要进一步处理的内容。执行流程示例下面用一个完整的例子看看 ReAct 是怎么一步步解决问题的。假设任务是“帮我查一下北京今天天气怎么样适合穿什么衣服。”轮次历史上下文当前环境信息当前轮次提示词行动(toolcall)观察结果(toolcall结果)Round 1无空已知 当前历史上下文{历史上下文} 当前环境信息{当前环境信息} 用户目标“帮我查一下北京今天天气怎么样适合穿什么衣服。” 做出下一步的决策 . 你必须最少使用一个工具来实现该决策天气查询工具调用查询 “北京今天天气”天气查询工具返回获取到天气数据温度 25°C晴天湿度 60%风速 3m/sRound 2已获取北京天气数据25°C晴天湿度 60%风速 3m/s天气工具无额外环境信息同上提示词不会变化穿衣建议知识库查询工具调用查询 “25度晴天适合穿什么衣服”穿衣建议知识库查询工具返回25度晴天建议穿短袖 T 恤或薄长袖可以带一件薄外套以防早晚温差建议戴帽子和涂防晒霜Round 3天气数据25°C晴天湿度 60%风速 3m/s已获取穿衣建议25度晴天建议穿短袖 T 恤或薄长袖可以带一件薄外套以防早晚温差建议戴帽子和涂防晒霜天气工具无额外环境信息、穿衣知识库工具无额外环境信息同上提示词不会变化writeToFile工具调用内容为北京今天天气25°C晴天湿度 60%。建议穿短袖 T 恤或薄长袖可以带一件薄外套以防早晚温差建议戴帽子和涂防晒霜writeToFile工具返回建议已写入到文件 weather_suggestion.md从这里我们也可能看到核心其实就是已知当前历史上下文{历史上下文}当前环境信息{当前环境信息}用户目标“帮我查一下北京今天天气怎么样适合穿什么衣服。”做出下一步的决策你必须最少使用一个工具来实现该决策。最终输出建议已经写入到文件 weather_suggestion.md你可以通过打开这个文件来看到具体建议。从这个例子可以看出ReAct 不是一开始就知道所有步骤而是根据每轮的观察结果动态决定下一步该做什么。如果 Round 1 搜索失败了它可能会尝试其他搜索关键词或者换一个策略。这种灵活性正是 ReAct 的核心优势。伪代码下面是一个 round 的执行流程伪代码展示了核心的执行逻辑函数 执行一个轮次(用户目标, 历史上下文): // 1. 获取当前环境信息 当前环境信息 获取当前环境信息() // 2. 构建提示词替换占位符 提示词模板 已知\n当前历史上下文${历史上下文}\n当前环境信息${当前环境信息}\n用户目标\${用户目标}\\n\n做出下一步的决策\n\n你必须最少使用一个工具来实现该决策 完整提示词 替换占位符(提示词模板, { 历史上下文: 历史上下文, 当前环境信息: 当前环境信息, 用户目标: 用户目标 }) // 3. 调用 LLM 进行推理思考过程隐藏直接输出 toolcall 工具调用结果 调用语言模型(完整提示词, 历史上下文) // 4. 解析工具调用 工具名称 解析工具名称(工具调用结果) 工具参数 解析工具参数(工具调用结果) // 5. 执行工具调用 观察结果 执行工具(工具名称, 工具参数) // 6. 更新历史上下文 新历史上下文 追加到历史上下文(历史上下文, { 行动: 工具调用结果, 观察结果: 观察结果 }) // 7. 返回结果 返回 { 观察结果: 观察结果, 新历史上下文: 新历史上下文 } 结束函数 // 主循环 函数 执行ReAct流程(用户目标): 历史上下文 空 当前轮次 1 最大轮次 10 当 当前轮次 最大轮次 且 未完成任务: 结果 执行一个轮次(用户目标, 历史上下文) 历史上下文 结果.新历史上下文 如果 判断任务已完成(结果.观察结果): 中断循环 当前轮次 当前轮次 1 结束循环 返回 历史上下文 结束函数最后唠两句为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200% 远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。那0基础普通人如何学习大模型 深耕科技一线十二载亲历技术浪潮变迁。我见证那些率先拥抱AI的同行如何建立起效率与薪资的代际优势。如今我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理分享于此为你扫清学习困惑共赴AI时代新程。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】