第3章：ReAct架构详解

在前两章中，我们了解了智能体的基本概念和工作原理。本章将深入介绍智能体最常用的架构——ReAct。这是让AI既能思考又能行动的核心方法论，掌握了它，你就掌握了智能体开发的精髓。

什么是ReAct

ReAct是 Reasoning（推理） + Acting（行动） 的缩写，由Google研究团队在2022年提出。它是目前最经典、最广泛使用的智能体架构。

传统的AI对话是"一问一答"模式，而ReAct让AI拥有了自主解决问题的能力。它可以在必要时调用工具获取信息，根据反馈调整策略，最终完成复杂任务。

为什么ReAct有效

你可能会问：为什么不能直接让AI一次性给出答案？为什么要这么麻烦地"边想边做"？

原因有三个：

1. 信息不足 —— AI的知识有截止日期，对于实时信息（如今天的股价、最新新闻）必须去查询
2. 任务复杂 —— 复杂任务需要拆解成多个步骤，一步步执行
3. 结果验证 —— 中间结果需要验证，发现错误可以及时修正

ReAct循环：四个关键步骤

ReAct的核心是一个循环过程，每个循环包含四个阶段：

1. Thought（思考）

AI分析当前情况，思考下一步该做什么：

• 理解用户的问题和目标
• 评估当前已掌握的信息
• 制定行动计划
• 确定下一步需要什么信息或操作

2. Action（行动）

根据思考结果，执行具体操作：

• 调用搜索工具查询信息
• 调用计算工具进行运算
• 调用API获取数据
• 读写文件或数据库

3. Observation（观察）

接收行动的结果：

• 查看工具返回的数据
• 分析搜索结果
• 理解API响应

4. Finish（完成）

当任务完成时，输出最终答案：

• 综合所有收集的信息
• 给出完整的回答或解决方案
• 结束当前任务

ReAct循环流程图解

下面用图示来展示ReAct的完整循环过程：

┌─────────────────────────────────────────────────────────────┐
│                      用户输入问题                            │
│              "查询特斯拉股价并分析是否值得买入"               │
└─────────────────────────┬───────────────────────────────────┘
                          ▼
┌─────────────────────────────────────────────────────────────┐
│  ┌─────────┐    ┌─────────┐    ┌─────────┐    ┌─────────┐   │
│  │ Thought │───▶│ Action  │───▶│Observe  │───▶│ Thought │   │
│  │  思考   │    │  行动   │    │  观察   │    │  思考   │   │
│  └─────────┘    └─────────┘    └─────────┘    └─────────┘   │
│       ▲                                          │          │
│       └──────────────────────────────────────────┘          │
│                          循环直到                           │
│                     获得足够信息                            │
└─────────────────────────┬───────────────────────────────────┘
                          ▼
┌─────────────────────────────────────────────────────────────┐
│  ┌─────────┐                                                │
│  │ Finish  │───▶ 输出最终答案和投资建议                     │
│  │  完成   │                                                │
│  └─────────┘                                                │
└─────────────────────────────────────────────────────────────┘

单次循环示例：
═══════════════════════════════════════════════════════════════

  Thought: 用户想了解特斯拉股价和投资建议
           我需要先查询当前股价
           
  Action:  调用股票查询API
           参数: { "symbol": "TSLA" }
           
  Observation: 特斯拉当前股价 $250.00
               今日涨跌: +3.2%
               市值: 8000亿美元
               
  [进入下一轮循环...]
  
═══════════════════════════════════════════════════════════════

完整示例：分析特斯拉股票

让我们通过一个完整例子来理解ReAct的实际运作。用户的问题是："查询特斯拉最新股价并分析是否值得买入"

第一轮循环

【Thought】
用户想了解特斯拉的股价和投资建议。我需要：
1. 先查询特斯拉当前股价
2. 搜索最新相关新闻
3. 综合分析后给出建议

下一步行动：调用股票查询API获取股价

【Action】
调用工具: stock_price
参数: { "symbol": "TSLA" }

【Observation】
{
  "symbol": "TSLA",
  "price": 250.00,
  "change": "+7.50",
  "change_percent": "+3.09%",
  "market_cap": "8000亿",
  "pe_ratio": 65.4,
  "52w_high": 299.29,
  "52w_low": 138.80
}

第二轮循环

【Thought】
获得了股价信息：
- 当前价 $250，今日涨3.09%
- PE比率65.4（偏高）
- 距离52周高点还有约20%空间
- 距离52周低点已经涨了80%

我还需要了解最新新闻，看看有什么影响股价的重大事件

【Action】
调用工具: search_news
参数: { "query": "特斯拉 Tesla 最新新闻 2024" }

【Observation】
搜索结果摘要：
1. 特斯拉Q4交付量超预期，同比增长20%
2. 自动驾驶FSD V12版本正式发布
3. 上海工厂产能提升，成本下降15%
4. 竞争对手比亚迪销量紧追其后

第三轮循环

【Thought】
现在我已经掌握了：
✓ 股价数据：$250，上涨趋势
✓ 基本面：交付量增长，FSD进展
✓ 风险因素：竞争激烈，PE偏高

我有足够信息给出投资建议了

【Finish】
📊 特斯拉(TSLA)投资分析报告

【当前状况】
• 股价：$250.00（今日+3.09%）
• 估值：PE 65.4，属于较高水平
• 技术面：处于52周中高位区间

【利好因素】
✓ Q4交付量超预期，增长势头强劲
✓ FSD V12发布，技术护城河加深
✓ 生产成本持续下降

【风险提示】
⚠ 估值偏高，PE达65倍
⚠ 电动车市场竞争白热化
⚠ 距离52周高点不远，上涨空间有限

【建议】
🔸 激进投资者：可考虑小仓位参与，关注FSD商业化进展
🔸 稳健投资者：建议等待回调至$200-220区间再考虑入场
🔸 当前不宜重仓，保持观察

ReAct的优势

相比传统的"一次性回答"，ReAct架构有三大核心优势：

ReAct vs 其他架构

ReAct不是唯一的智能体架构，但它是最通用、最易于理解的。下面是常见架构的简单对比：

• ReAct：思考+行动，适合大多数任务，逻辑清晰
• CoT（思维链）：只思考不行动，适合纯推理问题
• Toolformer：专注于工具调用优化
• AutoGPT：更自主，但可能失控

本章小结

本章我们学习了ReAct架构的核心概念：

• ReAct = Reasoning（推理）+ Acting（行动）
• 核心循环：Thought → Action → Observation → ... → Finish
• 让AI像人类一样"边想边做"，逐步解决问题
• 优势：可解释、可追踪、效果稳定