ReAct：让AI学会“想一步，做一步”的推理行动框架
ReAct是一种将推理（Reasoning）与行动（Acting）交错执行的AI框架，让大模型在生成思考过程的同时调用外部工具或搜索信息，从而获得更准确、可解释的答案。它有效缓解了传统提示词方法中“自言自语却无法验证”的问题。
一句话解释
ReAct让大模型在回答问题时，不是一口气直接输出答案，而是边推理边行动：先想“我该查什么”，然后去执行搜索或调用工具，把结果拿回来再继续推理。就像人类解决难题时一边思考一边动手查资料，而不是闭着眼睛硬猜。
为什么会被关注
传统思维链只关注模型内部推理，但无法验证事实，可能产生幻觉。ReAct通过外部工具（如搜索引擎、计算器）实时获取真实信息，大幅提升事实准确性。
它给了开发者一种可控的“思考-行动-观察”循环范式，让大模型不再是黑盒输出，而是能展示每一步的决策依据和结果反馈。
核心逻辑
ReAct的核心是交替生成“思维轨迹”和“行动步骤”。模型每轮输出一个思考（例如“我需要知道今年的诺贝尔物理学奖得主”），然后生成一个行动（例如调用搜索API），最后把观察结果作为下一轮的输入继续推理。
这种循环天然支持多步决策：模型可以根据前一步搜索结果调整后续提问，直到收集足够信息才给出最终答案。循环次数可由设计者通过上下文长度或最大步数控制。
常见场景
最典型的应用是结合搜索引擎的问答机器人：用户问“最近发布的ChatGPT新功能有什么风险”，模型先搜索相关文章，读取后总结，再对比不同来源。
另一个场景是数据分析助手：模型需要先执行SQL查询，根据返回结果再决定下一步汇总还是可视化。ReAct让这种多工具协作变得自然连贯。
容易混淆的点
有人把ReAct和思维链混淆。思维链只做内部推理，不调用外部工具；ReAct则必须有行动步骤，结果会反馈并改变后续推理。
也有人误以为ReAct必须使用特定API，其实只要模型能输出结构化指令（如JSON格式的动作），任何可编程工具都能接入，比如文件读写、数学计算等。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词AI Agent（智能体）是一种能够感知环境、自主决策并执行任务以实现目标的AI系统。它超越了传统“一问一答”的聊天模式，具备规划、工具使用和持续学习的能力，正成为通往通用人工智能（AGI）的关键路径。
思维链是一种提示工程技术，通过要求大语言模型在给出最终答案前，先展示其逐步推理的中间过程，从而显著提升其在数学、逻辑、常识推理等复杂任务上的表现。它模仿了人类解决问题时的思考方式，是理解模型“黑箱”运作的重要窗口。
工具调用是AI大模型根据用户指令，自主选择并调用外部工具（如计算器、搜索引擎、API）来获取信息或执行操作的能力。它突破了模型自身知识库和纯文本生成的局限，是实现AI智能体（Agent）和复杂任务自动化的核心技术。