在人工智能快速演进的今天，如何让大语言模型（LLM）真正“动”起来，而不只是停留在文本生成的层面，成为了开发者们关注的焦点。ReAct（Reasoning + Acting）范式正是打通这一瓶颈的关键桥梁。本文将带你深入理解ReAct的工作原理，并手把手指导你完成核心代码的编写，帮助你构建属于自己的第一个智能体。

什么是ReAct？—— 思考与行动的协奏曲

ReAct是一种将推理（Reasoning）与行动（Acting）深度融合的智能体设计范式。它打破了传统大模型“输入-输出”的线性局限，引入了一个动态的循环决策机制。在这个机制中，模型的每一次决策都基于对当前环境的观察和历史经验的积累。

这种范式与人类解决问题的过程高度相似。例如，当我们在编程时，无论是使用Python、JavaScript还是TypeScript，都会先分析需求（思考），然后编写代码（行动），最后根据运行结果（观察）来调整代码。ReAct正是将这一套逻辑抽象成了通用的智能体工作流。

其核心价值在于：思考指导行动，行动修正思考。通过这种相互促进的循环，模型能够处理复杂的、需要多步骤推理的任务，并且其决策过程具有很高的可解释性。

ReAct工作流程：三步循环的精密协作

ReAct的每一步迭代都遵循一个固定的“三步曲”，这三个步骤循环往复，直至任务完成。让我们拆解这个流程，看看每一步具体在做什么。

  1. Thought（思考） ：这是智能体的“内心独白”阶段。它会分析当前面临的情况，将复杂任务分解为若干子任务，制定下一步的具体行动计划，或者反思上一步行动的结果是否合理。
  2. Action（行动） ⚡：这是智能体将思考转化为实际行动的阶段。它通常会决定调用一个外部工具来获取信息或执行操作，例如进行网络搜索、查询数据库或运行一段代码。这个工具调用在代码层面通常表现为一个函数调用，其参数由模型根据思考内容生成。
  3. Observation（观察） ：这是智能体接收外部世界反馈的阶段。在执行行动之后，它会获取到工具返回的结果，例如搜索到的网页摘要、API返回的JSON数据或代码的执行日志。

这个循环的巧妙之处在于，每次循环结束后，新的“观察”结果都会被追加到模型的上下文中。这就像给智能体增加了“记忆”，使得它在进行下一轮“思考”时，能够参考之前所有轮次的信息，形成一个不断增长的决策依据链，直到它认为答案已经足够完善，才会输出最终结果。

编码实现准备：搭建你的开发环境

理论讲得再多，不如动手实践。接下来，我们将进入编码环节。本文的示例将以Python语言为主，因为其生态最为丰富。不过，ReAct模式本身是语言无关的，如果你擅长Java、C++或TypeScript，完全可以将其核心逻辑移植过去，因为核心思想都是通用的。

首先，请确保你的本地环境满足以下要求：

  • ✅ Python版本：建议使用 3.10 或更高版本，以享受最新的语法特性支持。
  • ✅ 核心依赖库：需要安装 openai 库（用于与大语言模型交互）和 python-dotenv 库（用于安全管理API密钥，避免硬编码泄露风险）。

在终端中执行以下命令来安装所需的库：

pip install openai python-dotenv

为了让代码更具通用性和安全性，我们不应将敏感信息（如API密钥）硬编码在代码中。推荐的做法是使用环境变量进行配置。在项目根目录下创建一个 .env 文件：

.env

在该文件中，我们定义模型服务的核心配置。这里灵活度很高，你可以将其指向OpenAI官方服务，也可以指向任何兼容OpenAI接口的第三方或本地部署服务（如Ollama、vLLM等），只需修改对应的BASE_URL即可。

# .env file
#使用deepseek
LLM_API_KEY="YOUR-API-KEY"
LLM_MODEL_ID="YOUR-MODEL"
LLM_BASE_URL="YOUR-URL"

⚙️ 构建LLM客户端与工具定义

为了让代码结构更清晰、更易于维护和扩展，我们定义一个专属的LLM客户端类。这个类将负责封装所有与底层模型服务交互的细节，比如处理请求头、超时重试、解析响应等。这样，我们的主逻辑代码就可以更专注于智能体本身的构建，而不必关心网络通信的繁琐细节。

import os
from openai import OpenAI
from dotenv import load_dotenv
from typing import List, Dict
# 加载 .env 文件中的环境变量
load_dotenv()
class HelloAgentsLLM:
    """
    为本书 "Hello Agents" 定制的LLM客户端。
    它用于调用任何兼容OpenAI接口的服务，并默认使用流式响应。
    """
    def __init__(self, model: str = None, apiKey: str = None, baseUrl: str = None, timeout: int = None):
        """
        初始化客户端。优先使用传入参数，如果未提供，则从环境变量加载。
        """
        self.model = model or os.getenv("LLM_MODEL_ID")
        apiKey = apiKey or os.getenv("LLM_API_KEY")
        baseUrl = baseUrl or os.getenv("LLM_BASE_URL")
        timeout = timeout or int(os.getenv("LLM_TIMEOUT", 60))
        if not all([self.model, apiKey, baseUrl]):
            raise ValueError("模型ID、API密钥和服务地址必须被提供或在.env文件中定义。")
        self.client = OpenAI(api_key=apiKey, base_url=baseUrl, timeout=timeout)
    def think(self, messages: List[Dict[str, str]], temperature: float = 0) -> str:
        """
        调用大语言模型进行思考，并返回其响应。
        """
        print(f" 正在调用 {self.model} 模型...")
        try:
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                temperature=temperature,
                stream=True,
            )
            # 处理流式响应
            print("✅ 大语言模型响应成功:")
            collected_content = []
            for chunk in response:
                content = chunk.choices[0].delta.content or ""
                print(content, end="", flush=True)
                collected_content.append(content)
            print()  # 在流式输出结束后换行
            return "".join(collected_content)
        except Exception as e:
            print(f"❌ 调用LLM API时发生错误: {e}")
            return None
# --- 客户端使用示例 ---
if __name__ == '__main__':
    try:
        llmClient = HelloAgentsLLM()
        exampleMessages = [
            {"role": "system", "content": "You are a helpful assistant that writes Python code."},
            {"role": "user", "content": "写一个快速排序算法"}
        ]
        print("--- 调用LLM ---")
        responseText = llmClient.think(exampleMessages)
        if responseText:
            print("\n\n--- 完整模型响应 ---")
            print(responseText)
    except ValueError as e:
        print(e)

如果说大语言模型是智能体的“大脑”，那么工具（Tools）就是其与外部世界交互的“手和脚”。在ReAct范式中，工具是连接模型与现实世界的桥梁。为了让智能体能够真正解决我们设定的实际问题，它必须具备调用外部工具的能力。

实践建议：在定义工具时，建议使用清晰的函数名和详细的文档字符串（Docstring）。因为大语言模型是通过函数的名称和描述来理解工具用途的，描述越清晰，模型调用工具的准确性就越高。例如，你可以定义一个 search_web(query) 函数，其描述为“搜索互联网并返回相关结果摘要”。

[AFFILIATE_SLOT_1]

在实际开发中，工具可以是任何API调用：查询天气、计算数学表达式、操作文件系统，甚至是调用另一个机器学习模型。你可以根据任务需求，为智能体配备不同的“工具包”。

深入思考：ReAct的变体与延伸

ReAct并非唯一的智能体范式，但它为后续更复杂的设计奠定了基础。理解ReAct之后，你会发现许多现代框架（如LangChain、AutoGPT）的核心思想都源于此。

⚠️ 注意事项：虽然ReAct很强大，但它也有局限性。例如，在“思考”和“行动”之间切换会消耗大量的Token，导致成本增加和响应延迟。此外，如果模型的推理能力不足，可能会陷入“思考-行动-观察”的死循环中。因此，在设计智能体时，设置最大迭代次数是一个很好的防御性编程习惯。

为了优化性能，业界也衍生出了多种变体，例如：

  • ReAct + 反思（Reflexion）：在失败后增加一个自我反思的步骤，总结经验教训，以便在未来的尝试中避免类似错误。
  • Plan-and-Execute：先制定一个完整的执行计划，然后逐步执行，而不是每一步都进行深度推理，这适合处理步骤明确的任务。

这些变体本质上都是在“思考”和“行动”的频率与深度上做文章，以适应不同的应用场景。掌握ReAct，就等于掌握了理解这些高级范式的基础钥匙。

总结与展望

本文详细拆解了ReAct范式的核心工作流程（思考-行动-观察），并通过Python代码示例演示了如何搭建环境、配置模型以及定义工具。ReAct通过将大模型的推理能力与外部工具的行动能力相结合，极大地拓展了AI的应用边界。从简单的信息查询到复杂的自动化任务，ReAct提供了一套清晰、可解释的实现路径。

实践建议：不要只停留在阅读，打开你的IDE，尝试将上述代码片段组合起来，运行一个简单的Demo。你可以从一个“计算器”或“搜索助手”开始，逐步增加工具的复杂度，体会智能体行为的变化。无论你使用的是Python、JavaScript还是TypeScript，动手实践都是掌握这项技术的最佳途径。

[AFFILIATE_SLOT_2]