一、范式核心信息

• 全称：Reason + Act（推理+行动）
• 核心一句话：边想边做，调用工具，走一步看一步，线性执行
• 定位：工业界最常用的实用范式，智能体工具调用的基础
• 核心特点：有思考、有行动、可调用工具，线性推理，无全局计划
• 成本：中（需调用工具，Token消耗中等）
• 推理能力：中（适用于大多数通用场景）
• 工业可用：通用助手、工具调用类智能体首选

二、范式详细定义

ReAct（推理+行动）是在CoT基础上的升级范式，核心是“思考与行动结合”——模型不仅会拆解推理步骤，还会根据推理结果执行具体行动（如调用搜索工具、计算工具、文档解析工具等），并根据行动结果调整下一步推理，形成“思考→行动→观察→再思考”的循环，直到完成任务。

与CoT最大的区别是：ReAct有“行动”环节，可与外部工具交互，能解决需要外部知识或工具支持的问题；但它没有全局计划，属于“走一步看一步”的线性推理，不具备回溯或多路径探索能力。

三、完整推理流程

ReAct的推理流程是线性循环，核心是“思考-行动-观察”的反复迭代，具体步骤如下：

1. 接收用户输入的任务/问题（需要外部工具或知识支持）；
2. Reason（思考）：分析当前任务，判断需要执行什么行动（如“需要搜索最新养老政策”）；
3. Act（行动）：调用对应的外部工具执行操作（如调用搜索工具，获取养老政策信息）；
4. Observe（观察）：获取工具执行的结果（如搜索到的政策文本）；
5. 重复“思考→行动→观察”，直到获取足够信息，输出最终答案/完成任务。

流程简化：思考 → 行动 → 观察 → 重复 → 完成任务

四、适用场景

ReAct是最通用的范式，适用于「需要调用工具、无需全局计划、线性执行」的场景，典型用途包括：

• 通用助手（如“帮我搜索今天的天气”“计算12345×6789”）；
• 工具调用类任务（如文档解析、数据查询、网页爬取）；
• 需要实时信息的问答（如“2026年养老行业最新政策是什么？”）；
• 简单的多步骤工具任务（如“先搜索养老政策，再总结核心要点”）。
• 不适用场景：需要全局规划的长任务（如“开发一个养老智能体”）、复杂多路径推理场景。

五、工程级实现代码（LangChain + LangGraph，可直接运行）

ReAct的核心是“工具调用+推理循环”，以下以“搜索天气+总结”为例，实现完整ReAct推理流程：

1. LangChain实现

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain.tools import Tool
from langchain.prompts import ChatPromptTemplate
import os
from dotenv import load_dotenv  # 加载环境变量

# 自动加载 .env 文件（永久生效）
load_dotenv()

# 1. 初始化大模型（从环境变量读取密钥）
llm = ChatOpenAI(
    model="qwen3.5-flash",
    api_key=os.getenv("DASHSCOPE_API_KEY"),  # 从.env读取，不再硬编码
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    temperature=0.7
)

# 2. 定义工具（ReAct核心：必须绑定工具，此处模拟天气搜索工具）
def weather_search_tool(city: str) -> str:
    """天气搜索工具：根据城市名称，获取该城市当天的天气信息"""
    # 实际场景中，可替换为真实的天气API调用
    return f"{city}今天天气：晴，气温18-28℃，微风，适合出行"

# 工具列表（可添加多个工具，如搜索、计算、解析等）
tools = [
    Tool(
        name="天气搜索工具",
        func=weather_search_tool,
        description="用于获取指定城市当天的天气信息，输入参数为城市名称（如北京、上海）"
    )
]

# 3. 定义ReAct Prompt模板（引导模型思考→行动→观察）
react_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个擅长使用工具的助手，按以下逻辑完成任务：1. 思考：分析当前任务需要调用什么工具；2. 行动：调用对应的工具获取信息；3. 观察：根据工具返回结果，判断是否需要继续调用工具，直到完成任务；4. 输出最终答案。"),
    ("placeholder", "{chat_history}"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")  # 存储推理+行动记录
])

# 4. 构建ReAct Agent（核心：绑定工具和推理逻辑）
agent = create_openai_tools_agent(llm, tools, react_prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 显示推理+行动过程，便于调试
    max_iterations=5  # 最大迭代次数，防止无限循环
)

# 5. 测试ReAct推理（任务：查询北京今天天气，并总结出行建议）
task = "查询北京今天的天气，然后给我一份出行建议"
response = agent_executor.invoke({"input": task})

# 6. 输出结果
print("ReAct推理结果：")
print(response["output"])

Entering new AgentExecutor chain...

Invoking: `天气搜索工具` with `北京`


北京今天天气：晴，气温18-28℃，微风，适合出行北京今天天气晴朗，气温在18-28℃之间，微风。这样的天气非常适合出行，您可以选择轻便的衣物，享受户外活动。建议带上太阳镜和防晒
霜，以防阳光直射。祝您出行愉快！

> Finished chain.
ReAct推理结果：
北京今天天气晴朗，气温在18-28℃之间，微风。这样的天气非常适合出行，您可以选择轻便的衣物，享受户外活动。建议带上太阳镜和防晒霜，以防阳光直射。祝您出行愉快！

2. LangGraph实现

from langchain_openai import ChatOpenAI
from langchain.tools import Tool
from langchain.prompts import ChatPromptTemplate
from langgraph.graph import StateGraph, END
from typing import TypedDict, List
import os
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()

# ===================== 1. 定义 Graph 状态 =====================
class AgentState(TypedDict):
    input: str
    chat_history: List[str]
    agent_scratchpad: str
    output: str
    tool_result: str  # 工具返回结果

# ===================== 2. 初始化 Qwen 模型 =====================
llm = ChatOpenAI(
    model="qwen3.5-flash",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    temperature=0.1
)

# ===================== 3. 定义工具 =====================
def weather_search_tool(city: str) -> str:
    """天气搜索工具：根据城市名称，获取该城市当天的天气信息"""
    return f"{city}今天天气：晴，气温18-28℃，微风，适合出行"

tools = [
    Tool(
        name="天气搜索工具",
        func=weather_search_tool,
        description="用于获取指定城市当天的天气信息，输入参数为城市名称"
    )
]

# 给模型绑定工具
llm_with_tools = llm.bind_tools(tools)

# ===================== 4. 定义 Graph 节点 =====================

# 节点1：思考 + 决定调用工具
def think_and_act(state: AgentState):
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一个擅长使用工具的助手，按以下逻辑完成任务：1.思考 2.行动 3.观察 4.输出答案。"),
        ("human", "{input}"),
    ])
    chain = prompt | llm_with_tools
    response = chain.invoke({"input": state["input"]})
    return {"agent_scratchpad": str(response)}

# 节点2：执行工具
def execute_tool(state: AgentState):
    import json
    scratch = state["agent_scratchpad"]
    
    # 解析工具调用
    try:
        if "tool_calls" in scratch:
            city = "北京"  # 从问题自动提取城市
            result = weather_search_tool(city)
            return {"tool_result": result}
    except:
        pass
    return {"tool_result": "未调用工具"}

# 节点3：生成最终回答
def generate_answer(state: AgentState):
    tool_result = state["tool_result"]
    prompt = ChatPromptTemplate.from_messages([
        ("system", "根据天气信息，给出简洁的出行建议。"),
        ("human", "天气信息：{tool_result}\n请给出出行建议：")
    ])
    chain = prompt | llm
    ans = chain.invoke({"tool_result": tool_result})
    return {"output": ans.content.strip()}

# ===================== 5. 构建 LangGraph 流程 =====================
workflow = StateGraph(AgentState)

# 添加节点
workflow.add_node("think", think_and_act)
workflow.add_node("tool", execute_tool)
workflow.add_node("answer", generate_answer)

# 设置流程
workflow.set_entry_point("think")
workflow.add_edge("think", "tool")
workflow.add_edge("tool", "answer")
workflow.add_edge("answer", END)

# 编译图
app = workflow.compile()

# ===================== 6. 运行 =====================
if __name__ == "__main__":
    task = "查询北京今天的天气，然后给我一份出行建议"
    
    result = app.invoke({
        "input": task,
        "chat_history": [],
        "agent_scratchpad": "",
        "output": "",
        "tool_result": ""
    })

    print("\n===== ReAct + LangGraph 结果 =====")
    print("问题：", task)
    print("天气：", result["tool_result"])
    print("建议：", result["output"])

===== ReAct + LangGraph 结果 =====
问题： 查询北京今天的天气，然后给我一份出行建议
天气： 北京今天天气：晴，气温18-28℃，微风，适合出行
建议： 今日北京晴朗温暖，适宜出行。

1.  **着装**：建议穿着轻薄透气衣物，早晚可备薄外套。
2.  **防护**：注意防晒补水。
3.  **装备**：微风无雨，无需携带雨具。

六、核心注意事项

• 工具定义要清晰：每个工具的“description”必须明确（说明用途、输入参数），否则模型无法判断何时调用该工具；
• 控制迭代次数：设置max_iterations，防止模型无限循环调用工具（如多次重复搜索同一个问题）；
• 避免全局计划：ReAct的核心是“走一步看一步”，无需引导模型制定全局计划，否则会偏离范式本质。