相关文章：AI 1
ReAct（Reasoning + Acting） 是大型语言模型（LLM）中一种结合**推理（Reasoning）和行动（Acting）**的交互式框架，旨在通过动态规划任务步骤、调用工具（如搜索、计算器等）并整合结果，提升模型解决复杂问题的能力。
核心思想
- 推理（Reasoning）
- 模型通过**链式思考（Chain-of-Thought）**分解问题，生成分步推理（如：“第一步需要查天气，第二步计算温差”）。
- 行动（Acting）
- 在需要外部信息时，模型主动调用工具（如调用搜索引擎、API、代码解释器等），获取实时数据。
- 循环迭代
- 根据工具返回的结果调整后续步骤，直到问题解决。
关键流程示例
问题：
“旧金山今天的温度比北京高多少？”
ReAct步骤：
- 推理：
- “需要获取旧金山和北京的当前温度。”
- 行动：
- 调用天气API查询旧金山温度 → 得到15°C。
- 调用天气API查询北京温度 → 得到5°C。
- 推理+输出：
- “温差 = 15°C - 5°C = 10°C，旧金山比北京高10°C。”
优势
- 动态性：结合实时工具弥补LLM的静态知识局限（如最新天气、数学计算）。
- 可解释性：通过显式推理步骤展示决策过程。
- 通用性：适用于问答、数学推理、编程等复杂任务。
与纯CoT的区别
| 纯Chain-of-Thought (CoT) | ReAct |
|---|---|
| 仅依赖模型内部知识推理 | 结合外部工具获取实时数据 |
| 可能因知识过时/缺失出错 | 结果更准确可靠 |
典型应用场景
- 需要实时数据的问答（如股票、天气）。
- 复杂数学/逻辑问题（调用计算器或代码）。
- 交互式任务（如控制智能家居API）。
ReAct通过“思考→行动→验证”的闭环，显著提升了LLM在真实场景中的实用性。