用 ReAct 模式构建简单智能体

背景

大模型本身只能基于训练数据生成文本，无法获取实时信息，也不能直接操作外部系统。为了让模型解决更复杂的问题，研究者提出了“智能体”（Agent）的概念：让模型在一个循环中交替进行推理（Reasoning）和行动（Acting），即 ReAct 模式。

这个思路让我非常兴奋：如果能让模型自己决定“下一步该查什么资料”或“该调用哪个工具”，很多繁琐的自动化任务就能交给它处理。于是我决定从一个简单的待办事项管理场景入手，亲手实现一个 ReAct 智能体。

核心思路

ReAct 的核心是一个“思考—行动—观察”的循环。每一步，模型都会根据当前状态生成一段内部推理，然后决定调用哪个工具、传入什么参数。工具执行后的结果会作为新的观察反馈给模型，模型再据此进行下一轮推理。

示例

在待办事项管理场景中，我为智能体提供了三个工具：add_todo、list_todos 和 complete_todo。当用户说“帮我添加一个买牛奶的任务，并看看现在还有哪些待办”时，智能体会这样运行：

用户：帮我添加一个买牛奶的任务，并看看现在还有哪些待办。

Thought：用户想新增一个待办，并查看全部待办列表。我需要先调用 add_todo，再调用 list_todos。
Action: add_todo{"content": "买牛奶"}
Observation: 待办已添加，ID 为 3。

Thought：现在需要把当前所有待办展示给用户。
Action: list_todos{}
Observation: [1] 写周报 (pending), [2] 整理笔记 (pending), [3] 买牛奶 (pending)

Thought：任务已完成，可以给出最终回复。
Final Answer：已为你添加“买牛奶”，当前共有 3 项待办：写周报、整理笔记、买牛奶。

为了让模型稳定输出 Action 行，我在 Prompt 中严格规定了输出格式，并使用了 Few-shot 示例演示完整的循环过程。

总结

ReAct 模式让我第一次感受到“模型在主动解决问题”。虽然这个待办示例很简单，但它已经涵盖了智能体的关键要素：工具定义、状态管理、循环控制和终止条件。

接下来我想尝试更复杂的场景，比如让智能体根据错误日志自动检索文档、定位问题并给出修复建议。为此，我需要更健壮的工具参数校验和更清晰的错误反馈机制。