ReAct是一种将推理与行动交替组织的Agent运行范式核心在于模型能在脑内生成答案的同时根据需要查询、调用工具、观察结果并持续推理。它通过“思考→执行→观察→更新→再决策”的循环将大模型从一次性问答推进到可与环境交互的任务执行形态。本文详细解析了ReAct的原理、运行过程、应用场景及局限并探讨了其在代码Agent等领域的实际应用适合希望学习大模型与Agent技术的程序员和小白参考。先给结论ReAct 可以理解为一个简单但非常关键的循环思考下一步 → 执行动作 → 观察结果 → 更新判断 → 再决定下一步它的价值不在于让大模型“凭空知道更多”而在于把大模型从一次性问答推进到可与环境交互的任务执行形态。表 1ReAct 的核心定位维度说明本质一种 Agent 推理与行动交替的控制模式解决的问题单轮生成容易缺少事实依据、无法处理外部状态、无法逐步纠错典型能力工具调用、检索增强、任务分解、环境观察、迭代修正适合场景需要多步决策、外部信息、工具执行、过程可追踪的任务不适合场景简单问答、固定模板生成、低风险单步转换任务ReAct 到底是什么ReAct 由两个词组成Reasoning模型基于当前问题、上下文和观察结果进行推理判断下一步应该做什么。Acting模型选择一个动作例如搜索资料、调用 API、执行代码、查询数据库、打开网页、读文件等。关键点是ReAct 不是只让模型“写出推理过程”也不是只让模型“调用工具”。它要求这两件事形成一个闭环。图 1ReAct 概念关系图这张图展示 ReAct 中问题、推理、动作、观察和最终答案之间的关系。表 2ReAct 中各组成部分的含义组成部分作用常见形式用户问题给出任务目标和约束查询、写作、排错、分析、自动化任务推理判断当前状态、拆分问题、选择下一步内部思考、计划、假设验证、风险判断动作对外部世界发起操作搜索、读文件、调用函数、执行命令、请求 API观察接收动作结果搜索结果、日志、接口响应、网页内容、代码输出最终答案在信息足够后交付结果解释、结论、文档、修复、执行报告2. 为什么需要 ReAct传统大模型问答往往是“一次输入一次输出”。这在很多场景里足够好但遇到以下问题时会暴露明显短板事实信息可能过期模型需要查资料。问题需要访问本地文件、数据库、系统状态。任务无法一步完成需要不断试错。中间结果会改变后续判断。用户希望看到可审计的执行轨迹。ReAct 的意义是把模型从“文本生成器”变成“可操作环境的任务协调者”。表 3纯生成模式与 ReAct 模式对比对比项纯生成模式ReAct 模式信息来源主要依赖模型参数和输入上下文可结合模型知识、外部检索、工具结果和环境反馈任务过程通常一次性完成多轮循环推进允许中间修正错误处理容易把不确定内容直接说成结论可通过观察结果验证假设降低盲答概率可扩展性主要扩展提示词和上下文可扩展工具、权限、工作流和环境接口风险点幻觉、过度自信、无法访问实时状态工具选择错误、循环失控、权限边界复杂3. ReAct 的运行过程一个典型 ReAct 循环可以拆成四个阶段理解目标模型判断用户到底要完成什么。选择动作模型决定是否需要调用工具以及调用哪个工具。读取观察模型解析工具返回结果判断信息是否足够。继续或结束如果信息不足继续下一轮如果足够输出结果。4. 一个简单例子查询资料并回答问题假设用户问“某个开源项目最近一次稳定版发布了什么变化”纯生成模式可能直接凭印象回答ReAct 模式更合理的过程是判断该问题需要实时信息。调用搜索或 GitHub API。查看 release note。提取关键变化。如果信息冲突继续查官方文档或 changelog。给出带来源边界的回答。图 3ReAct 时序图这张图展示用户、Agent、工具和外部系统之间的交互顺序。5. ReAct 与 Chain-of-Thought、Tool Use、RAG 的关系ReAct 经常和几个概念混在一起Chain-of-Thought、Tool Use、RAG。它们有关联但不是一回事。表 4相关概念对比概念核心关注点与 ReAct 的关系Chain-of-Thought让模型通过中间推理步骤解决复杂问题ReAct 可以包含推理但不仅限于推理文本Tool Use让模型调用外部工具ReAct 把工具调用放进“推理—行动—观察”的循环中RAG从外部知识库检索信息增强回答RAG 可以作为 ReAct 中的一种动作Planner-Executor先规划再由执行器完成任务ReAct 可以是更细粒度的动态规划与执行循环Workflow预先定义固定步骤ReAct 更强调运行时根据观察结果动态决策图 4ReAct 与相关范式的位置关系这张图展示 ReAct 如何把推理、工具调用和检索组织到同一个控制闭环中。6. ReAct 的局限和风险ReAct 提升了 Agent 的外部行动能力但也带来了新的问题。表 7ReAct 的主要局限局限表现应对方式工具选择错误模型调用了不合适的工具或者参数构造错误强化工具说明、减少工具数量、使用结构化参数校验观察误读模型把工具返回结果理解错使用结构化返回、关键字段解释、必要时二次验证循环失控反复搜索、反复尝试迟迟不输出设置最大步数、预算、时间限制和终止规则成本上升多轮调用增加 token、API 和时间成本对任务分级简单任务不启用完整 ReAct安全边界复杂动作可能修改文件、调用生产接口或发送消息分级授权、人工审批、只读优先、审计日志推理不可完全可靠模型仍可能做出错误判断对关键任务引入验证器、测试、人工复核ReAct 不等于自治。它可以让模型更会使用工具但不能替代权限设计、风险控制、测试验证和人工审查。7. 在 Codex 类代码 Agent 中的应用这里的 Codex 可以泛指 OpenAI Codex / Codex CLI / 代码执行型 Agent 这一类系统。它们最典型的 ReAct 应用不是“聊天回答代码问题”而是围绕代码仓库进行多轮操作理解用户需求。搜索项目结构和相关文件。阅读代码。判断修改点。编辑文件。运行测试或检查命令。根据错误日志继续修正。输出变更总结。这正是代码场景里的 ReActReasoning分析需求、定位代码、判断错误原因。Acting读文件、改文件、运行测试、执行命令。Observation文件内容、测试结果、编译错误、lint 输出。表 12Codex 类代码 Agent 中的 ReAct 映射ReAct 环节代码 Agent 中的表现具体例子Reasoning判断任务目标和修改策略“需要先找到路由定义和对应组件”Action调用开发工具grep 搜索、读取文件、编辑代码、运行测试Observation获取环境反馈测试失败日志、TypeScript 报错、Git diff再推理根据反馈调整方案发现类型不匹配后修改接口定义结束判断判断是否可交付测试通过、变更范围明确、无明显副作用图 10Codex 类代码 Agent 的 ReAct 循环这张图展示代码 Agent 如何通过文件和测试反馈不断修正结果。Codex 类系统里ReAct 的价值非常明显代码修改不是一次性生成而是一个需要不断读取上下文、执行验证、根据反馈修正的过程。8. 总结现在的主流 Agent 系统大多不是在“是否使用 ReAct”之间二选一而是在不同层次上组合简单任务直接生成不需要 ReAct。中等复杂任务工具调用 短 ReAct 循环。复杂工程任务ReAct 状态管理 权限控制 审计日志。长期任务ReAct 作为局部能力外层由工作流、状态图或多 Agent 编排控制。可以把 ReAct 理解为现代 Agent 的“基础动作循环”不是所有系统都会显式叫它 ReAct但只要系统需要边观察边行动、边行动边修正它就很可能在使用 ReAct 式结构。表 16从 ReAct 到现代 Agent 的演进阶段主要特征代表形态原始 ReActThought / Action / Observation 显式交替论文示例、早期 Agent demo工具调用 Agent模型根据工具描述动态调用工具LangChain Agent、函数调用助手代码 Agent在仓库中读写文件并根据测试反馈修正Codex、Claude Code、Cursor Agent、Aider状态图 Agent将循环拆成可控制的节点和边LangGraph、企业 Agent 编排系统多 Agent 系统多角色之间共享观察与决策AutoGen、CrewAI、软件工程 Agent理解这一点后再看 Codex、Claude Code 或其他 Agent 框架会更容易抓住本质它们不是简单地“会调用工具”而是把工具调用放进了一个持续观察、判断、行动、修正的循环里。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取