AI认知篇1：什么是React agent
前言
这是我的agent系列文章的第一篇，该系列分为三部分：
- AI认知篇：详细讲解相关基础概念
- AI实践篇：分享诸如skills怎么写、怎么ai coding、怎么写好prompt等的最佳实践
- AI八股篇：分享我自己整理的应付大模型应用开发岗位必备的八股笔记
如果觉得有帮助，欢迎关注我并期待后续文章！预期是日更哦！当天没更可能是因为太累了，周末会弥补的。
一、ReAct 核心：Reasoning + Acting，边想边做
ReAct 拆开就是 推理（Reasoning）+ 行动（Acting），核心逻辑：
AI 不先定死全流程，而是走一步、看一步、想一步，循环完成任务。
通俗对比
- 传统方式：出门前查好全程路线，严格按路线走
- ReAct：到路口看路牌、看环境，再决定左转 / 右转，灵活调整
二、工作流程：观察 → 思考 → 行动（循环）
以「查北京天气 + 穿衣建议」为例，极简链路：
- 观察：接收用户问题
- 思考：判断需要查天气
- 行动：调用天气工具
- 观察：拿到温度、天气数据
- 思考：需要查穿衣建议
- 行动：调用穿搭知识库
- 观察：拿到穿搭方案
- 思考：需要保存结果
- 行动：写入文件
- 观察：任务完成
全程无固定步骤，每一步都依赖上一步结果动态决策。
三、为什么要用 ReAct？
传统固定流程的痛点
遇到 API 报错、数据异常、需求变更，直接卡死。
ReAct 优势
ReAct 的优势就在于它能根据实际情况灵活应对，而不是遇到意外就卡住。
小代价
行为可预测性略低，偶尔会出现无效操作，但复杂场景下收益远大于成本。
四、ReAct 5 个核心要素
- 历史上下文：记录所有思考、行动、结果，避免重复 / 走错
- 当前环境信息：用户输入、系统状态、实时数据等
- LLM 大脑：负责推理、做决策
- 工具 / 动作（toolcall）：搜索、查询、读写文件等实际操作
- 观察结果：工具返回内容，驱动下一轮推理
五、执行逻辑举例
下面用一个完整的例子，看看 ReAct 是怎么一步步解决问题的。假设任务是："帮我查一下北京今天天气怎么样，适合穿什么衣服。"
Round 1 |
无 |
空 |
已知 **： 当前历史上下文 ： &{历史上下文} 当前环境信息 **： &{当前环境信息} 用户目标 **：**"帮我查一下北京今天天气怎么样，适合穿什么衣服。"做出下一步的决策 .你必须最少使用一个工具来实现该决策 |
天气查询工具调用：查询 "北京今天天气" |
天气查询工具返回：获取到天气数据：温度 25°C，晴天，湿度 60%，风速 3m/s |
Round 2 |
已获取北京天气数据（25°C，晴天，湿度 60%，风速 3m/s） |
天气工具：无额外环境信息 |
同上，提示词不会变化 |
穿衣建议知识库查询工具调用：查询 "25度晴天适合穿什么衣服" |
穿衣建议知识库查询工具返回：25度晴天建议穿短袖 T 恤或薄长袖，可以带一件薄外套以防早晚温差，建议戴帽子和涂防晒霜 |
Round 3 |
天气数据（25°C，晴天，湿度 60%，风速 3m/s）；已获取穿衣建议：25度晴天建议穿短袖 T 恤或薄长袖，可以带一件薄外套以防早晚温差，建议戴帽子和涂防晒霜 |
天气工具：无额外环境信息、穿衣知识库工具：无额外环境信息 |
同上，提示词不会变化 |
writeToFile工具调用：内容为"北京今天天气：25°C，晴天，湿度 60% |
剩余60%内容，订阅专栏后可继续查看/也可单篇购买
内容包含： 1.后端八股大全：多一句没有少一句不行的最精简八股整理，完全可以应付校招八股拷打！ 2.速成项目话术：目前有魔改苍穹外卖项目话术（额外扩展了很多技术亮点），能速成拿去面试，后面会更新agent开发等等热门高质量项目话术 3.智力题超详细题解汇总； 4.面试时非技术问题话术整理，绝对震惊面试官一年； 5.算法lc hot100全题系列题解：绝对通俗易懂。 欢迎订阅！
