企业官网建设流程全解析

本文深入解析了 ReAct 模式在大模型智能 Agent 中的应用，通过对比普通工具调用，阐述了 ReAct 模式如何通过 Reasoning（推理）和 Acting（行动）的交织循环提升 Agent 的可解释性和可纠错性。文章从工具集定义、System Prompt 构建、解析逻辑实现到主循环流程，详细展示了如何从零实现一个 ReAct Agent。此外，还介绍了 LangChain.js 封装版的使用，并探讨了流式输出 Thought 过程以及常见坑的解决方法。通过学习本文，读者可以深入理解 ReAct 模式的工作原理，掌握构建高效智能 Agent 的关键技巧。

一句话定义

ReAct = Reasoning（推理）+ Acting（行动）的交织循环。

类比：就像一个侦探破案。他不会一开始就下结论，而是先猜测（Reasoning），然后去现场取证（Acting），根据证据更新判断，再继续行动，直到案子破了。

普通 LLM 是：看一眼 → 直接给答案。
ReAct Agent 是：想一步 → 做一步 → 看结果 → 再想 → 再做……

为什么 ReAct 比普通工具调用强

先看一个对比：

没有 ReAct 的 Agent 接到任务「帮我查今天北京天气，并告诉我要不要带伞」：

1. **调用 getWeather("北京")** 2. **返回结果**

有 ReAct 的 Agent 处理同样任务：

Thought: 用户问北京今天天气和是否需要带伞，我需要先查天气数据。 Action: getWeather({"city": "北京"}) Observation: 今天北京 多云转阵雨，最高气温 18°C，降雨概率 75% Thought: 降雨概率 75%，属于高概率降雨，建议带伞。可以给出结论了。 Final Answer: 今天北京有阵雨，降雨概率 75%，建议带伞出门。

区别在哪？中间多了 Thought 和 Observation 两个步骤。

这带来两个好处：

1. 可解释：你能看到 Agent「为什么这么做」

2. 可纠错：如果工具返回的结果不对，Thought 阶段会意识到，并调整下一步行动

ReAct 的核心循环

ReAct 的执行流是一个固定的循环：

Thought → Action → Observation → Thought → Action → Observation → ... → Final Answer

每一轮包含三件事：

这个循环结束的条件：LLM 输出Final Answer:，代表它认为已经有足够信息回答用户了。

从零实现一个 ReAct Agent

我们不用框架封装，手写一个最小 ReAct 循环，搞清楚底层在干什么。

Step 1：定义工具集

// tools.ts export interface Tool { name: string; description: string; execute: (input: string) => Promise<string>; } // 模拟天气工具 const weatherTool: Tool = { name: "getWeather", description: "查询城市天气。输入格式: {city: '城市名'}", execute: async (input: string) => { const { city } = JSON.parse(input); // 实际使用中替换为真实 API const fakeData: Record<string, string> = { "北京": "多云转阵雨，18°C，降雨概率75%", "上海": "晴，23°C，降雨概率10%", }; return fakeData[city] ?? "暂无该城市天气数据"; } }; // 模拟计算工具 const calcTool: Tool = { name: "calculate", description: "执行数学计算。输入格式: {expression: '数学表达式'}", execute: async (input: string) => { const { expression } = JSON.parse(input); // 注意：生产环境不要用 eval，用 mathjs 等安全库 try { return String(eval(expression)); } catch { return "计算出错：表达式无效"; } } }; export const tools = [weatherTool, calcTool];

Step 2：构建 ReAct System Prompt

// react-prompt.ts import { Tool } from "./tools"; export function buildReActSystemPrompt(tools: Tool[]): string { // 把工具列表格式化进 prompt，让 LLM 知道有哪些工具可用 const toolDescriptions = tools .map(t => `- ${t.name}: ${t.description}`) .join("/n"); return `你是一个会使用工具的 AI 助手。回答问题时严格遵循以下格式： 你有以下工具可以使用： ${toolDescriptions} 回答格式（严格遵守）： Thought: 你的推理过程，分析当前情况和下一步计划 Action: 工具名称 Action Input: {"参数": "值"} 收到工具结果后继续： Observation: [工具返回的结果，由系统填入] Thought: 根据观察结果更新推理 ... (可以重复多次 Thought/Action/Observation) 当你有足够信息回答时： Thought: 已经有足够信息了 Final Answer: 最终回答内容 重要规则： 1. **每次只能调用一个工具** 2. **Action Input 必须是合法的 JSON** 3. **不要编造 Observation，等待系统返回** 4. **确定答案后输出 Final Answer，不再调用工具`;** }

Step 3：实现解析逻辑

// react-parser.ts export interface ReActStep { thought: string; action?: string; // 如果有工具调用 actionInput?: string; // 工具参数 finalAnswer?: string; // 如果已有结论 } export function parseReActResponse(text: string): ReActStep { const step: ReActStep = { thought: "" }; // 提取 Thought const thoughtMatch = text.match(/Thought:/s*([/s/S]*?)(?=Action:|Final Answer:|$)/); if (thoughtMatch) { step.thought = thoughtMatch[1].trim(); } // 提取 Final Answer（优先判断） const finalMatch = text.match(/Final Answer:/s*([/s/S]*?)$/); if (finalMatch) { step.finalAnswer = finalMatch[1].trim(); return step; } // 提取 Action const actionMatch = text.match(/Action:/s*(.+)/); const inputMatch = text.match(/Action Input:/s*([/s/S]*?)(?=Thought:|Observation:|$)/); if (actionMatch) { step.action = actionMatch[1].trim(); step.actionInput = inputMatch ? inputMatch[1].trim() : "{}"; } return step; }

Step 4：主循环

// react-agent.ts import { ChatOpenAI } from "@langchain/openai"; import { HumanMessage, SystemMessage, AIMessage } from "@langchain/core/messages"; import { tools } from "./tools"; import { buildReActSystemPrompt } from "./react-prompt"; import { parseReActResponse } from "./react-parser"; async function runReActAgent(userQuery: string, maxSteps = 10) { const llm = new ChatOpenAI({ model: "gpt-4o", temperature: 0 }); const systemPrompt = buildReActSystemPrompt(tools); // 对话历史：记录完整的 Thought/Action/Observation 轨迹 const messages = [ new SystemMessage(systemPrompt), new HumanMessage(userQuery), ]; console.log(`/n🤖 用户问题：${userQuery}`); console.log("─".repeat(50)); for (let step = 0; step < maxSteps; step++) { // 调用 LLM，获取下一步行动 const response = await llm.invoke(messages); const responseText = response.content as string; console.log(`/n[Step ${step + 1}]`); console.log(responseText); // 解析 LLM 的输出 const parsed = parseReActResponse(responseText); // 如果 LLM 给出了最终答案，结束循环 if (parsed.finalAnswer) { console.log("/n✅ 最终答案：", parsed.finalAnswer); return parsed.finalAnswer; } // 如果 LLM 要调用工具 if (parsed.action) { // 把 LLM 的思考和行动加入历史 messages.push(new AIMessage(responseText)); // 找到对应工具并执行 const tool = tools.find(t => t.name === parsed.action); let observation: string; if (!tool) { observation = `工具 "${parsed.action}" 不存在，可用工具：${tools.map(t => t.name).join(", ")}`; } else { try { observation = await tool.execute(parsed.actionInput ?? "{}"); } catch (e) { observation = `工具执行出错：${e}`; } } console.log(`/nObservation: ${observation}`); // 把工具结果作为 Human 消息注入（模拟 Observation） messages.push(new HumanMessage(`Observation: ${observation}`)); } else { // LLM 没有行动也没有最终答案，说明输出格式不对 console.warn("⚠️ 解析失败，LLM 未按格式输出"); break; } } return "达到最大步骤数，未能得出最终答案"; } // 测试 runReActAgent("今天北京天气怎么样？要带伞吗？");

LangChain.js 封装版：5 行搞定

手写版帮你理解原理。生产环境用 LangChain.js 内置的 ReAct Agent：

import { createReactAgent } from "@langchain/langgraph/prebuilt"; import { ChatOpenAI } from "@langchain/openai"; import { tool } from "@langchain/core/tools"; import { z } from "zod"; // 用 LangChain tool() 包装工具，带类型校验 const getWeather = tool( async ({ city }: { city: string }) => { // 替换为真实 API return `${city}：多云转阵雨，18°C，降雨概率75%`; }, { name: "getWeather", description: "查询城市当天天气，输入城市名称", schema: z.object({ city: z.string().describe("城市名，如 北京、上海"), }), } ); const model = new ChatOpenAI({ model: "gpt-4o", temperature: 0 }); // createReactAgent 内部实现了完整的 ReAct 循环 const agent = createReactAgent({ llm: model, tools: [getWeather], }); // 调用 Agent const result = await agent.invoke({ messages: [{ role: "user", content: "今天北京天气怎么样？要带伞吗？" }], }); // 最后一条消息就是最终答案 console.log(result.messages.at(-1)?.content);

封装版的 ReAct 循环由 LangGraph 状态机驱动，不需要手动管理消息历史。

流式输出 Thought 过程

默认情况下你等到Final Answer才能看到输出。用流式可以实时看到 Agent 的思考过程：

// 流式输出：实时看到 Thought → Action → Observation const stream = await agent.stream({ messages: [{ role: "user", content: "北京今天要带伞吗？" }], }); for await (const chunk of stream) { // chunk 包含每一步的中间状态 if (chunk.agent) { // LLM 思考阶段的流式 token process.stdout.write(chunk.agent.messages[0].content as string); } if (chunk.tools) { // 工具执行结果 console.log("/n🔧 工具返回：", chunk.tools.messages[0].content); } }

效果：用户能实时看到 Agent 在「想什么」，体验接近 ChatGPT 的 reasoning 展示。

常见坑

坑 1：最大步骤数没设，Agent 死循环

// ❌ 没有步骤限制，工具报错时 Agent 会无限重试 const agent = createReactAgent({ llm: model, tools }); // ✅ 设置递归限制，超出后抛出可捕获的错误 const result = await agent.invoke(input, { recursionLimit: 10, // 最多 10 步 });

LLM 有时候会陷入「工具出错 → 重试 → 还是出错」的循环，不设上限会烧掉大量 token。

坑 2：Observation 太长，撑爆 Context Window

// ❌ 直接把工具返回塞进上下文，数据库查询返回 5000 行就爆了 const observation = await dbQueryTool.execute(input); messages.push(new HumanMessage(`Observation: ${observation}`)); // ✅ 截断 + 摘要：超过阈值时只保留关键信息 const MAX_OBS_LENGTH = 2000; let observation = await dbQueryTool.execute(input); if (observation.length > MAX_OBS_LENGTH) { observation = observation.slice(0, MAX_OBS_LENGTH) + "/n...(结果已截断，原始长度: " + observation.length + ")"; }

坑 3：工具描述写得太模糊，LLM 选错工具

// ❌ 描述太泛，LLM 不知道什么时候该用 const badTool = tool(fn, { name: "search", description: "搜索信息", }); // ✅ 描述精准，包含触发场景和排除场景 const goodTool = tool(fn, { name: "webSearch", description: "搜索互联网上的实时信息，如新闻、当前价格、最新事件。不适用于查询本地文件或数据库数据。", });

LLM 选工具靠的是description，写模糊就等于给它出题，答错了别怪模型。

坑 4：Action Input 解析不到，报 JSON 错误

// ❌ 直接 JSON.parse，LLM 输出格式稍有偏差就崩 const input = JSON.parse(parsed.actionInput); // ✅ 容错处理：提取 JSON 子串，处理 LLM 可能带的 markdown 代码块 function safeParseInput(raw: string): unknown { // 去掉 LLM 可能加的 ```json ... ```包裹 const cleaned = raw.replace(/```json/n?/g, "").replace(/```/n?/g, "").trim(); try { return JSON.parse(cleaned); } catch { // 如果还是解析不了，返回原始字符串让工具自己处理 return { input: cleaned }; } }

GPT-4o 输出的 Action Input 有时会带 markdown 代码块标记，裸JSON.parse会直接报错。

坑 5：Thought 过程不记录，调试时一头雾水

// ❌ 只拿最终答案，中间过程扔掉 const result = await agent.invoke(input); console.log(result.messages.at(-1)?.content); // ✅ 保存完整轨迹，出错时能回放 const result = await agent.invoke(input); const trajectory = result.messages.map(m => ({ role: m.getType(), content: m.content, })); // 存到日志系统或打印出来 console.log(JSON.stringify(trajectory, null, 2));

生产环境的 Agent 一定要记录完整的 ReAct 轨迹，这是调试的唯一线索。

可收藏清单

ReAct Agent 上线前自查：

• System Prompt 里包含了所有工具的名称和描述
• 设置了recursionLimit，防止死循环
• Observation 有长度截断，避免撑爆 context
• Action Input 解析有容错，不裸JSON.parse
• 工具 description 包含触发场景和排除场景
• 生产环境记录完整 ReAct 轨迹（Thought + Action + Observation）
• 测试过工具报错时 Agent 的行为（是重试还是给出错误答案）

总结

这篇我们把 ReAct 从头到尾拆了一遍：

• ReAct = Reasoning + Acting，核心在于 Thought 和 Observation 的交织循环，而不是单纯的工具调用
• 普通 Tool-Calling 的问题是模型一次性决策，遇到复杂任务容易翻车；ReAct 让模型边想边做，步步修正
• 手写 ReAct 循环帮你理解底层：解析 Thought → 执行 Action → 回传 Observation → 继续思考
• createReactAgent 是 LangChain 封装好的生产版本，内置循环控制、错误处理、记忆支持
• 流式输出 Thought让用户看到 Agent 的推理过程，透明度和信任感同时提升
• 5 个真实坑：死循环、Context 爆炸、工具描述模糊、JSON 解析容错、轨迹不记录——每一个都是生产事故的源头

ReAct 不是魔法，它只是给了模型一个"允许犯错、允许修正"的框架。理解这个，你才能在 Agent 出错时知道该从哪里下手。

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？