本文由Lynxe作者沈询撰写，深入浅出解析ReAct Agent的核心原理与工程价值，帮助开发者快速掌握从“写流程”到“造智能体”的关键跃迁。通过实际案例和伪代码，详细介绍了ReAct Agent的工作方式、关键要素及执行流程，适合想要入门AI智能体开发的程序员和小白学习。速收藏，轻松入门大模型开发！
为什么需要 ReAct？
你可能会问，为什么要这么麻烦？直接写个固定流程不就行了吗？问题在于，很多现实任务其实没那么简单。你可能会遇到各种意外情况，比如 API 返回错误、数据格式不对、或者需要根据中间结果调整策略。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。
当然，这种灵活性也带来了一些代价，比如行为可能不那么可预测，有时候 AI 可能会"犯傻"。但总的来说，在处理复杂、不确定的任务时，ReAct 这种边想边做的方式还是很有优势的。
ReAct 是怎么实现的？
关键要素
ReAct 的实现其实离不开几个关键要素：
历史上下文（History）ReAct 会维护一个对话历史，记录之前所有的思考、行动和观察。这样 LLM 在做决策时，可以参考之前发生了什么，避免重复操作或者走错路。
观察当前环境信息（Current Environment Information）这是 Agent 在当前时刻接收到的外部信息，比如用户的输入、系统的状态、或者其他需要处理的数据。这些信息会作为 LLM 推理的输入，帮助决定下一步该做什么。
语言模型（LLM Thinking）这是 ReAct 的"大脑"，负责推理和决策。每次需要思考下一步该做什么时，LLM 会根据当前的历史上下文、环境信息和观察结果，生成下一步的行动计划。（后续表格里这个think是隐藏的，最终表现形式就是toolcall）
工具/动作（toolcall）这是 ReAct 的"手脚"，用来执行具体的操作。比如搜索、查询 API、读写文件等等。每个工具都有明确的输入输出，Agent 可以调用这些工具来完成实际工作。
观察结果（toolcall结果）每次执行动作后，都会得到一个观察结果。这个结果会被反馈给 LLM，作为下一轮推理的依据。观察结果可能包括成功的数据、错误信息、或者需要进一步处理的内容。
执行流程示例
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。”
| 轮次 | 历史上下文 | 当前环境信息 | 当前轮次提示词 | 行动(toolcall) | 观察结果(toolcall结果) |
| 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%。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" | writeToFile工具返回：建议已写入到文件 weather_suggestion.md |
从这里我们也可能看到，核心其实就是
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。
最终输出：建议已经写入到文件 weather_suggestion.md，你可以通过打开这个文件来看到具体建议。
从这个例子可以看出，ReAct 不是一开始就知道所有步骤，而是根据每轮的观察结果，动态决定下一步该做什么。如果 Round 1 搜索失败了，它可能会尝试其他搜索关键词，或者换一个策略。这种灵活性正是 ReAct 的核心优势。
伪代码
下面是一个 round 的执行流程伪代码，展示了核心的执行逻辑：
函数 执行一个轮次(用户目标, 历史上下文): // 1. 获取当前环境信息 当前环境信息 = 获取当前环境信息() // 2. 构建提示词（替换占位符） 提示词模板 = "已知：\n当前历史上下文：${历史上下文}\n当前环境信息：${当前环境信息}\n用户目标：\"${用户目标}\"\n\n做出下一步的决策\n\n你必须最少使用一个工具来实现该决策" 完整提示词 = 替换占位符(提示词模板, { 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: 用户目标 }) // 3. 调用 LLM 进行推理（思考过程隐藏，直接输出 toolcall） 工具调用结果 = 调用语言模型(完整提示词, 历史上下文) // 4. 解析工具调用 工具名称 = 解析工具名称(工具调用结果) 工具参数 = 解析工具参数(工具调用结果) // 5. 执行工具调用 观察结果 = 执行工具(工具名称, 工具参数) // 6. 更新历史上下文 新历史上下文 = 追加到历史上下文(历史上下文, { 行动: 工具调用结果, 观察结果: 观察结果 }) // 7. 返回结果 返回 { 观察结果: 观察结果, 新历史上下文: 新历史上下文 } 结束函数 // 主循环 函数 执行ReAct流程(用户目标): 历史上下文 = 空 当前轮次 = 1 最大轮次 = 10 当 当前轮次 <= 最大轮次 且 未完成任务: 结果 = 执行一个轮次(用户目标, 历史上下文) 历史上下文 = 结果.新历史上下文 如果 判断任务已完成(结果.观察结果): 中断循环 当前轮次 = 当前轮次 + 1 结束循环 返回 历史上下文 结束函数最后
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
👇👇扫码免费领取全部内容👇👇
最后
1、大模型学习路线
2、从0到进阶大模型学习视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）
4、AI大模型最新行业报告
2026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、面试试题/经验
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
6、大模型项目实战&配套源码
适用人群
四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…
👇👇扫码免费领取全部内容👇👇
3、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。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
