连云港市网站建设_网站建设公司_原型设计_seo优化

我们为Agent画了一张“蓝图”，知道了它由“大脑(LLM)”、“双手(Tools)”、“计划(Planning)”和“记忆(Memory)”四大核心组件构成。

但问题来了：这四个独立的组件，是如何协同工作的？Agent到底是如何“思考”的？

今天，我们就来深入解析Agent最经典、最重要的一种思考模式——ReAct框架。

一、为什么“大脑”不能包办一切？

在我们深入ReAct之前，必须先回答一个问题：为什么我们需要一个“框架”？让Agent的“大脑”（LLM）直接解决问题不好吗？

原因很简单，正如我们在上一期对比中提到的，LLM（无论是GPT-4o、Claude 3，还是国内的Kimi、GLM-4）本身只是一个“缸中之脑”，它有两个致命缺陷：

1. 知识的“保质期”：它的知识是“冰冻”在训练截止日期的。它不知道今天的天气、刚才的股票价格，也无法访问你本地的文件。
2. 能力的“局限性”：它不擅长精确的数学计算，无法执行代码，更不能去操作你的电脑。

ReAct框架的诞生，就是为了解决这个问题。它的核心使命，就是建立一套工作流，让“大脑”（LLM）能够主动地、智能地去使用“双手”（Tools），来弥补自己的缺陷。

二、ReAct = 推理 (Reason) + 行动 (Act)

ReAct这个词，是**“Reasoning and Acting”**的缩写，即“推理与行动”。

这个框架由Google Brain团队在2022年提出，它的思想极其巧妙，并且非常符合人类解决问题的直觉：三思而后行。

• Reason (推理)：Agent在做每一步之前，都必须先“想一想”。它会自言自语（生成内部独白），分析当前的目标、已有的信息、缺失的信息，以及下一步该做什么。
• Act (行动)：基于“推理”的结果，Agent决定采取一个具体的“行动”。这个行动几乎总是去调用一个它拥有的工具。

三、Agent的“三步舞”：ReAct的核心循环

ReAct框架的核心，是一个不断循环的“三步舞”，这完美对应了我们上一期提到的OODA循环（观察-调整-决策-行动）。

这个循环就是：Thought (思考) -> Action (行动) -> Observation (观察)

1. Thought (思考)这是LLM（大脑）的内部独白。它会分析“我当前的目的是什么？”，“我手头有哪些信息？”，“我还需要什么信息？”，“我该用哪个工具去获取？”
2. Action (行动)LLM基于思考，决定具体调用哪个工具，以及给这个工具传递什么参数。例如：Action: search(query="北京今天的天气")。
3. Observation (观察)这是工具执行后返回的结果。例如：Observation: "北京今日晴，气温25-30摄氏度，微风"。

这个Observation的结果，会立刻作为新的信息，喂给Agent，进入下一轮的Thought，形成一个完整的闭环。

四、实战推演：Agent如何“思考”一个中国式问题

光说理论太抽象，我们来用一个本土化的复杂案例，完整地推演一遍ReAct的思考链。

👤 你的指令：“帮我查一下，‘腾讯’的创始人是谁，他多大了？”

🤖 Agent的“心路历程”（ReAct循环开始）：

【循环 1】

**Thought (思考)😗*用户的目标是两个：1. 腾讯创始人的名字。2. 他的年龄。这两个信息我（LLM）的知识库里可能有，但也可能过时了，尤其是年龄是动态变化的。最保险的办法是使用工具。我需要一步步来，先获取创始人的名字。我应该使用search工具。

Action (行动):search(query="腾讯 创始人")

Observation (观察):[工具返回： "腾讯的主要创始人是马化腾。"]

【循环 2】

**Thought (思考)😗*好的，我已经拿到了第一个信息：马化腾。现在我需要完成第二个目标：他的年龄。我需要知道他的出生日期或者年龄。我应该继续使用search工具。

Action (行动):search(query="马化腾 出生日期")

Observation (观察):[工具返回： "马化腾，1971年10月29日出生于..."]

【循环 3】

**Thought (思考)😗*我拿到了出生日期：1971年10月29日。用户问的是“多大了”，我需要计算一下。虽然我的大脑可以试着算，但为了绝对精确，我应该使用calculate（计算器）工具。 （在我们的实战中，这里甚至可以调用一个更高级的calculate_age工具，或者先获取当前日期再计算，但这里为了简化，我们假设它调用了一个数学工具）我应该使用calculate工具。

Action (行动):calculate(expression="当前年份 - 1971")(假设Agent能获取到当前年份是2025年)calculate(expression="2025 - 1971")

Observation (观察):[工具返回： 54]

【循环 4】

**Thought (思考)😗*我已经获取了所有需要的信息：名字是“马化腾”，年龄是“54”。我已经可以完整地回答用户的问题了。我应该结束任务，并给出最终答案。

Action (行动):finish(answer="腾讯的创始人是马化腾，他出生于1971年10月29日，今年（2025年）54岁。")

(循环结束)

五、总结：ReAct的魔力与“伏笔”

通过上面的推演，你是不是彻底明白了ReAct的工作方式？

ReAct的魔力在于，它强迫AI“把话说清楚，把事做扎实”：

1. 透明可控：所有的Thought日志，让我们能清晰地看到AI的每一步思考，便于我们调试和优化。
2. 纠错能力：如果第一步Action失败了（比如搜索工具返回404），Agent可以在下一轮Thought中意识到问题，并尝试换一个关键词重新搜索。
3. 工具的胜利：它完美地解决了LLM的短板。LLM不擅长计算？没关系，有calculate工具。LLM不知道最新资讯？没关系，有search工具。

六、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。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

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
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】