很多人面试一聊到 ReAct，第一句话就是：ReAct = Reason + Act，也就是推理加行动。这句话不能说错，但只答到这里，基本就停留在“背概念”的层面。因为面试官真正想听的，不是你会不会把 ReAct 拆成两个英文单词，而是你能不能讲清楚：ReAct 为什么能让大模型从“会回答”变成“会办事”？它和普通问答、Function Calling、Workflow 到底有什么区别？它为什么适合复杂任务，而不是简单闲聊？它在真实系统里怎么调用工具、读取反馈、继续决策？如果放到测试开发、后端系统、AI 应用里，应该怎么落地？很多候选人讲 Agent 时容易飘。一会儿自主规划，一会儿长期记忆，一会儿多智能体协作，听起来很高级，但真正问到：这个 Agent 到底怎么一步一步把任务跑完？就开始答不清楚了。而 ReAct 正好就是理解 Agent 工作方式的一个核心入口。它最关键的地方不是“模型会推理”，而是让模型学会一件事：当前信息不够时，不要硬编答案，而是先判断缺什么，再调用工具补齐信息，然后根据反馈继续决定下一步。这才是 ReAct 真正重要的地方。一、ReAct 到底是什么？ReAct 是 Reasoning 和 Acting 的结合。也就是让大模型在完成任务时，交替进行：Reason：推理Act：行动Observation：观察工具返回结果再继续推理直到形成最终答案一句话讲清楚：ReAct 是一种让大模型通过“推理—行动—观察—再推理”的循环，逐步完成复杂任务的 Agent 思路。它不是让模型一次性把答案说出来，而是让模型边想边做。比如用户问：今天上海会不会下雨？我要不要带伞？普通问答模式下，模型可能直接生成一段建议。但问题是：模型本身并不知道今天上海的实时天气。如果它直接回答，很可能只是生成一个“看起来像答案”的内容。而 ReAct 模式下，模型会先判断：这是一个实时问题，内部知识不够，需要调用天气工具。然后它会执行：调用天气 API获取降水概率、降雨时段、温度变化判断是否需要带伞基于实时结果给出建议这时模型不是在“凭感觉回答”，而是在基于工具反馈完成任务。
发布于 北京
2
评论
1
未登录
友善发言
评论
加载中
