2. LLM 推理层：判断下一步负责理解任务和做决策。它要判断：当前任务是什么？现有信息够不够？缺少什么信息？应该调用哪个工具？工具参数是什么？工具结果是否足够？是否可以输出最终答案？3. Tool Router：工具路由负责把模型的动作转换成真实工具调用。比如模型决定查询测试报告，Tool Router 就需要调用对应接口：{ "tool": "query_test_report", "params": { "project": "order-service", "date": "2026-06-27", "taskType": "api-regression" }}Tool Router 不是简单转发。它还要做：工具是否存在校验参数是否合法校验权限是否允许校验调用频率控制异常结果兜底调用日志记录4. Observation Parser：结果解析工具返回结果后，最好不要直接把一大段原始文本丢给模型。更好的方式是做结构化处理：{ "status": "success", "summary": "订单创建接口失败率升高", "data": { "totalCases": 120, "failedCases": 17, "mainError": "Inventory service timeout", "affectedApi": "/order/create" }, "confidence": "high"}结构化反馈更利于模型继续判断。十、ReAct 的伪代码怎么写？面试时如果你能写出一个简单伪代码，会比只讲概念更有说服力。这段代码说明了几个关键点：ReAct 是循环结构每一轮都要判断是否需要工具工具调用前要做校验工具返回结果要进入上下文必须有最大轮次限制这比单纯背“Reason + Act”要强很多。
发布于 北京
分享
评论
赞
未登录
友善发言
评论
加载中
