很多人用大模型的方式还停留在”一问一答”:抛出一个问题,等一个答案,不满意就换个问法再试。但真正把 AI 用出生产力的人,早已换了一种思路——让模型自己规划步骤、调用工具、检查结果,循环往复直到完成任务。这就是当下最火的 AI Agent(智能体)模式,而它的核心方法论,叫 ReAct。
一、为什么”一问一答”不够用?
直接向大模型提问有三个天然的瓶颈:
- 模型不知道实时信息:今天的股价、你数据库里的订单,它一概不知;
- 模型不能执行动作:它能写出”如何发邮件”的说明,却不能真的把邮件发出去;
- 复杂任务无法一步完成:”分析这份销售数据并生成周报”需要查数、计算、写作多个环节,指望一次回答搞定,得到的多半是似是而非的结果。
Agent 的解法很朴素:把大模型当成一个会使用工具的”大脑”,配上计算器、搜索引擎、数据库接口这些”手和脚”,让它边想边干。
ReAct 这个名字来自一篇经典论文,是 Reasoning(推理) + Acting(行动) 的组合。核心思想:让模型交替输出”思考过程”和”工具调用”,而不是一次性给出最终答案。
二、ReAct 循环:Agent 的心跳
一个最简 Agent 的运行循环只有四步:
- 思考(Thought):模型分析当前任务,决定下一步该做什么;
- 行动(Action):选择一个工具并给出参数,比如调用天气 API、执行一段 SQL;
- 观察(Observation):拿到工具返回的真实结果;
- 循环或收尾:结果不够就回到第 1 步继续,够了就生成最终回答。
这个循环像心跳一样运转,直到模型认为任务完成。它带来的质变是:模型的错误可以被中途纠正——搜错了关键词,下一轮换个词重搜即可,而不是像传统单轮调用那样,错到底也没法回头。
三、80 行代码实现一个最小 Agent
下面的示例用 OpenAI 兼容接口 + 函数调用(Function Calling)实现一个能做数学计算和查”数据库”的迷你 Agent:
import json
from openai import OpenAI
client = OpenAI(api_key="your-api-key") # 请使用自己的密钥,切勿硬编码上传
# 1. 定义工具:真实项目中可以是搜索、SQL、邮件等
def calculator(expression):
return str(eval(expression)) # 演示用,生产环境请换成安全实现
def query_order(order_id):
orders = {"1001": {"amount": 299, "status": "已发货"},
"1002": {"amount": 599, "status": "待支付"}}
return json.dumps(orders.get(order_id, "未找到订单"), ensure_ascii=False)
TOOLS = [
{"type": "function", "function": {
"name": "calculator",
"description": "计算一个数学表达式",
"parameters": {"type": "object", "properties": {
"expression": {"type": "string"}}, "required": ["expression"]}}},
{"type": "function", "function": {
"name": "query_order",
"description": "根据订单号查询订单状态",
"parameters": {"type": "object", "properties": {
"order_id": {"type": "string"}}, "required": ["order_id"]}}},
]
def run_agent(question, max_turns=5):
messages = [{"role": "user", "content": question}]
for _ in range(max_turns):
resp = client.chat.completions.create(
model="gpt-4o-mini", messages=messages, tools=TOOLS)
msg = resp.choices[0].message
if not msg.tool_calls: # 模型不再调用工具,说明任务完成
return msg.content
messages.append(msg)
for call in msg.tool_calls: # 执行工具并把结果喂回去
args = json.loads(call.function.arguments)
result = globals()[call.function.name](**args)
messages.append({"role": "tool", "tool_call_id": call.id,
"content": result})
return "达到最大轮数,任务未完成"
print(run_agent("帮我查一下订单 1001 的金额,加上订单 1002 的金额,总共多少钱?"))
# 模型会自动:query_order("1001") → query_order("1002") → calculator("299+599")
# 最终回答:两个订单总金额为 898 元。
注意最后一行的执行路径:模型自己决定了先查两笔订单、再做加法,全程没有人写死任何流程。这就是 Agent 与”关键词匹配式自动化”的本质区别。
四、工作流还是 Agent?选型别跟风
并不是所有场景都需要 Agent。实践中有个简单的判断标准:
- 固定流程(Workflow):步骤可预知、顺序固定——用传统的工作流编排就够了,成本更低、结果更可控。比如”每天 9 点抓取数据 → 生成报表 → 发邮件”。
- 开放任务(Agent):步骤无法预先确定、需要根据中间结果随机应变——才值得引入 Agent 的自主循环。比如”回答用户关于任意订单的复合问题”。
很多团队踩过的坑是:给简单流程硬套 Agent,结果调试困难、输出不稳定。正确的姿势往往是混合架构——主干用确定性工作流,少数关键节点嵌入 Agent 决策。
五、总结与展望
ReAct 模式用”思考—行动—观察”的循环,把大模型从被动的问答机变成了能主动完成任务的执行者。它的门槛其实不高——几十行代码、几个定义清晰的工具,就能搭建出一个可用的 Agent。
往前看,Agent 生态还有三个值得关注的趋势:多智能体协作(让不同角色的 Agent 分工配合)、长期记忆(跨会话记住用户偏好与历史结论)、以及更强的可靠性工程(重试、校验、人在环审批)。当这些拼图逐渐补齐,”AI 员工”从演示走向生产,可能比我们想象的更快。