在當(dāng)前由大型語(yǔ)言模型（LLM）驅(qū)動(dòng)的應(yīng)用開發(fā)浪潮中，如何賦予模型超越文本生成、具備可靠推理與行動(dòng)的能力，已成為衡量其智能水平的關(guān)鍵分野。正是在這一背景下，Langchain 框架中的 ReAct（Reasoning and Acting）機(jī)制應(yīng)運(yùn)而生，并迅速成為業(yè)界矚目的焦點(diǎn)。

ReAct 不僅僅是一種技術(shù)實(shí)現(xiàn)，更是一種富有遠(yuǎn)見(jiàn)的智能代理（Agent）設(shè)計(jì)哲學(xué)。

1. 為什么需要 Agent 架構(gòu)？

眾所周知，要理解為何需要 Agent 架構(gòu)，首先必須認(rèn)識(shí)到大型語(yǔ)言模型（LLM）本身的核心能力與局限。

從本質(zhì)上講，LLM 是一個(gè)基于概率的文本生成引擎，在其龐大的訓(xùn)練數(shù)據(jù)范圍內(nèi)，可以出色地完成理解、總結(jié)、翻譯和創(chuàng)作等任務(wù)。然而，其局限性也同樣顯著，具體體現(xiàn)在如下幾個(gè)核心方面：

(1) 知識(shí)邊界的禁錮

LLM 的知識(shí)被凍結(jié)在最后一次訓(xùn)練的時(shí)間點(diǎn)。它無(wú)法訪問(wèn)實(shí)時(shí)信息、內(nèi)部數(shù)據(jù)庫(kù)或?qū)Ｓ?API。

(2) 缺乏行動(dòng)能力

LLM 只能生成文本，卻無(wú)法執(zhí)行操作，如發(fā)送電子郵件、調(diào)用 API、執(zhí)行代碼或查詢數(shù)據(jù)庫(kù)。因此，我們可以認(rèn)為它是一個(gè)“思考者”，而非“行動(dòng)者”。

(3) 無(wú)狀態(tài)性

大多數(shù) LLM 的 API 調(diào)用是無(wú)狀態(tài)的，不擅長(zhǎng)存儲(chǔ)或保留之前的交互，除非將整個(gè)對(duì)話歷史作為上下文傳入，但這在長(zhǎng)流程、復(fù)雜任務(wù)中會(huì)變得低效且有上下文長(zhǎng)度限制。

(4) 推理的脆弱性

對(duì)于需要多步驟、依賴中間結(jié)果的復(fù)雜任務(wù)，單純依靠一次性的 Prompt Engineering（提示工程）生成的“思維鏈”（Chain of Thought）非常脆弱。一旦中間步驟出錯(cuò)，整個(gè)推理鏈條就會(huì)崩潰，缺乏糾錯(cuò)和動(dòng)態(tài)調(diào)整的能力。

因此，這些局限性意味著，如果僅將 LLM 作為一個(gè)獨(dú)立的組件，只能被動(dòng)地響應(yīng)查詢，無(wú)法主動(dòng)地、有目的地去解決問(wèn)題。這正是 Agent 架構(gòu)出現(xiàn)的根本原因。

作為一種將 LLM 從“引擎” 上升至 “系統(tǒng)”的架構(gòu)驅(qū)動(dòng)，Agent 架構(gòu)并非一個(gè)具體的算法，而是一種“軟件設(shè)計(jì)模式”和“系統(tǒng)架構(gòu)思想”。其不僅僅是“讓 LLM 使用工具”，而是一種系統(tǒng)化的方法論，旨在：

• 擴(kuò)展 LLM 的能力邊界，使其能夠與現(xiàn)實(shí)世界進(jìn)行實(shí)時(shí)、有意義的交互。
• 增強(qiáng) LLM 的魯棒性，通過(guò)反饋循環(huán)和結(jié)構(gòu)化推理來(lái)處理復(fù)雜和不確定的任務(wù)。
• 提供一個(gè)工程化的框架，使得開發(fā)者能夠以模塊化、可擴(kuò)展和可維護(hù)的方式構(gòu)建復(fù)雜的智能系統(tǒng)。

在 LangChain 的語(yǔ)境下，Agent 架構(gòu)將 LLM 從一個(gè)強(qiáng)大的、但被動(dòng)的語(yǔ)言處理單元（LPU），轉(zhuǎn)變?yōu)橐粋€(gè)能夠自主規(guī)劃和執(zhí)行任務(wù)的中央處理單元（CPU），是構(gòu)建下一代 AI Native 應(yīng)用的核心基石。

2. ReAct （Reason and Act）設(shè)計(jì)哲學(xué)：模仿人類認(rèn)知方式

其實(shí)，從本質(zhì)上而言，ReAct 的設(shè)計(jì)哲學(xué)深刻地模仿了人類解決問(wèn)題的過(guò)程：我們并非在頭腦中構(gòu)思好每一個(gè)完美無(wú)缺的步驟后才開始行動(dòng)，而是在一個(gè)“思考 -> 行動(dòng) -> 觀察 -> 修正思考”的迭代循環(huán)中不斷前進(jìn)，具體體現(xiàn)如下：

(1) Reason - 推理

這是對(duì)當(dāng)前任務(wù)狀態(tài)的內(nèi)部審視和規(guī)劃。例如：“我需要知道今天香港的天氣。我應(yīng)該使用一個(gè)天氣查詢工具?！?這一步對(duì)應(yīng)了 LLM 生成的 “Thought”。

(2) Act - 行動(dòng)

這是基于推理結(jié)果，與外部世界進(jìn)行交互的具體步驟。例如：調(diào)用天氣 API search_weather(city="Singapore")。這一步對(duì)應(yīng)了 LLM 生成的 “Action”。

(3) Observation - 觀測(cè)

這是行動(dòng)之后從外部世界獲得的反饋。例如：API 返回結(jié)果 {"temperature": "31°C", "condition": "Cloudy"}。這是系統(tǒng)提供給模型的 “Observation”。

上述 “Thought -> Action -> Observation”的循環(huán)構(gòu)成了 ReAct 架構(gòu)的最小原子操作，也是其區(qū)別于其他模式的根本特征。它將一個(gè)宏大的、復(fù)雜的任務(wù)，解構(gòu)成了一系列微觀的、可管理、可驗(yàn)證的認(rèn)知-行動(dòng)循環(huán)。

從軟件架構(gòu)的角度看，ReAct 并非一個(gè)單一的類或函數(shù)，而是一個(gè)由多個(gè)松耦合組件構(gòu)成的協(xié)作系統(tǒng)。具體涉及如下：

(1) 編排器 (Orchestrator - AgentExecutor)

作為整個(gè) ReAct 循環(huán)的主控引擎和狀態(tài)機(jī)，編排器負(fù)責(zé)驅(qū)動(dòng)數(shù)據(jù)在各個(gè)組件之間流動(dòng)，管理循環(huán)的生命周期（開始、繼續(xù)、終止），并執(zhí)行路由邏輯（是調(diào)用工具還是輸出最終答案）。這是 ReAct 架構(gòu)的“心跳”，也是“靈魂”所在。

(2) 決策引擎 (Decision Engine - LLM)

作為系統(tǒng)的認(rèn)知核心。決策引擎不負(fù)責(zé)執(zhí)行，只負(fù)責(zé)決策。在 ReAct 架構(gòu)中，決策引擎的任務(wù)被嚴(yán)格限定為：接收當(dāng)前狀態(tài)的完整上下文，并依據(jù)“認(rèn)知框架”的指示，生成下一步的 Thought 和 Action。

(3) 認(rèn)知框架 (Cognitive Framework - Prompt Template)

作為 ReAct 架構(gòu)的核心“固件”或“BIOS”，這是一個(gè)精心設(shè)計(jì)的、高度結(jié)構(gòu)化的提示模板，其作用是約束 LLM 的行為，強(qiáng)制其輸出符合 Thought/Action 格式的文本，從而以確保 LLM 能夠穩(wěn)定地在 ReAct 循環(huán)中工作的最關(guān)鍵組件。

相對(duì)于其他組件而言，認(rèn)知框架則定義了 LLM 的“世界觀”和“行事準(zhǔn)則”，對(duì)于事件的維護(hù)及管理極為重要。

(4) 執(zhí)行層 (Execution Layer - Tools)

作為系統(tǒng)的感知和行動(dòng)單元，每個(gè)工具都是一個(gè)標(biāo)準(zhǔn)化的、封裝良好的函數(shù)或類，代表一項(xiàng)原子能力（如 API調(diào)用、數(shù)據(jù)庫(kù)查詢）。工具的描述（description）至關(guān)重要，它構(gòu)成了工具與決策引擎之間的“API 契約”，LLM 正是根據(jù)這個(gè)描述來(lái)決定使用哪個(gè)工具。

執(zhí)行層的架構(gòu)意義在于 實(shí)現(xiàn)了決策與執(zhí)行的徹底解耦。我們可以隨時(shí)增刪或替換工具，而無(wú)需改動(dòng)編排器或認(rèn)知框架，這使得系統(tǒng)具有極強(qiáng)的可擴(kuò)展性。

(5) 輸出解析器 (Output Parser)

作為協(xié)議轉(zhuǎn)換器，輸出解析器負(fù)責(zé)將 LLM 生成的、非結(jié)構(gòu)化的自然語(yǔ)言文本，轉(zhuǎn)換為編排器可以理解和執(zhí)行的、結(jié)構(gòu)化的數(shù)據(jù)對(duì)象（如 AgentAction 或 AgentFinish）。它彌合了 LLM 的“軟”輸出與系統(tǒng)“硬”邏輯之間的鴻溝。

(6) 狀態(tài)暫存器 (State Scratchpad)

作為 ReAct 循環(huán)的短期記憶，狀態(tài)暫存器在每一次循環(huán)中動(dòng)態(tài)構(gòu)建，記錄了從開始到當(dāng)前步驟的所有 (Action, Observation) 對(duì)。這個(gè)“暫存器”會(huì)被注入到認(rèn)知框架中，為 LLM 提供決策所需的全部歷史上下文，讓它知道“我從哪里來(lái)”以及“我剛剛做了什么，結(jié)果如何”。

部分代碼示例，可參考如下：

class Agent(BaseSingleActionAgent):
    """Agent that calls the language model and deciding the action.
    This is driven by a LLMChain. The prompt in the LLMChain MUST include
    a variable called "agent_scratchpad" where the agent can put its
    intermediary work.
    """
    llm_chain: LLMChain
    """LLMChain to use for agent."""
    output_parser: AgentOutputParser
    """Output parser to use for agent."""
    allowed_tools: Optional[list[str]] = None
    """Allowed tools for the agent. If None, all tools are allowed."""
    ...
     def plan(
        self,
        intermediate_steps: list[tuple[AgentAction, str]],
        callbacks: Callbacks = None,
        **kwargs: Any,
    ) -> Union[AgentAction, AgentFinish]:
        """Given input, decided what to do.
     ...

3. 如何看待 ReAct 架構(gòu)的優(yōu)劣勢(shì) ？

其實(shí)，基于上述的架構(gòu)解析，我們可以看到：ReAct 不僅僅是一種“讓 LLM 用工具”的技術(shù)，更是一種深刻的架構(gòu)范式。它將 LLM 的角色從一個(gè)被動(dòng)的、全知的“知識(shí)庫(kù)”轉(zhuǎn)變?yōu)橐粋€(gè)主動(dòng)的、探索性的“推理代理”（Reasoning Agent）。

在架構(gòu)層面，ReAct 的核心貢獻(xiàn)是定義了一套標(biāo)準(zhǔn)的組件、協(xié)議和控制流，用于構(gòu)建一個(gè)能夠?qū)?LLM 的認(rèn)知能力與外部世界的真實(shí)性相結(jié)合的反饋控制系統(tǒng)。以犧牲部分性能為代價(jià)，換取了前所未有的魯棒性、靈活性和任務(wù)解決能力的泛化，為構(gòu)建更強(qiáng)大、更可靠的 AI 應(yīng)用奠定了堅(jiān)實(shí)的架構(gòu)基礎(chǔ)。

這種設(shè)計(jì)賦予了基于 LLM 的應(yīng)用前所未有的可靠性與透明度。通過(guò)顯式化的推理步驟，開發(fā)者和用戶可以清晰地洞察模型的決策邏輯，極大地提升了系統(tǒng)的可解釋性和可信度。更重要的是，通過(guò)與外部工具的協(xié)同，ReAct 機(jī)制有效突破了大型語(yǔ)言模型固有的知識(shí)局限性和“幻覺(jué)”問(wèn)題，使其能夠獲取并處理實(shí)時(shí)、動(dòng)態(tài)的信息，從而在復(fù)雜、多跳的真實(shí)世界任務(wù)中展現(xiàn)出卓越的性能。

因此，深入理解并應(yīng)用 Langchain ReAct 機(jī)制，對(duì)于任何希望構(gòu)建真正智能、可靠且功能強(qiáng)大的語(yǔ)言模型應(yīng)用的開發(fā)者而言，都具有至關(guān)重要的戰(zhàn)略意義。

Happy Coding ~

Reference ：[1]    https://www.langchain.com

Adiós !