范式对比

两种范式的历史脉络 智能体的核心挑战是：如何让 LLM 从"单次生成"进化为"多步推理与行动"。围绕这一问题，学术界和工业界发展出了两条主要路线——ReAct 和 Plan-and-Execute。它们代表了不同的认知哲学：一个是"边想边做"的直觉派，一个是"谋定后动"的规划派。 理解这两种范式的本质差异，对于智能体架构选型至关重要。选错范式不仅影响性能，更可能导致任务根本无法完成。 ReAct：推理与行动的交织 核心思想 ReAct（Reasoning + Acting）由 Yao 等人于 2022 年提出。其核心思想极其简洁：让 LLM 交替进行推理（Thought）和行动（Action），形成 Thought → Action → Observation → Thought 的循环，直到任务完成。 Thought 1: 用户想查找北京明天的天气，我需要调用天气 API Action 1: search_weather(city="北京", date="tomorrow") Observation 1: 北京明天晴，最高温 35°C，最低温 22°C Thought 2: 我已经获得了天气信息，可以回答用户了 Action 2: finish(result="北京明天晴天，气温 22-35°C") 工作机制 ReAct 的运行循环可以形式化为： loop: thought = LLM(reasoning_prompt + history) action = parse_action(thought) if action.type == "finish": return action.result observation = execute_tool(action) history.append((thought, action, observation)) 关键在于 reasoning_prompt 的设计——它需要引导 LLM 在每一步都显式地"前沿思考"：当前状态是什么？下一步应该做什么？为什么这样做？ ReAct 的提示模板通常包含以下结构： 你是一个能使用工具的智能体。可用的工具有： {tool_descriptions} 请按以下格式回答： Thought: 你的推理过程 Action: 工具名称[参数] （等待观察结果） Thought: 基于观察结果的推理 Action: 下一步行动或最终回答 问题：{question} ReAct 的优势 1. 强大的自适应能力 ...