在AI使用时，有时能发现AI胡乱回答的情况，将错误的信息交给AI，但AI并没有进行判断就将数据引入。为了解决这个问题，将会引入ReAct（reasoningaction）模型，这个模型能帮助AI更有条理的回答问题。
需要模型做自主判断、自行调用工具、自行决定下一步行动的时候，会用到代理。代理可以同时使用多种工具，而且可以将一个工具的输出数据作为另一个工具的输入数据。这也就用到了_take_next_step方法 ，其能让机器和我们人一样，将问题分成一步一步后，将答案一步步更靠近最后的结果，直至完全解决。基于这点特性，我们可以想象到ReAct框架将能够处理更多、更复杂的任务。
大模型：提供逻辑的引擎，负责生成预测和处理输入。
与之交互的外部工具：可能包括数据清洗工具、搜索引擎、应用程序等。
控制交互的代理：调用适当的外部工具，并管理整个交互过程的流程
agent先经历初始化，再回答问题。首先从agents库中导入工具load_tools、initilize_agent、AgentType，从llms中导入openAI，llm经过初始化再使用，代理通过initialize_agent函数使用，函数内部需要包含工具，llm流，代理的名称和verbose。
在代理的使用中，会调用SerpAPI，并且在谷歌上拿到SERPAPI_API_KEY，这是给在谷歌上搜索访问的权限。
Agent 的关键组件:
代理（决定下一步做的操作）、工具、工具包（完成一组操作用到相关的工具集合，里面有多种工具）、代理执行器（代理的执行环境）。
AgentExcutor的运行机制
首先调用llm_chain大模型，让大模型尽量根据自己现有的知识回答问题，但大模型不一定有这部分的知识，所以需要调用搜索工具（_take_next_step）。在工具调用完后，会获得一个结果，这个结果可能是最终答案，也可能只完成了一部分内容，如果没有解决提出的问题，AI会再调用一次大模型，查看这次是否能直接回答问题，如果可以，输出，如果不行，将会调用工具解决问题（还是缺少这部分知识会继续调用搜索工具），调用完后返回结果，进行第三次调用大模型，直到问题能够被解决才停止调用，此时会输出AgentFinish。
