前言：AI也需要"工具箱"
想象你家有个超级聪明的管家，他能回答各种问题，但遇到需要查资料的事情时，他会自己翻书、用手机搜索。这就是Agent智能体的概念——让AI不仅能思考，还能调用工具解决问题。而ReAct模式就是这个管家的"工作手册"，教他如何像人类一样"边想边做"。
拆解ReAct模式：AI的"四步工作法"
我们用订外卖来类比ReAct的工作流程：
- 动脑子想清楚（推理）
就像你打开外卖软件前，先想"今天想吃麻辣烫还是披萨"，AI会先分析问题："用户要比较股价，我需要先查数据"。 - 动手调用工具（行动）
确定想吃麻辣烫后，你会在软件里搜索店铺。AI则会调用"股价查询器"，输入"青岛啤酒"开始搜索。 - 看结果调整（观察）
搜到麻辣烫店铺后，你可能想"这家评分太低，换一家"。AI获取到青岛啤酒股价（67.92元）后，也会想："还需要贵州茅台的数据才能比较"。 - 循环直到满意（迭代）
最终你选好餐厅下单，就像AI比较完两家股价（1488.21元 vs 67.92元）后，给出结论："贵州茅台更贵"。
graph TD
A[用户提问] --> B{LLM分析}
B -->|需工具调用| C[调用外部工具]
C --> D[获取工具结果]
D --> B
B -->|最终答案| E[返回结果]
真实案例：AI如何像你一样查股价
用户问："青岛啤酒和贵州茅台哪个股价更高？"
AI的思考过程（用外卖场景类比）：
-
第一步：想清楚要干啥
"用户要比较股价，但我家没有实时股价表，得用手机查！"（就像你决定点外卖前，先确认家里有没有食材） -
第二步：动手查资料
- 第一次行动："先查青岛啤酒" → 调用工具 → 得到67.92元
（就像你打开外卖软件，先搜"麻辣烫"） - 第二次行动："再查贵州茅台" → 调用工具 → 得到1488.21元
（就像你接着搜"披萨"做比较）
- 第一次行动："先查青岛啤酒" → 调用工具 → 得到67.92元
-
第三步：看结果调整
"1488元比67元高太多了，结论很明显！"（就像你对比完两家外卖的价格和评分后，决定选披萨） -
第四步：用大白话汇报
"贵州茅台的收盘价更高，比青岛啤酒贵二十多倍呢！"（就像你告诉朋友："今天咱们吃披萨吧，这家评分高还打折"）
代码实现：AI管家的"工具包"
以下是用Python实现的股票查询核心代码：
# 1. 初始化设置：告诉AI它的角色和任务
instructions = "你是一个股票助手"
query = "青岛啤酒和贵州茅台的收盘价哪个贵？"
# 2. 构建"工作手册"模板：教AI如何格式化回答
prompt = f"""
请按照以下格式回答：
思考：问题分解步骤
Action：调用的工具名
Action Input：工具参数（JSON格式）
Observation：工具返回结果
...（重复直至得出答案）
最终答案：最终结论
你现在的任务是：{query}
可用工具：{json.dumps(tools)}
"""
# 3. 主循环：AI的"思考-行动"工作流
messages = [{"role": "user", "content": prompt}]
while True:
# 发送消息到LLM（类似将任务单交给AI管家）
response = client.chat.completions.create(
model="deepseek-chat",
messages=messages,
temperature=0.1 # 保持回答确定性
)
# 解析AI的回复
response_text = response.choices[0].message.content
if "最终答案" in response_text:
break # 任务完成
# 提取工具调用指令（类似读取任务单上的下一步）
tool_name = re.search(r'Action:\s*(\w+)', response_text).group(1)
params = json.loads(re.search(r'Action Input:\s*({.*?})', response_text).group(1))
# 执行工具调用（AI实际使用工具的过程）
if tool_name == "get_closing_price":
stock_name = params["name"]
observation = get_closing_price(stock_name) # 调用股价查询函数
messages.append({"role": "user", "content": f"Observation: {observation}"})
关键组件解析
1. 工具定义：AI的"手机APP"
tools = [{
"name": "get_closing_price", # 工具名称
"description": "获取股票收盘价", # 工具功能说明
"parameters": { # 参数要求
"type": "object",
"properties": {"name": {"type": "string"}}, # 需要股票名称
"required": ["name"]
}
}]
总的流程:
-
第一轮循环
- LLM输出：
思考：需要分别获取两家公司的收盘价 Action: get_closing_price Action Input: {"name": "青岛啤酒"} -
第二轮循环
- LLM输出：
思考：获取贵州茅台价格 Action: get_closing_price Action Input: {"name": "贵州茅台"} -
最终轮
思考：比较1488.21和67.92 最终答案：贵州茅台的收盘价更高
2. 工具实现：模拟股票数据服务
def get_closing_price(name):
# 模拟实时股价数据
stock_data = {
"贵州茅台": "1488.21",
"青岛啤酒": "67.92"
}
return stock_data.get(name, "未搜索到该股票")
技术优势：为什么ReAct模式更实用？
- 分步骤解决问题
就像你装修房子会先设计图纸→买材料→找工人，AI也会把大问题拆成小任务。 - 透明化思考过程
你会告诉朋友："我查了A公司XX元，B公司YY元，所以选B"，AI也会展示它的思考步骤。 - 自我学习能力
每次调用工具后，AI都会积累经验。比如首次查"青啤"失败，下次可能自动尝试"青岛啤酒"全称，就像你记住正确店名后不再点错外卖。 - 灵活应对变化
如果用户追加问题："那和五粮液比呢？"，AI会像你一样调整计划："需要再查五粮液的股价"。
结语：AI正在"人类化"
ReAct模式让AI不再像机器人一样生硬，而是：
- 会规划：像你制定旅行计划一样分步骤
- 懂求助：像你遇到问题会查手机一样调用工具
- 能调整：像你做错事会修正一样动态优化
下次当你和AI聊天时，不妨观察它的思考过程——你会发现，它越来越像你身边那个爱动脑筋、会找外援、还能把结果讲得明明白白的好朋友了！
