本文已收录至GitHub，推荐阅读 👉 Java随想录
微信公众号：Java随想录
传统聊天机器人相信大家都用过——你问一句，它答一句。线性，简单，但遇到复杂问题就露馅了。比如问"特斯拉股价相比去年涨了多少"，它要么瞎编，要么说"我无法获取实时信息"。
2022年，Google Research提出了ReAct框架。它要解决的就是这个问题：让大模型像人一样，一边想一边做，做完再看结果，接着想下一步。
ReAct的核心原理
先看个例子
想象你在一个陌生城市旅行。
早上醒来，你想：今天天气怎么样？要不要带伞？
你打开天气APP看了一眼——有阵雨。
于是你调整计划：上午去博物馆躲雨，晚上再去看夜景。
这个"想→做→看→再想"的过程，就是ReAct在做的事。
三个阶段
ReAct由三个部分构成：
思考（Thought）：分析当前问题，决定下一步做什么。比如"用户问的是某国人口，我需要查数据"。
行动（Action）：调用外部工具。输出格式类似search(query="某国人口")。
观察（Observation）：工具返回结果，成为下一轮思考的依据。比如{"population": "1.4亿"}。
循环往复，直到任务完成。
什么时候停下来
两种方式：
- 硬限制：设个最大迭代数，比如
max_iterations=10，到了就强制结束。 - 条件触发：模型觉得自己很有把握了，或者连续失败好几次，就主动收手。
技术实现
工具怎么设计
三个原则：
原子性：一个工具只做一件事。计算器就做计算，搜索就做搜索，别搞大而全。
强契约：用JSON Schema定义清楚输入输出格式：
{
"name": "get_weather",
"description": "查询指定城市的天气信息",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市名称，如北京、上海"
}
},
"required": ["location"]
}
}
安全第一：删数据、转账这类敏感操作必须有权限控制。
提示词怎么写
ReAct提示包含四个部分：
- 要求模型展示思考过程。
- 告诉它有哪些工具可以用。
- 提示它在每个操作后重新评估。
- 设定循环退出条件。
从提示词到原生工具调用
早期做法是在提示词里格式化输出：
思考：我需要查询北京的天气
行动：get_weather(location="北京")
观察：{"temperature": "25℃", "condition": "晴"}
问题很明显：模型可能"废话连篇"，格式也可能乱套。
后来有了原生工具调用，直接微调模型让它输出结构化JSON。稳定多了，还能并行执行多个工具。
在Java中使用ReAct：LangChain4j示例
如果你是Java开发者，可以用 LangChain4j 快速实现 ReAct。核心思路是：用 @Tool 注解定义工具，框架自动处理推理-行动-观察的循环。
第一步：定义工具
import dev.langchain4j.agent.tool.Tool;
public class WeatherTools {
@Tool("获取指定城市的实时天气信息")
public String getWeather(String location) {
// 实际项目中调用天气API
return switch (location) {
case "北京" -> "晴天，15℃，空气质量良好";
case "上海" -> "多云，18℃，有轻度雾霾";
default -> "未找到该城市的天气信息";
};
}
@Tool("查询股票实时价格")
public String getStockPrice(String stockCode) {
// 实际项目中调用股票API
return "股票" + stockCode + "当前价格：168.5元，涨幅+2.3%";
}
}
第二步：创建助手接口
import dev.langchain4j.service.AiServices;
public interface Assistant {
String chat(String userMessage);
}
第三步：构建并使用
import dev.langchain4j.model.openai.OpenAiChatModel;
public class Main {
public static void main(String[] args) {
// 配置模型
OpenAiChatModel model = OpenAiChatModel.builder()
.apiKey("your-api-key")
.modelName("gpt-4")
.build();
// 构建助手，绑定工具
Assistant assistant = AiServices.builder(Assistant.class)
.chatLanguageModel(model)
.tools(new WeatherTools()) // 注册工具
.build();
// 提问——框架会自动执行ReAct循环
String answer = assistant.chat("北京今天天气怎么样？适合户外运动吗？");
System.out.println(answer);
}
}
运行时发生了什么？
当用户问"北京天气怎么样"时，LangChain4j 内部会：
- 思考：模型分析问题，决定调用
getWeather工具。 - 行动：执行
getWeather("北京")。 - 观察：得到 "晴天，15℃，空气质量良好"。
- 再思考：模型结合天气数据，判断适合户外运动。
- 最终答案：返回完整回答。
整个过程对开发者透明，你只需定义工具，剩下的交给框架。
两种模式的区别
| 模式 | 适用场景 | 特点 |
|---|---|---|
| 函数调用（推荐） | OpenAI、Claude等支持工具调用的模型 | 稳定可靠，直接输出结构化调用 |
| 文本解析 | 开源模型、不支持工具调用的模型 | 通过提示词让模型输出 Action: xxx 格式，再解析 |
LangChain4j 会根据模型类型自动选择模式。如果你的模型支持函数调用，优先用这个——更稳定，不容易出错。
为什么ReAct管用
减少胡说八道
假设用户问："今天A股涨得最多的是哪只？"
普通模型可能直接猜"茅台"——反正训练数据里有。
ReAct模型会：
- 想到：我得查实时数据。
- 调用股票API。
- 看结果：涨最多的是XXX。
- 根据真实数据回答。
不靠记忆，靠查证。
出了问题能追溯
用ReAct，系统可以展示完整的推理链条。客服答错了？直接看：它问了什么、查了什么、最后怎么答的。开发者定位问题快多了。
传统模型只能两手一摊："抱歉，我不知道为什么会那样。"
能随机应变
比如订餐场景：用户说"帮我订个餐厅，要近、评分高、适合商务"。
ReAct会：
- 获取用户位置。
- 搜附近高评分餐厅。
- 筛选适合商务的。
- 发现首选满了，自动推荐备选。
脚本做不到这种灵活调整——它只会报错或者返回固定结果。
能组合多个工具
写一份市场分析报告？ReAct可以协调搜索工具查数据、代码工具做分析、图表工具可视化、写作工具生成报告。模拟的是一个真实分析师的工作方式。
工程实践
避免死循环
智能客服常见问题：用户问"客服电话多少"，系统没有这个功能，模型就一直绕圈。
解决办法：
硬限制：
max_iterations = 10
for i in range(max_iterations):
# 执行循环
if i >= max_iterations:
return "处理超时，请稍后重试"
循环检测：同一个操作重复3次，直接判定无法回答，退出。
系统提示引导：告诉模型"最多试3次，还是不行就说不知道"。
上下文管理
长对话容易爆窗口。比如分析50份简历，每份都查背景信息，上下文直接撑满。
处理方式：
截断：只保留最近10轮对话，早期内容丢掉。
摘要：把前面的分析压缩成一句话，比如"20份简历分析完成，12份通过初筛"。只留结论，不留过程。
省Token，效果差不多。
并行调用
问："对比北京、上海、深圳国庆期间的天气和机票价格。"
串行做法：查北京天气→等，查上海天气→等，查深圳天气→等，查北京机票→等……6次等待。
并行做法：三个城市天气一起查，三张机票一起查。2次等待搞定。
性能差距明显。
错误处理
订机票时支付API返回"网络超时"，怎么办？
分级处理：
- 网络超时：等1秒重试，最多3次
- API限流：换备用支付渠道
- 余额不足：提示充值
- 系统维护：告知稍后再试
回退机制：主渠道失败自动试备用渠道，都失败了保存订单状态，让用户晚点再试。
结语
ReAct让AI从被动应答变成主动规划。通过把推理和外部工具结合起来，AI能处理远超传统聊天机器人的复杂任务。
它的核心其实很朴素：像人一样做事。想一下、做一下、看结果、接着想。
挑战也不少。循环控制、上下文管理、错误处理，都需要认真对待。但随着技术成熟，基于ReAct的AI智能体正在各个场景里发挥作用。
如果你在搞AI应用，ReAct值得深入了解。
